ИИ для отбора резюме в HR: настройка, предвзятость и границы

Что ИИ может, а что нет

LLM хорошо справляется с рутиной: прочитать резюме в любом формате, вытащить факты и сопоставить их с требованиями вакансии. Это экономит время на первичном просмотре большого потока откликов.

Чего ИИ делать не должен:

• самостоятельно отказывать кандидатам;
• оценивать «культурное соответствие», характер или потенциал по тексту;
• учитывать возраст, пол, национальность, семейное положение, фото и подобные признаки.

Правильная роль модели — ассистент рекрутера, который готовит структурированную сводку и предварительный балл с объяснением.

Как настроить процесс

1. Сформулируйте критерии до запуска

Модель оценивает ровно то, что вы ей дали. Разделите требования:

• обязательные — например, опыт с конкретной технологией, язык, право работать в стране;
• желательные — дополнительные навыки, отрасль;
• неважные — всё остальное, включая вуз и «престижность» прошлых работодателей, если это не требование роли.

Критерии должны быть проверяемыми по тексту резюме. «Коммуникабельный» — плохой критерий, «вёл переговоры с клиентами» — рабочий.

2. Извлечение, затем оценка

Делайте два шага, а не один «оцени резюме от 1 до 10»:

1. Извлечение: модель возвращает JSON с опытом, навыками, языками, образованием — только факты, найденные в тексте.
2. Сопоставление: по каждому критерию — «есть / нет / неясно» и цитата из резюме как обоснование.

{
  "criterion": "Опыт коммерческой разработки на Python от 3 лет",
  "status": "met",
  "evidence": "Python-разработчик, 2020–2024, компания X"
}

Итоговый балл лучше считать кодом по правилам, а не просить модель придумать число. Так оценка воспроизводима и объяснима.

3. Человек принимает решение

Рекрутер видит сводку, статусы и цитаты, а не только рейтинг. Кандидаты со статусом «неясно» по обязательным критериям идут на ручной просмотр, а не в отказ.

Как снизить предвзятость

Модели обучены на текстах, где есть исторические перекосы, поэтому дискриминация может проявиться незаметно.

• Удаляйте защищённые признаки до оценки: имя, фото, дату рождения, пол, семейное положение, адрес. Извлечение и оценку можно разнести, чтобы оценщик эти поля не видел.
• Не давайте модели прошлые решения как образец «хороших кандидатов», если не уверены, что они были беспристрастны.
• Проверяйте на парах: одно и то же резюме с разными именами или пробелом в карьере должно получать одинаковую оценку.
• Следите за перерывами в карьере: декрет, служба, болезнь не должны снижать балл, если критерий этого не требует.
• Регулярный аудит: сравнивайте, как распределяются оценки по группам кандидатов там, где это законно и данные есть.

Персональные данные кандидатов

Резюме — это персональные данные. Базовые правила:

• Основание для обработки: сообщайте в вакансии или форме отклика, что резюме анализируются с помощью автоматизированных инструментов, и получайте согласие, где это требует закон.
• Провайдер модели: выбирайте тариф или API, по условиям которого данные не используются для обучения; проверьте, где они хранятся.
• Локальные требования: в Узбекистане действует закон о персональных данных с требованиями к согласию и хранению данных граждан; если вы нанимаете в других странах, учитывайте их законы. Конкретную схему согласуйте с юристом.
• Минимизация: отправляйте в модель только текст резюме, без лишних вложений и переписки.
• Сроки хранения: удаляйте данные отклонённых кандидатов по установленному правилу.

Частые ошибки