Скрининг резюме с помощью ИИ — это процесс, при котором программа читает отклики на вакансию, извлекает структурированные данные (опыт, навыки, образование, языки) и присваивает балл соответствия описанию вакансии. Рекрутер получает уже отсортированный список и решает, кто пройдёт дальше, вместо того чтобы вручную вычитывать десятки или сотни резюме.
Вопрос, который важен и компании, и кандидату, не «работает ли это?». Работает, и в продакшене стоит почти в каждом крупном решении на российском рынке: «Поток Рекрутмент», Huntflow, E-Staff, встроенные модели у агрегаторов вроде hh.ru. Вопрос другой: работает ли это для того типа вакансии, которую вы открываете? Для одних — да. Для технических вакансий в масштабе модель упирается в предсказуемые пределы.
Если коротко
Скрининг по ИИ хорош в том, чтобы упорядочить объём, и слаб в том, чтобы предсказать технический навык. Он превращает «300 откликов» в «20 вероятных», но внутри этих двадцати корреляция с реальной результативностью остаётся такой же, как у человека, который читает то же резюме: низкой.
Если ты ищешь пошаговый разбор, как сделать этот отсев с умом, посмотри как фильтровать резюме, а как убрать из первого прочтения то, что запускает предубеждение, разобрано в статье слепой отбор резюме. Этот текст о том, что автоматизация делает под капотом и где она ошибается.
Как ИИ читает резюме
Типичный конвейер состоит из четырёх этапов.
1. Парсинг. Резюме (PDF, DOCX, скан) превращается в текст и разбивается на блоки (шапка, саммари, опыт, образование, навыки, языки). Современные модели неплохо справляются с разными вёрстками.
2. Извлечение сущностей. Компании, должности, годы, технологии, сертификаты. Эта часть точна на аккуратно оформленных резюме и хуже на «креативных» (графики, иконки, колонки).
3. Сопоставление с описанием вакансии. Система сравнивает семантический вектор резюме с вектором описания вакансии. Веса можно настроить по обязательному навыку, годам опыта, локации, зарплатной вилке.
4. Ранжирование. Итоговый балл (обычно от 0 до 100) задаёт порядок, в котором рекрутер видит кандидатов.
Платформы постарше работают только на совпадении ключевых слов. Современные используют эмбеддинги (векторное представление текста), которые понимают, что «инженер-программист» и «backend-разработчик» — не одно и то же, но соседи в семантическом пространстве.
Что скрининг по ИИ оценивает хорошо
- Заявленное соответствие. Если кандидат написал «React 5 лет», а вакансия требует React 3 года, система ловит это почти безошибочно.
- Формальные требования. Высшее образование, конкретный сертификат, язык с заявленным уровнем, локация.
- Объём. Тысяча резюме превращается в отсортированный список за секунды.
- Связность карьеры. Длинный перерыв, слишком частые смены, рост грейда.
- Базовый комплаенс. Вакансии с жёсткими требованиями (аттестат, лицензия, профильный реестр) фильтруются по точному соответствию.
Что скрининг по ИИ не оценивает
- Реальный навык, а не заявленный. Тот, кто пишет «React 5 лет», мог четыре года проходить туториалы и выкатить один экран в продакшен. Резюме фиксирует самооценку, а не способность.
- Умение решать невиданную задачу. Именно это отличает среднего инженера от сильного.
- Поведение в команде. Важные soft skills (коммуникация, работа с конфликтом, ответственность) не лежат в виде извлекаемого текста.
- Техническую культуру. Кто выбирает качество против скорости? Кто пишет документацию? Кто внимательно ревьюит код? Резюме об этом молчит.
- Актуальную мотивацию. Кто ищет активно, кто открыт к предложениям, а кто просто обновил профиль.
Скрининг по ИИ — это, по сути, более быстрое чтение того же резюме, а не другое измерение.
Где скрининг сбоит на технических вакансиях
Три типичных сбоя.
1. Перекос в сторону ключевого слова
Кандидата с сильным опытом во Vue отсеивают с вакансии React, потому что система не выводит, что переход между фронтенд-фреймворками для сеньора тривиален. Рекрутер указал React обязательным, ИИ исполнил инструкцию буквально.
2. Ложные срабатывания на «вылизанном» резюме
Существует неформальная индустрия резюме, оптимизированных под автоматический отбор. Тот, кто научился аккуратно рассыпать по тексту 30 ключевых слов, проходит фильтр, а тот, кто пишет сжато и по делу, иногда оказывается ниже.
3. Исторические искажения в модели
Модели, обученные на истории найма компании, воспроизводят её паттерны, включая те, которые компания сама не хотела бы повторять: конкретные вузы, конкретные работодатели, возраст, происхождение по имени. И здесь вступает закон.
Что говорит о таком скрининге 152-ФЗ
Скрининг резюме — это обработка персональных данных, а ранжирование по баллу — нередко автоматизированное решение. В России рамкой служит Федеральный закон № 152-ФЗ «О персональных данных», и его требования не обсуждаются.
Ключевой момент — статья 16. Она прямо запрещает принимать решения, порождающие юридические последствия для человека или иным образом затрагивающие его права, исключительно на основании автоматизированной обработки. Отказ кандидату на основании одного лишь балла, выставленного алгоритмом, без участия человека, попадает под этот запрет. У субъекта данных есть право возражать против такого решения и требовать его пересмотра человеком. Точную формулировку можно прочитать в статье 16 закона № 152-ФЗ на portal КонсультантПлюс.
На практике почти везде список, отсортированный ИИ, смотрит живой рекрутер, поэтому формально решение принимает не алгоритм. Но это нужно корректно отразить: получить согласие на обработку, указать цель и срок хранения, обеспечить минимизацию данных и оставить за человеком финальное слово. Структурированную, воспроизводимую процедуру под 152-ФЗ обосновать заметно легче, чем непрозрачный балл, логику которого никто не объяснит.
Скрининг по ИИ против оценки по тестам
Практическая разница в том, где именно делается работа по фильтрации.
| Аспект | Скрининг по ИИ | Оценка по тестам |
|---|---|---|
| Что измеряет | Заявленное соответствие требованию | Реальное выполнение навыка |
| Предсказательная надёжность | Средняя (много шума на технических вакансиях) | Высокая для измеримых навыков (код, язык, логика) |
| Усилие для компании | Низкое | Среднее (создать тесты или взять готовую платформу) |
| Усилие для кандидата | Почти нулевое | Среднее (несколько часов в начале) |
| Где работает лучше | Вакансии с точными измеримыми требованиями в резюме (лицензия, сертифицированный язык, точные годы) | Вакансии, где результативность измерима вне резюме (разработка, данные, рабочий язык) |
| Риск исторических искажений | Высокий | Низкий, если тест объективен |
| Онбординг базы талантов | Каждый раз заново | Переиспользует переносимую оценку |
Обе модели сосуществуют: скрининг по ИИ фильтрует широкую часть воронки, оценка по тестам фильтрует глубину навыка. На технических вакансиях современные платформы переносят тест в начало, до контакта, чтобы рекрутер получал только кандидатов с доказанным выполнением задачи.
Как сюда вписывается Nort
Nort переворачивает логику. Это не ATS, а платформа реверсивного рекрутинга и оценки. Вместо того чтобы ИИ читал резюме на входе в каждую вакансию, кандидат проходит переносимую оценку один раз: технические тесты, личностный опросник Big Five, языки, подтверждение опыта. Результат складывается в Career Score, и компания фильтрует этот предварительно квалифицированный пул по объективным критериям. Nort не заменяет ATS, а дополняет его: ATS ведёт воронку откликов, а Nort отдаёт уже оценённых кандидатов. Подробнее о том, как и где у системы отслеживания откликов есть пределы, разобрано в глоссарии: система отслеживания кандидатов (ATS). Сам подход, при котором инициатива идёт от оценённого кандидата к компании, описан в глоссарии реверсивный рекрутинг.
Для рекрутера это значит:
- Нет первичного скрининга, потому что пул уже оценён
- Фильтр идёт по навыку напрямую, а не по прокси (ключевому слову из резюме)
- Среднее время найма падает, потому что этап «вычитать 300 резюме» исчезает
Для кандидата это значит сделать усилие один раз и иметь переносимый результат во многих возможностях, а не пересдавать тесты под каждую вакансию.
Когда скрининг по ИИ остаётся лучшим выбором
Это не «или одно, или другое». Есть вакансии, где скрининг по ИИ достаточно хорош.
- Административные и операционные роли, где заявленное соответствие сильно коррелирует с реальностью.
- Вакансии с огромным объёмом (50 000 откликов на программу стажировки): без автоматического отбора процесс не масштабируется.
- Вакансии с непреложными формальными требованиями (профессиональный реестр, обязательная лицензия).
- Поток входящих откликов: компания, которая получает много спонтанных откликов через сайт.
Часто задаваемые вопросы
Справедлив ли скрининг по ИИ к кандидатам?
Технически он применяет ко всем один критерий. На практике он наследует искажения из исторического датасета и из того, как рекрутер написал описание вакансии. Он справедлив, если его аудируют, а большинство компаний пока этого не делают.
Нужно ли оптимизировать резюме, чтобы пройти ИИ?
Для вакансий, которые фильтруются классическим ATS, сегодня — да. Используйте ключевые слова из описания вакансии, держите чистую вёрстку без декоративных иконок, сохраняйте в PDF, а не в скан. Для платформ вроде Nort это не имеет значения: фильтр идёт по измеренному навыку, а не по тексту.
Может ли ИИ распознать «надутое» резюме?
Отчасти. Современные модели сигналят о несостыковках (странные технологии, необъяснённый перерыв, подозрительно быстрый рост), но не читают намерение. Хорошо написанное резюме, пусть и приукрашенное, обычно проходит.
Ограничивает ли 152-ФЗ автоматический отбор?
Да, статья 16 запрещает решения, затрагивающие права человека, исключительно на основе автоматизированной обработки. Кандидат вправе требовать пересмотра человеком. На практике почти везде отсортированный список смотрит живой рекрутер, поэтому требование выполнимо. Это стоит отразить в согласии на обработку и в политике конфиденциальности.
Делает ли скрининг генеративный ИИ (LLM)?
Да. YandexGPT, GigaChat, ChatGPT, Claude и open-source модели уже используются в кастомных сценариях малого и среднего бизнеса: модели передают резюме плюс описание вакансии и просят анализ. Есть выигрыш в объяснимости («почему этот кандидат?»), но стоимость и задержка пока ограничивают применение на больших объёмах.
Кратко
- Скрининг по ИИ эффективен на объёме и заявленных требованиях, слаб в предсказании реального технического навыка
- Для административных и операционных ролей он достаточно хорош
- Для технических вакансий разумнее сдвинуть фильтр от «прочитать резюме» к «измерить навык»
- 152-ФЗ запрещает решения исключительно по алгоритму, поэтому человек должен оставаться в контуре
- Обе модели уживаются: скрининг по ИИ плюс оценка по тестам последовательно работают лучше, чем каждая по отдельности
- Nort выбрал путь переносимой оценки: один раз, и она действует во многих возможностях
Хотите фильтровать предварительно оценённый пул вместо того, чтобы вычитывать сотни резюме? Создайте бесплатный аккаунт Nort и проверьте оценку по навыкам в своём следующем найме.