Как ИИ незаметно убивает вашу воронку найма, а вы теряете кандидатов

ИИ стал привычным инструментом в рекрутинге. Доверить первичный скрининг резюме и ранжирование кандидатов - это удобно, быстро и, как обещают разработчики, безошибочно. Зачем вручную перебирать сотни откликов, если технология «видит» лучше человека? Но что, если за этим удобством скрывается системный сбой, который тихо отбраковывает лучших кандидатов ещё до встречи с вами? 

Давайте разберёмся, как генеративные нейросети превращают воронку найма в чёрный ящик, из которого выпадают сильные специалисты.

Разграничим понятия: машинное обучение и генеративный ИИ

Под ИИ сегодня чаще всего понимают большие языковые модели - генеративные нейросети. Это важно, потому что они принципиально отличаются от классического машинного обучения (ML). В ML алгоритм обучается на размеченных данных, и его логику можно проследить: какие признаки повлияли на решение, какие веса присвоены. 

С генеративными моделями всё иначе. Мы загружаем данные и получаем результат, но что происходит внутри - неизвестно. Миллионы слоёв и связей создают так называемый black box («чёрный ящик»). Нейросеть может найти собственный путь решения задачи, который не был заложен в промт. Внешне результат выглядит логично, но объяснить, как машина к нему пришла, не может никто.

Нейронки «подсуживают» друг другу

Кто-то возразит: «Мы используем несколько нейросетей, они проверяют друг друга». К сожалению, это иллюзия. Исследования показывают, что большие языковые модели, обученные на схожих массивах данных, со временем начинают демонстрировать сговорчивость: они склонны соглашаться друг с другом, даже если одна из них ошибается. 

В работе «Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch» (2024) учёные показали, что модели могут перенимать искажения друг у друга при совместном использовании. Другое исследование - «Bias Amplification in Language Models» - подтверждает: если несколько LLM обучались на пересекающихся данных, их ошибки коррелируют. 

То есть две нейросети, «проверяющие» резюме, с высокой вероятностью примут одинаково неверное решение, просто потому что видели похожие примеры.

Кейс Amazon: как ИИ дискриминировал женщин

Самый громкий пример - скандал с внутренней системой Amazon по оценке резюме. В 2014 году компания разработала алгоритм, который анализировал резюме за последние 10 лет и обучался предсказывать успешных кандидатов. Проблема в том, что в технических должностях Amazon исторически доминировали мужчины. 

Модель не просто выучила этот факт, но и стала использовать его как критерий отбора. Резюме, где встречались слова «women’s chess club» или упоминание женского колледжа, получали штрафные баллы. Система также занижала рейтинг кандидатов с женскими именами. В 2015 году компания признала проблему и отключила алгоритм, но ущерб репутации был нанесён: тысячи женщин не получили приглашения на собеседование из-за невидимого сексистского фильтра.

Прокси-переменные: дискриминация под маской нейтральности

Разработчики уверяют, что убирают из обучающих данных пол, возраст, имя. Но это не спасает. Возникают прокси-переменные - косвенные признаки, которые нейросеть связывает с защищёнными характеристиками. Например, в резюме женщины может быть указан «декретный отпуск» или «гибкий график», а у кандидата старшего возраста - даты окончания вуза в 1980-х. ИИ с лёгкостью улавливает эти маркеры и начинает дискриминировать.

Ещё тоньше: стилистика текста. Исследования показывают, что женщины чаще используют слова «совместно», «команда», «поддержка», тогда как мужчины - «управлял», «достиг», «запустил». Модель, обученная на резюме успешных мужчин, начинает считать «мужские» глаголы признаком компетентности, а «женские» - недостатком. В результате одинаково сильные специалисты получают разные баллы лишь из-за выбора лексики. (Пример: исследование «Language Models and Gender Bias in Hiring», 2023).

Эмерджентное поведение: когда ИИ изобретает свои правила

Нейросети способны к эмерджентному поведению - появлению новых, незапланированных паттернов. Вы просили отбирать кандидатов по навыкам, а модель вдруг начинает отдавать предпочтение резюме, где упомянуты определённые хобби или формат файла. Это не ошибка в коде, а свойство самообучения: машина находит скрытые корреляции в данных и возводит их в ранг критериев. Например, выяснилось, что одна ATS-система завышала баллы резюме, где был указан опыт работы в стартапах, хотя в вакансии это не требовалось - просто в её обучающей выборке такие кандидаты чаще получали оффер.

ИИ-нарциссизм: нейросети любят тексты, похожие на свои

Одно из самых неожиданных открытий - self-preference bias (предпочтение собственных текстов) или в переводе на русский это явление получило название ИИ-нарциссизм. Исследование, опубликованное в 2026 году, группой исследователей показало: LLM склонны ставить более высокие баллы текстам, которые имеют маркеры, характерные для генерации самих нейросетей (Quantifying and Mitigating Self-Preference Bias of LLM Judges). Это могут быть незаметные человеку особенности: определённая структура предложений, частота редких слов, плавность переходов. 

Если резюме написано с помощью ChatGPT, а ваша ATS использует ту же модель, шанс получить высокий балл резко возрастает. В эксперименте исследователей модель DeepSeek демонстрировала наибольший «нарциссизм»: она завышала оценку сгенерированных ею же резюме до порой рекордных 90% по сравнению с человеческими. Отсюда парадокс: чтобы пройти через ИИ-фильтр, кандидату выгодно создать резюме с помощью ИИ. А если человек писал сам, честно и живо, он может проиграть бездушному алгоритмическому тексту.

Недетерминированность: ИИ сам не знает, что решит завтра

Ещё одна проблема - непредсказуемость. Исследование, проведённое в 2025 году , показало: если попросить LLM оценить одно и то же резюме несколько раз в течение нескольких дней, согласие с собственным предыдущим решением составляет лишь 14% (LLM Reality Check: AI Résumé Screeners are Fast, Fluent, and Fundamentally Unreliable (For Now)). Почему? 

Потому что нейросети недетерминированы: в них встроен элемент случайности (технически это называется температура генерации). Сегодня система поставила кандидату 100%, завтра - 90%, послезавтра - 89%. А если порог прохождения 95%, человек так и не попадёт в вашу воронку. Причём вы никогда не узнаете, что виновата не его квалификация, а настроение машины.

Непрозрачные промты и веса: вы не знаете, как оценивают кандидата

Какой промт заложен в вашей ATS? Какая методика оценки? Скорее всего, нет ответа. А ведь от этого зависит всё. Вы считаете, что требования к вакансии нужно оценивать по шкале: с 1 по 4 - критично, с 5 по 7 - желательно. Но нейросеть может интерпретировать иначе: взять за основу только первые три пункта или вообще перераспределить веса.

В результате кандидат, который недобрал один-два процента из-за второстепенного навыка, выпадает из воронки.

75% резюме отсеиваются ещё до человека

По данным исследований (TopResume, Jobscan, 2023), до 75% резюме отбраковываются автоматическими системами до того, как их увидит рекрутер. Причём часто причиной становится не отсутствие нужных навыков, а несовпадение формулировок. Один разработчик написал «писал на Go», другой - «разрабатывал на Go, проводил код-ревью». Для тимлида оба хороши, но ATS буквально мыслит: во втором случае больше ключевых слов, значит, кандидат «глубже погружён». Первый получит меньше баллов просто потому, что не расписал очевидное.

Чат-боты: вежливость наказуема

ИИ-чаты, которые уточняют детали до собеседования, добавляют ещё один фильтр. Кандидат, который отвечает коротко или просит позвать живого рекрутера, автоматически получает снижение рейтинга. Из моей практики: специалист, идеально подходящий по опыту, не прошёл из-за того, что назвал зарплатные ожидания 260 тысяч при лимите 250. Бот вынес отказ. 

Другой кандидат из числа моих клиентов прямо сказал роботу: «Я хотел бы общаться с человеком». Система ответила «Очень жаль» и закрыла чат. Вы уверены, что знаете обо всех таких случаях в вашей воронке?

Галлюцинации: когда ИИ вычитает не из той суммы

Напоследок - галлюцинации. Я проводила эксперимент: три резюме, три вакансии, три популярные нейросети. Задача - мэтчинг и процент соответствия. Два резюме модели оценили с разбросом 10–15%, а вот на третьем (дизайнер) начали синхронно ошибаться. Вместо того чтобы вычитать баллы из 100%, они вычитали из набранных 80%. 

Получался абсурд: кандидат терял очки за навыки, которых в вакансии не было, хотя по логике должен был получить максимум. Чтобы выявить эту ошибку, потребовалось полчаса споров с нейросетью и жалоба в техническую поддержку на откровенную галлюцинацию. В промышленных масштабах такие галлюцинации остаются незамеченными.

Математическая отмывка алгоритмов

Всё это складывается в опасную картину, которую профессионалы называют математической отмывкой алгоритмов: мы верим, что машина точна, потому что она «считает объективно». Но считать можно с ошибками, предвзятостью и случайностью. ИИ часто ошибается, но никогда не извиняется. А вы теряете кандидатов.

Что делать: контроль на каждом этапе

Отказаться от ИИ при тысяче откликов невозможно. Но можно выстроить систему надзора.

1. При выборе ATS или джоб-борда спрашивайте доступ к промту: какая методика оценки, какие параметры, можно ли влиять на веса. Если ответ расплывчатый - это красный флаг.

2. Проведите эксперимент до покупки: возьмите несколько тестовых резюме (в том числе «хорошие», но не идеальные по формулировкам) и прогоните через систему без участия продавцов. Смотрите, кто выпадет.

3. Проверяйте раздел «Отказы» после запуска. Скорее всего, там лежат подходящие кандидаты. Вопрос - сколько их там? Если их существенное количество, срочно свяжитесь с разработкой и временно переведите скрининг резюме в ручной режим. Делайте эту поверхностную проверку хотя бы раз в 2-3 недели. 

4. Запускайте тайного кандидата раз в квартал: создайте аккаунт, откликнитесь на свою вакансию, пройдите путь от подачи до (не)приглашения. Зовите знакомых, которые будут готовы проверить вашу воронку. Возможно, вы обнаружите, что робот отказывает вам самим.

Можно ли заставить ИИ быть объективным?

Теоретически существует метод управляемого вектора (steering vectors), когда модель «отворачивают» от нежелательных паттернов, как стрелку спидометра. Но пока это лабораторные эксперименты. Ни одна коммерческая ATS не внедрила такой контроль. Генеративный ИИ в найме - это всё ещё технология с неизученными рисками. Полагаться на неё без оглядки - значит добровольно отдать воронку в руки непредсказуемого алгоритма.