Как ИИ помогает бизнесу в подборе новых сотрудников

Привет! Сегодня снова говорим про внедрение ИИ. На этот раз я расскажу о том, как ИИ может использоваться для автоматизации найма персонала и подбора сотрудников. Интересно, что ИИ находит применение на всех этапах найма, от первого скрининга до онбординга нового члена команды. Впереди — реальные кейсы. Поехали!

Ответ на самом деле очень простой: это позволяет снизить операционные расходы и автоматизировать процесс найма. Причем благодаря AI впервые стала возможна автоматизация рекрутинга даже в той его части, которая всегда считалась принципиально не автоматизируемой. Но об этом расскажу чуть позднее. Начнем же с более очевидных вещей.

«Средний по больнице» HR-специалист тратит до 70% рабочего времени на рутину — чтение резюме и сортировку откликов, проведение интервью, переписку с кандидатами. Кто-то скажет: ну и что, это их работа. Но ведь эту работу можно сделать быстрее, а значит сэкономить организации деньги. Особенно, если речь идет о найме тысяч специалистов в неделю. В крупных компаниях автоматизация найма с помощью ИИ способна сэкономить миллионы в год (не шутка, опишу кейс ниже). 

Замечу, что важно не только время, которое HR потратят на рутину. Важно еще и время, которое потратят дорогие технические специалисты компании на интервьюирование неподходящих кандидатов, а также впустую потраченные ресурсы компании, если нанятый кандидат уволится через месяц.

Кроме того, не забываем и о конечной цели найма: быстрее закрыть вакансию, быстрее ввести в работу нового специалиста и начать получать экономический эффект от его навыков. Чем короче этап подбора специалиста, тем быстрее компания запустит привязанные к этому сотруднику процессы, быстрее выйдет на прибыль, быстрее сможет масштабировать бизнес-модель и т.п.

Убедил? Будем считать, убедил. А если еще нет — читайте дальше, сейчас разберу какие конкретно процессы системы автоматизации рекрутинга способны радикально ускорить. Спойлер: почти все.

Современные HR-системы умеют автоматизировать почти все стадии найма — от первого контакта до выхода сотрудника в офис.

Первый этап подбора персонала подразумевает работу с самыми большими объемами информации. Причем, существенная ее часть, скорее всего, слабо релевантна открытой позиции. 

С помощью ИИ можно отсеивать сотни резюме в секунду, выделяя лишь самые подходящие. Причем не только по формальным признакам вроде возраста или образования (здесь как раз пользы от ИИ не много), но и по стилистическим особенностям языка в резюме и сопроводительном письме. Что позволяет, к примеру, сходу сформулировать психотип кандидата. А это в некоторых профессиях важно: скажем, истероид, скорее всего, будет плохим аналитиком, но отличным пиарщиком.

Рекрутинговая компания HireVue, ответственная за подбор персонала в Nike, Walmart и Hasbro, активно использует LLM и тщательно выверенные тесты для предварительного скрининга кандидатов. Посыл такой: меньше времени на отбор кандидатов, больше на оценку их навыков.

Как автоматизировать скрининг резюме?

• ИИ чат-боты помогут запросить у кандидата основные сведения и ответить на его вопросы. Причем не в режиме заранее запрограммированного балбеса, а человеческим языком.
• Большая языковая модель, натренированная на заведомо подходящих резюме, сможет выделить из общего потока заявок те, которые максимально похожи на требуемые.
• При больших потоках резюме можно использовать обученные AI/ML модели для поиска статистических выбросов и аномалий. Тем самым можно отсеять фейковые резюме или привирающих кандидатов. Некоторые западные рекрутеры используют AI/ML для проверки референсов с прошлых работ.

Итак, мы выбрали из тысячи резюме пару десятков подходящих. HR мог бы прособеседовать всех, но это все еще долго. Сегодня популярность набирают видеоинтервью, где кандидат заранее записывает видео с ответами на типовые вопросы, а HR-отдел затем его анализирует… правильно, с помощью ИИ.

AI способен анализировать речь, мимику, интонацию и темп ответа кандидата. Это ни в коем случае не замена HR-интервью, а лишь фильтр первой линии, выделяющий тревожные звоночки и маркеры неуверенности кандидата. Тем самым, ИИ помогает кадровому специалисту отмести явно неподходящие варианты.

С помощью такой ИИ-системы предварительного скрининга в компании Unilever смогли сэкономить за год больше 70 тысяч человеко-часов, которые были бы потрачены на интервьюирование кандидатов. Вот вам и миллионы, о которых я говорил в начале.

Другой вариант автоматизации найма сотрудников с помощью ИИ — транскрибировать записи звонков и видео, а затем попросить LLM (ChatGPT, Gemini, Яндекс GPT и др.) проанализировать ответы кандидата. Мы в Siberian.pro однажды внедрили именно такой вариант для клиента, сократив время на оценку кандидатов до нескольких секунд и сэкономив десятки часов дорогостоящих техлидов, которым больше не нужно присутствовать на интервью неподходящих кандидатов. Почитать о нашем кейсе можно здесь.

ИИ помогает сопоставлять не только формальные параметры, но и более общие: опыт кандидата в отрасли, карьерную траекторию, эмоциональную совместимость. Скажем, платформа LinkedIn AI Matching ежедневно обрабатывает миллионы профилей и формирует эффективные рекомендации как для кандидатов, так и для организаций.

Так, в компании Electrolux внедрили AI-решение для комплексной автоматизации процессов найма сотрудников. В результате ускорился отбор наиболее интересных резюме и сократилось время на проведение собеседований. Например, из 241 заявки на открытую вакансию в компании, ИИ-инструмент помог выбрать 6, с которыми и было проведено интервью. В целом же, конверсия найма выросла на 84%, денежные расходы сократились на 20%, а временные затраты — на 78%.

Похожие результаты от внедрения ИИ-рекрутера получила крупная сеть клиник в США (около 50 тысяч сотрудников). К слову, медицинский ИИ способен не только помогать с рекрутингом. У нас был подробный разбор возможностей нейросетей в медицине здесь.

В России есть кейс успешного внедрения ИИ-ассистента в компании Ашан.

Допустим, мы решили принять сотрудника на работу. Что дальше?

Корпоративные чат-боты помогают новичкам адаптироваться, отвечают на вопросы по внутренним регламентам, подсказывают контакты нужных коллег. С помощью нейросетей можно значительно упростить кадровому отделу работу с документами при найме. Особенно, если подключить к системе документооборота компании технологию RAG.

Bosch использует HR-ассистента как для найма сотрудников, так и для онбординга. Система ROB на основе GenAI отвечает на любые вопросы сотрудников, ориентируясь на внутренние документы компании.

В IBM такие онбординг-ассистенты на основе собственной системы Watson помогли сократить отток персонала в первый год после найма на 25%. А мы помним, что обучение нового сотрудника — это весьма затратный для компании процесс. Поэтому чем точнее мы подбираем сотрудника на позицию и чем лучше вводим его в курс дела, тем реже нам придется обучать ему замену.

Как бы мы в Siberian.pro ни восхищались технологиями искусственного интеллекта и как бы мы ни ратовали за внедрение ИИ в медицину, промышленность или, скажем, страхование, решения относительно найма следует оставить за людьми. И вот почему.

Сила ИИ — в скорости и последовательности, но в этом же заключен и риск. ИИ быстро и весьма последовательно рассмотрит тысячи резюме, выделит из них наиболее соответствующие открытой позиции и даже проведет первичное интервью. Но самостоятельно нанимать ему пока рано — слишком велик риск выплеснуть с водой ребенка. ИИ — это в первую очередь рекомендательная система!

Я выделю четыре ключевых опасности, которые следует адресовать при разработке и внедрении искусственного интеллекта для подбора персонала.

1. Предвзятость данных. AI/ML-модели обучаются на исторических данных, а LLM — на ответах успешно нанятых ранее кандидатов. Вроде бы звучит логично, но на деле в первом случае имеем устаревшие модели поведения, а во втором — склонность нанимать тех, кого нанимали в прошлом. И то, и другое не обязательно хорошо для организации сейчас, когда цели и задачи уже другие. Кроме того, ИИ легко переймет предвзятость человека, на чьих решениях он обучен, и может начать пессимизировать кандидатов-женщин или кандидатов старше 40 лет, например.
2. Нехватка контекста. Оценить резюме мало. Нужно понять, как этот человек впишется в компанию. Этих данных в контексте LLM просто нет. ИИ поможет составить профиль кандидата и оценить его навыки, но не более.
3. Персональные данные. Аналитика персональных данных с помощью больших языковых моделей — это прямое нарушение федерального закона №152-ФЗ. Обезличить можно, но это дополнительные затраты и потенциальное снижение эффективности ИИ в подборе сотрудников.
4. Ощущение «бездушности» компании. Активное внедрение ИИ в процессы найма может создать (или усилить) восприятие организации как бесчеловечной корпорации, где люди — лишь винтики. Очевидно, участие людей в процессе найма сотрудников и обязательный этап живого общения с кандидатом помогают нивелировать эту опасность.

В целом, все эти проблемы решаются, если компания хорошо понимает, что ИИ — это мощный HR-инструмент, но не само решение. Так или иначе, все выводы искусственного интеллекта следует считать лишь рекомендациями, оставляя окончательное решение за человеком.

Аналитика и опросы компаний, проведенные Deloitte, показывают, что использование ИИ в подборе персонала существенно сокращает стоимость закрытия вакансии и ускоряет процесс подбора в два раза. Это у них. В России тема автоматизации HR с помощью нейросетей пока только набирает обороты, и это отличный момент, чтобы внедрить ИИ-решение у себя и опередить конкурентов. Тем более, что простой ИИ-инструмент на базе нейросетей для подбора персонала, как в нашем кейсе, стоит совсем недорого, а результаты начнет показывать практически сразу.