«AI может подсветить риск, но не принять решение»: как меняется найм middle+ и senior

Искусственный интеллект уже умеет искать кандидатов, сравнивать резюме, структурировать опыт, готовить вопросы к интервью и обрабатывать результаты разговоров. Но чем выше уровень позиции, тем хуже работает простая логика совпадения по должностям, навыкам и ключевым словам.

Мы поговорили с Артуром Way о том, какие части найма уже можно автоматизировать, почему алгоритмы особенно часто ошибаются при оценке middle+ и senior и что происходит, когда AI начинают активно использовать не только работодатели, но и сами кандидаты.

Компании нередко объясняют долгий поиск тем, что на рынке мало подходящих людей. Но проблема может находиться внутри самого процесса.

По наблюдениям Артура, классический подбор часто оптимизирован под количество действий, а не под качество решения. Сначала появляется вакансия, в которую собирают множество пожеланий разных руководителей. Затем рекрутер ищет совпадения по словам, несколько человек проводят похожие интервью, после чего участники процесса долго сравнивают впечатления и откладывают финальный выбор.

Особенно сильно это бьет по сильным кандидатам. Подходящего специалиста могут найти уже в первую неделю. Но вместо решения компания продолжает смотреть рынок, проводит еще несколько интервью и возвращается к первому кандидату через месяц – когда тот уже принял другой оффер. 

«Сильных кандидатов чаще всего теряют не из-за их отсутствия, а из-за медленной коммуникации, постоянно меняющихся требований и лишних этапов».

AI способен ускорить часть этой цепочки. Но ускорение само по себе еще не делает решение качественным.

Лучше всего алгоритмы работают там, где задача достаточно формализована. Например, AI можно использовать для:

• исследования рынка;
• поиска и первоначального структурирования профилей;
• очистки базы и удаления дублей;
• сравнения резюме с требованиями;
• выделения компаний, должностей, индустрий и технологий;
• подготовки вопросов к интервью;
• расшифровки разговоров;
• сведения информации о кандидате в единую структуру.

По словам Артура, особенно хорошо AI помогает на первом этапе, когда из большого массива профилей нужно получить список, с которым уже способен нормально работать рекрутер.

Но между формулировками «AI помогает отобрать» и «AI решает, кого нанять» есть принципиальная разница.

«Мы не отклоняем человека только потому, что алгоритм поставил ему низкую оценку».

Алгоритм может увидеть в CV фразу «увеличил выручку на 40%». Но из одной строки нельзя понять, рос ли одновременно весь рынок, какой была команда, какие ресурсы получил специалист и что именно из результата принадлежит лично ему.

«AI может подсветить сигнал или риск. Но решение о том, способен ли человек решить задачу бизнеса, должен принимать человек».

Одна из самых простых ошибок – слишком буквально воспринимать название должности. Человек может называться Project Director, но фактически быть продакт менеджером, отвечать за маркетинг, юнит-экономику и развитие команды. Если система ищет Head of Growth, формального совпадения не будет. Реальная функция кандидата при этом может подходить почти идеально.

Кроме этого, алгоритмы могут:

• переоценивать количество ключевых слов;
• не понимать масштаб компании и задачи;
• приписывать специалисту общий результат команды;
• хуже интерпретировать нелинейную карьеру;
• недооценивать опыт из соседней индустрии;
• путать использование инструмента с ответственностью за всю функцию.

Последний пункт особенно показателен.

Одно дело – написать в резюме, что человек работал с конкретной системой аналитики. Совсем другое – отвечать за аналитическое направление, выбирать методологию, принимать решения по данным и нести ответственность за результат. В CV оба кандидата могут использовать одно и то же ключевое слово.

«Совпадение формулировок еще не означает совпадение опыта».

Артур приводит обезличенный пример поиска руководителя на growth-позицию.

Один из кандидатов получил невысокий автоматический рейтинг. Причина была довольно простой: в названии его предыдущей должности отсутствовали слова Growth и Marketing. Но при ручном разборе оказалось, что человек фактически отвечал за привлечение пользователей, ретеншн, юнит-экономику и развитие команды.

То есть название должности не совпадало с вакансией, а реальная работа – совпадала. После содержательного разговора кандидат оказался одним из сильнейших в выборке.

«Автоматическая оценка является подсказкой, а не приговором».

Этот пример хорошо показывает ограничение CV-скоринга вообще. Чем нестандартнее карьерный путь человека, тем больше информации теряется при попытке свести его опыт к формальным совпадениям.

Обратная ситуация встречается не реже. В резюме есть нужная индустрия, подходящая должность, известные инструменты и впечатляющие показатели роста.

На бумаге профиль выглядит почти идеально.

Но на интервью начинаются уточняющие вопросы:

• какая была исходная точка;
• какой бюджет был у проекта;
• что именно сделал кандидат;
• почему было принято конкретное решение;
• каким способом измеряли результат;
• что не получилось.

И первоначальная картина может быстро рассыпаться. Один из сигналов – невозможность отделить собственный вклад от результата команды.

«Особенно показателен постоянный переход на “мы”: мы запустили, мы увеличили, мы построили. А что сделал лично кандидат, выяснить невозможно».

Сильный специалист, по наблюдениям Артура, обычно способен говорить не только об успехах. Он может объяснить ошибки, ограничения и решения, которые не дали ожидаемого результата. Именно такой контекст алгоритму извлечь намного сложнее.

На junior-позиции значительную часть требований действительно можно формализовать. Кандидат знает конкретный язык программирования или нет. Пользовался инструментом или нет. Способен решить базовую задачу или нет.

На senior-уровне сам навык перестает быть главным критерием. Важнее становится способность понять, когда этот навык вообще нужно применять.

Появляются:

• ответственность за решение;
• работа с неопределенностью;
• влияние на других специалистов;
• понимание бизнеса;
• способность выбирать при недостатке информации;
• управление приоритетами.

Для руководителей дополнительно важны команда, бюджеты и конфликты. Большая часть этого просто не помещается в стандартное CV.

«Одинаковые ключевые слова у двух senior-кандидатов могут скрывать совершенно разный уровень».

Поэтому чем сильнее результат человека зависел не от владения одним инструментом, а от решений, которые он принимал, тем менее надежным становится автоматический отбор.

«Представим двух интернет-маркетологов. Оба пишут в CV, что управляли рекламой и отвечали за performance-маркетинг. Первый работал с известным брендом, готовой командой и стабильным бюджетом. Второй запускал направление практически с нуля в малоизвестной компании, причем на регулируемом рынке. В строке «performance marketing» разницы почти нет.” 

В реальном опыте она огромна.

При оценке senior важно смотреть не только на то, что человек делал, но и:

• в каких условиях;
• какими ресурсами располагал;
• какие ограничения существовали;
• какую часть результата создал сам;
• сможет ли повторить результат в другой среде.

Алгоритму намного проще увидеть совпадение навыка, чем понять качество контекста.

Еще одна проблема автоматического найма – разница между знанием профессиональной терминологии и реальным опытом. Кандидат может уверенно использовать нужные слова. Для человека вне профессии ответ будет звучать убедительно. Практик – сразу понимает, какой следующий вопрос нужно задать.

Например, маркетолог может не ограничиться фразой кандидата о снижении CAC, а уточнить исходное значение, способ атрибуции, качество привлеченных пользователей, LTV и изменение бюджета.

Product-специалист спросит, почему была выбрана конкретная метрика, от каких гипотез пришлось отказаться и какой компромисс потребовалось принять.

«Профильный эксперт понимает, какие уточнения отделяют знание терминов от реального опыта».

Именно поэтому хорошая проверка middle+/senior все меньше похожа на проверку списка технологий и все больше – на разбор решений.

Компании часто пытаются снизить риск плохого найма увеличением количества этапов. Но само число интервью ничего не гарантирует. Если каждый новый собеседник проверяет отдельную гипотезу – дополнительный этап действительно может быть оправдан.

Если пять разных людей задают кандидату почти одни и те же вопросы, процесс просто становится длиннее.

«Когда разные люди задают кандидату примерно одно и то же, это не тщательный отбор, а отсутствие процесса принятия решения».

Артур считает, что для многих позиций достаточно знакомства, содержательного интервью с руководителем, проверки компетенций и принятия решения.

Дополнительный круг имеет смысл только тогда, когда компания способна ответить на вопрос: что конкретно мы на нем хотим узнать?

В противном случае усложнение процесса может дать обратный эффект – сильный кандидат просто уйдет туда, где решение принимают быстрее.

На senior- и руководящих позициях особенно дорого может стоить найм неподходящего человека. Руководитель влияет не только на собственные задачи. От него зависят команда, бюджеты, стратегия и последующие наймы. Ошибка может обнаружиться лишь спустя несколько месяцев, а исправление займет еще столько же.

Но слишком долгий поиск способен привести к похожим потерям: позиция остается пустой, задачи распределяются между другими сотрудниками, а сильные кандидаты уходят к конкурентам.

При этом системная ошибка часто происходит еще раньше – компания начинает поиск, не договорившись о задаче будущего сотрудника, критериях результата и его полномочиях. 

AI здесь ничего не исправит. Если исходная задача сформулирована плохо, алгоритм просто быстрее обработает неправильные критерии.

Вторая сторона изменений – кандидаты тоже получили доступ к тем же инструментам. 

AI помогает:

• переписывать резюме;
• адаптировать опыт под конкретную вакансию;
• улучшать формулировки;
• добавлять метрики;
• готовить сопроводительные письма;
• репетировать интервью.

«Резюме действительно стали выглядеть лучше. Но это не означает, что уровень кандидатов вырос пропорционально качеству текста».  

Слабый кандидат может успешнее пройти первый автоматический фильтр просто потому, что его CV стало лучше оптимизировано под требования вакансии. Поэтому на интервью важнее становится проверка причинно-следственных связей.

Что было до изменений? Что сделал лично кандидат? Почему он выбрал это решение? Что произошло после?

«Чем красивее кейс, тем больше конкретных вопросов он должен выдержать».

Первичный фильтр – да, можно. Если человек использует стандартные названия должностей, добавляет формулировки из вакансии и явно указывает технологии, вероятность пройти ATS или автоматический скоринг может увеличиться.

Это не означает, что резюме нужно превращать в набор SEO-ключей.

Есть разница между сделать опыт понятным алгоритму и придумать опыт ради алгоритма.

Во втором случае оптимизация поможет максимум дойти до интервью. На содержательном разговоре отсутствие реального опыта довольно быстро станет заметным.

Артур советует сначала проверить не сам опыт, а его упаковку.

В верхней части резюме должно быть понятно:

• кто вы;
• какие задачи умеете решать;
• в каких индустриях работали;
• каких результатов достигали.

Кейсы полезно описывать по схеме: контекст → задача → личные действия → измеримый результат.

Если профессия позволяет, стоит прикладывать портфолио, артефакты или обезличенные примеры работы. И еще один важный момент – не обязательно ограничиваться кнопкой «Откликнуться». Прямой контакт с руководителем, профессиональные сообщества и рекомендации иногда позволяют перейти сразу к содержательному разговору, минуя автоматический фильтр.

Автоматизация действительно сократит часть привычной рутины. В первую очередь речь идет о ручном поиске по очевидным параметрам, первичном разборе CV и административной координации.

Но это не обязательно означает исчезновение самой профессии. По мнению Артура, сильный рекрутер будет меньше заниматься передачей резюме между участниками процесса и больше работать с: диагностикой потребности бизнеса, оценкой рынка, интервью, мотивацией кандидатов, ожиданиями обеих сторон, сложными решениями при найме.

«Посредственный рекрутер, который только пересылает CV, станет не нужен. Сильный рекрутер станет ближе к консультанту бизнеса».

Получается любопытный парадокс: чем больше механической работы забирает AI, тем больше значение той части профессии, которая плохо формализуется.

В максимально автоматизированной модели роли могут распределиться довольно естественно. 

• AI – собирает рынок, структурирует данные, находит потенциальные совпадения и показывает, что нужно дополнительно проверить.
• Рекрутер – уточняет задачу, ведет коммуникацию, проверяет мотивацию и организует процесс.
• Профильный эксперт – оценивает профессиональную глубину и реальные кейсы.
• Нанимающий руководитель – принимает финальное решение.

Смысл такой модели не в том, чтобы заставить один алгоритм заменить весь процесс, а в том, чтобы каждой стороне оставить ту часть работы, в которой она сильнее.

Наверное, самый привлекательный сценарий выглядит так: убрать человеческие симпатии, эмоции и субъективность, передать оценку кандидатов алгоритму и получить абсолютно рациональный выбор.

Проблема в том, что алгоритм тоже работает с критериями, которые кто-то сформулировал. Если компания неправильно описала роль, выбрала неверные показатели или обучает систему на исторических данных с перекосами, автоматизация не устранит ошибку.

Она может ее масштабировать.

«Последовательная ошибка все равно остается ошибкой».

AI действительно способен сделать найм быстрее и последовательнее. Но скорость обработки данных и качество профессионального решения – не одно и то же.

«Алгоритм ускоряет профессиональное суждение, но не создает его».

И, вероятно, именно здесь проходит главная граница нынешнего AI в найме. Чем формальнее задача, тем больше можно автоматизировать. Чем сильнее результат зависит от контекста, ответственности, зрелости, мотивации и способности принимать решения в неопределенности, тем важнее остается человек.