ИИ не «читает резюме вместо вас» — он сортирует очередь по заданным вами правилам. Когда на вакансию приходит несколько сотен откликов, задача не в том, чтобы найти идеального кандидата автоматически, а в том, чтобы быстро выделить тех, кого действительно стоит посмотреть вручную. Качество результата во многом зависит от того, насколько чётко описано, кого вы ищете: модель усиливает и хорошую инструкцию, и плохую. Команда «отбери подходящих» без расшифровки, что значит «подходящий», даёт мусор на выходе.
Ниже — рабочая методика: как сформулировать критерии, написать промпт, проверить логику отбора на контрольной выборке и встроить проверку резюме с помощью ИИ в реальный процесс. Без покупки платформы, на инструментах, которые доступны в России уже сегодня. Речь здесь только про настройку. Отдельно мы разбираем, нейросети для резюме: обзор инструментов.
Что такое скрининг и на каком этапе воронки он стоит
Скрининг резюме — первичный отбор откликов на самом верху воронки подбора (отклик → автоматический отбор → скрининговый звонок → интервью → оффер), и ИИ работает только на первом переходе: от общего массива откликов к шорт-листу тех, кого рекрутер вообще будет смотреть. Его задача — отсеять явно нерелевантных, а не оценить кандидата целиком: лучшего выбирают позже, на интервью, и решает это человек. Подробнее, как нейросеть разбирает резюме и где ошибается, разобрано в отдельном материале.
Шаг 1. Сформулировать критерии: обязательные, желательные, стоп-факторы
Самая частая ошибка — запустить отбор резюме без определения, что такое «подходящий». Модели нужно передать критерии явно, и удобнее всего разложить их на три группы. Подробнее про улучшение резюме с помощью ИИ.
Обязательные (must have) — их явное несоблюдение относит резюме к категории «не подходит»: опыт в годах, ключевой навык, допуск или сертификат, локация. Желательные (nice to have) учитываются при дальнейшем сравнении, но сами по себе не служат причиной отсева: знание отраслевого софта, опыт в конкретном сегменте рынка. Стоп-факторы также ведут к категории «не подходит» при однозначном подтверждении: несовместимый график, отсутствие обязательного документа, неготовность к разъездам там, где они обязательны.
На примере вакансии бухгалтера по расчёту зарплаты набор выглядит так. Обязательные: опыт расчёта зарплаты от трёх лет, знание 1С:ЗУП, участок от 300 сотрудников. Желательные: опыт в производственной компании, знание учёта по нескольким юрлицам. Стоп-факторы: только удалёнка при офисной вакансии, отсутствие практики закрытия месяца. Такой набор модель применяет предсказуемо — каждый пункт либо виден в резюме, либо нет. По той же логике для менеджера продаж обязательными будут опыт B2B-продаж и знание CRM, а для инженера — конкретное ПО и допуски.
Второе правило важнее деления на группы: критерий должен быть наблюдаемым. «Ответственный» и «мотивированный» — это не критерии, их в резюме не проверить. Сравните: плохо — «ответственный сотрудник», хорошо — «ведение одновременно трёх проектов с соблюдением сроков». «Опыт ведения не менее трёх проектов одновременно», «стаж в рознице от двух лет», «водительские права категории C» — это критерии, потому что их либо видно в тексте, либо нет. Если критерий нельзя подтвердить строкой из резюме, модель начнёт его додумывать и ошибётся.
| Критерий | Тип | Как проверяется в резюме |
|---|---|---|
| Опыт в профессии от 3 лет | Обязательный | Суммарный стаж по релевантным местам работы в блоке опыта |
| Ключевой навык (напр. 1С, SQL, госзакупки) | Обязательный | Прямое упоминание в навыках или описании обязанностей |
| Локация / готовность к офису | Обязательный | Город проживания, отметка о переезде или удалёнке |
| Знание отраслевого софта | Желательный | Перечень программ в навыках; учитывается при сравнении, но не служит причиной отсева |
| Опыт в профильном сегменте | Желательный | Названия компаний и сфера в блоке опыта |
| Несовместимый график | Стоп-фактор | Пожелания по занятости, конфликт с условиями вакансии |
| Нет обязательного допуска/документа | Стоп-фактор | Отсутствие сертификата, категории прав, допуска СРО |
Сформулировать критерии помогает анализ рынка труда с помощью ИИ: он показывает, какие требования по позиции реально закрывает рынок, а какие делают вакансию непривлекательной и сокращают поток релевантных откликов. Критерии, оторванные от рынка, дают либо пустой шорт-лист, либо отсев сильных. И общий принцип: даже самая сильная модель не компенсирует плохо сформулированные требования вакансии.
Шаг 2. Написать промпт для отбора
Рабочий промпт для скрининга резюме состоит из пяти обязательных частей:
- Роль и контекст. Кто модель и что оценивает.
- Критерии. Текст вакансии или список из шага 1.
- Резюме. Текст конкретного отклика.
- Формат ответа. Проверка каждого критерия, итоговая категория и короткое обоснование.
- Запрет на додумывание. Если данных в резюме нет, писать «не указано», а не предполагать.
Пятый пункт не опционален. Самое опасное поведение языковой модели при скрининге — «дорисовывать» соответствие: увидев «работал в продажах», она может засчитать управленческий опыт, которого в тексте нет. Явный запрет резко снижает такие ошибки. И ещё одно правило перед промптами: чем лучше описана вакансия и критерии, тем меньше в отборе роль случайной генерации модели. Один и тот же промпт нельзя использовать для всех вакансий — его обязательно адаптируют под конкретную роль, иначе на непрофильной позиции автоматический скрининг резюме выдаёт некачественный результат.
Промпт для точечного подбора (когда важна точность, а откликов немного):
Ты рекрутер, проверяешь резюме на соответствие вакансии. Вот критерии: (обязательные, желательные, стоп-факторы из шага 1). Вот резюме: (текст). По каждому обязательному и желательному критерию укажи «да / нет / данных недостаточно», отдельно проверь стоп-факторы. Итоговая категория: «ПОДХОДИТ / НЕ ПОДХОДИТ / НА ПРОВЕРКУ». «НЕ ПОДХОДИТ» выбирай только при явном несоответствии обязательному критерию или наличии стоп-фактора; при нехватке данных выбирай «НА ПРОВЕРКУ». Дай короткое обоснование со ссылкой на конкретные места резюме и ничего не домысливай.
Промпт для массового подбора (когда откликов сотни и нужен быстрый грубый фильтр):
Ты фильтруешь резюме на вакансию по жёстким критериям. Обязательные: (список). Стоп-факторы: (список). Резюме: (текст). Ответь строго в формате: РЕЛЕВАНТНО / НЕ РЕЛЕВАНТНО / НА ПРОВЕРКУ. «НЕ РЕЛЕВАНТНО» — только если явно нарушен обязательный критерий или сработал стоп-фактор. «НА ПРОВЕРКУ» — если данных не хватает. Во всех сомнительных случаях выбирай «НА ПРОВЕРКУ», а не «НЕ РЕЛЕВАНТНО». Одна строка ответа плюс краткая причина.
Разница между промптами — в глубине объяснения. Точечный подробно разбирает каждый критерий, поэтому удобен для небольшого потока. Массовый отвечает короче, но сохраняет то же правило безопасности: спорные резюме уходят не в отсев, а в ручную проверку.
Оба промпта — заготовки под доработку, а не готовая кнопка. Перед запуском их обязательно прогоняют на десятке резюме, где ответ известен заранее, и смотрят, совпадает ли оценка модели с ожидаемой. Если модель засчитывает то, чего в резюме нет, усиливают формулировку запрета из пятого пункта. Если режет по мелочи — смягчают формулировку. Настройка промпта — разовая работа на тип вакансии, дальше он переиспользуется.
Шаг 3. Проверить правила на контрольной выборке и не потерять сильных
Не используйте балл языковой модели как вероятность соответствия: шкала 0–100 не калибрована, а результат может меняться между запусками. Сначала соберите репрезентативную для вакансии контрольную выборку, разметьте её вручную и сравните вывод модели по каждому критерию с решением рекрутера.
Для рабочего процесса достаточно трёх итоговых категорий: «подходит», «не подходит» и «данных недостаточно». Автоматически исключать резюме можно только при однозначном нарушении заранее утверждённого обязательного критерия или явном стоп-факторе. Остальные случаи направляют на ручную проверку.
Отдельная зона риска — кандидаты, которые меняют сферу, имеют нестандартный карьерный трек или описывают опыт непривычными словами. Модель может хуже сопоставлять такие формулировки с критериями. Поэтому резюме с неполными, противоречивыми или нетипичными данными получают категорию «НА ПРОВЕРКУ» и просматриваются рекрутером. Так скрининг снимает объём, но не выносит окончательных решений там, где данных недостаточно.
Шаг 4. Встроить в процесс: где хранить, как передавать, что делать дальше
Методика без механики остаётся теорией. Возможный контур: получить отклики из кабинета работодателя или через разрешённую интеграцию hh.ru, подготовить данные, проверить каждое резюме по промпту из шага 2 и записать категорию с обоснованием в таблицу или ATS. Доступность выгрузки и API зависит от тарифа, прав учётной записи, подключённых возможностей и правил площадки; перед настройкой проверьте договор, документацию и допустимый способ использования данных. Если массовая выгрузка недоступна, используйте предусмотренный кабинетом или ATS сценарий без обхода ограничений.
Резюме содержит персональные данные кандидата — ФИО, контакты и сведения об опыте. До передачи данных сторонней модели определите правовое основание и цель обработки, проверьте договорные условия поставщика, место хранения и передачи данных, сроки удаления, доступ сотрудников и соответствие выбранной инфраструктуры требованиям компании и законодательства. Практичный безопасный вариант — сначала обезличить резюме: удалить ФИО, контакты, фото, адрес и другие сведения, не нужные для проверки профессиональных критериев. Если обезличивание невозможно, используйте только согласованную инфраструктуру и порядок обработки, одобренные ответственным за персональные данные или юристом. Не загружайте резюме в личные аккаунты и публичные модели без утверждённых условий. Статья 16 152-ФЗ также ограничивает решения, затрагивающие права человека, если они принимаются исключительно на основании автоматизированной обработки: окончательное решение и возможность пересмотра должны оставаться у человека. Критерии нужно дополнительно проверять на риск дискриминации.
По каждому кандидату фиксируются три поля: результат проверки по критериям, обоснование и статус («в шорт-лист / на проверку / не подходит»). Обоснование сохранять обязательно: по нему проверяют логику отбора и объясняют решение нанимающему менеджеру. Формулировка «не подтверждён обязательный опыт в рознице» полезнее, чем непрозрачный балл модели. Сохранённое обоснование превращает скрининг из чёрного ящика в проверяемый процесс.
Ещё одно поле, которое стоит завести — версия критериев. Требования по вакансии уточняются по ходу: после первых звонков становится ясно, что один из «желательных» на деле обязателен. Если фиксировать, по какому набору критериев прогнан каждый кандидат, отбор остаётся сопоставимым, а не превращается в кашу из решений по разным правилам.
Инструменты выбирают из корпоративно одобренных решений: доступных компании функций hh.ru или ATS, согласованной языковой модели и защищённого хранилища. Возможность использовать API и выгружать отклики нужно подтвердить по действующему тарифу, правам доступа, документации и правилам площадки. Отдельная HR-Tech-платформа может не потребоваться, если нужные функции уже законно и технически доступны компании.
Шаг 5. Проверить качество скрининга: три метрики
Настройка скрининга резюме не заканчивается запуском — качество проверяют по трём метрикам:
- Доля отсеянных. Сама по себе высокая или низкая доля не доказывает качество настройки: она зависит от вакансии и источника откликов. Сравнивайте отсев с ручной контрольной выборкой и проверяйте, не попадают ли в него релевантные кандидаты.
- Конверсия из шорт-листа в интервью. Если после скринингового звонка рекрутер снимает большинство отобранных, значит, скрининг отбирает не тех: критерии не совпадают с реальными требованиями позиции.
- Ложноотрицательные. Раз в несколько вакансий выборочно пересматривайте отсеянных: не потеряли ли сильных из-за нестандартной формулировки. Эта метрика ловит самую дорогую ошибку — упущенного хорошего кандидата, которого иначе никто бы не заметил.
Цель настройки — не максимальный отсев. Если система сокращает количество резюме, но качество финальных кандидатов при этом падает, настройку пересматривают: важен качественный найм, а не красивый процент отсева. Все три метрики считаются на реальных вакансиях, а не на тесте. Если метрика изменилась, сначала проверяют критерии, данные и настройки процесса, а затем при необходимости пересматривают используемую модель.
Замерять метрики стоит с первой же вакансии, на которой запущен ИИ-скрининг, и держать простую таблицу: вакансия, доля отсева, конверсия в интервью, число найденных ложноотрицательных. Через три-четыре вакансии видна закономерность: на каких позициях настройка стабильна, а где критерии приходится переписывать почти каждый раз. Обычно нестабильны вакансии с размытыми требованиями и редкие узкие роли, где сама выборка мала и статистика не набирается. Для таких вакансий скрининг сужают до одного-двух жёстких стоп-факторов и полагаются на ручной просмотр — статистику для калибровки по 20–30 резюме там просто негде взять.
Чего скрининг делать не должен
У ИИ-скрининга есть жёсткая граница ответственности. Он не принимает решение о найме, не оценивает личные качества, не делает выводов о человеке за пределами соответствия критериям. Всё, что связано с интерпретацией личности — мотивация, совместимость с командой, потенциал роста, остаётся человеку и проверяется в разговоре, а не вычисляется из текста резюме.
Держать эту границу важно и по практической причине: как только скринингу поручают «оценить кандидата», он начинает выдавать уверенные суждения там, где данных нет, и процесс теряет доверие. Скрининг отвечает ровно на один вопрос — соответствует ли резюме заданным критериям. Всё остальное — зона рекрутера. Поэтому важно заранее разобраться, где именно нейросеть ошибается при оценке резюме и почему.
Отдельно можете ознакомиться с информацией о том, как написать резюме с помощью нейросети.
Что в итоге
Качество скрининга резюме определяется не моделью, а критериями. Одна и та же нейросеть на размытом «отбери получше» выдаёт мусор, а на трёх группах наблюдаемых критериев с внятным промптом — рабочий шорт-лист. Время, потраченное на формулировку требований и проверку правил на контрольной выборке, сокращает объём ручного просмотра на следующих вакансиях.
Настройка требует времени и выборки для калибровки, и на потоке вакансий это отдельная работа — при этом ИИ ускоряет отбор, но не заменяет рекрутера. В «Некст» скрининг входит в подбор: разбираем требования, формулируем критерии, отбираем отклики и отдаём шорт-лист с обоснованием по каждому кандидату. Как это устроено и что даёт бизнесу, можно узнать из аналитики вакансий в «Некст».
