Человеку нужен человек. Как мы автоматизировали рутину в подборе без потери человечности

В подборе у нас не бывает скучно: сегодня ищем frontend-разработчиков и тестировщиков, завтра – финансовых менеджеров и специалистов техподдержки, а через неделю в приоритете sales, маркетинг или продакшн. Меняются не только профили специалистов, но и нагрузка – относительно тихий период может быстро превратиться в десяток новых вакансий на одного рекрутера.

Очевидное решение – на каждый «пик» активного найма брать в команду ещё одного рекрутера, но проблема в том, что пик закончится, и задач у рекрутера не останется. Поэтому перед нами всегда стоял другой важный вопрос: как справляться с плавающей нагрузкой, не превращая команду подбора в гармошку, которую каждый квартал нужно то растягивать, то складывать обратно?

Мы сделали много подходов: автоматизировали отчётность, структурировали процессы, развивали HR brand и входящий поток кандидатов, но в итоге огромное количество времени всё ещё съедали мелкие ручные действия: разобрать отклики, написать кандидатам, назначить или перенести интервью, зафиксировать результаты, вернуться с обратной связью. 

Сами по себе эти задачи занимают 5-10 минут, но когда таких задач в течение дня несколько – они забирают приличную часть рабочего времени. 

Здесь мы и решили посмотреть, что из этой рутины можно отдать AI, при этом не потеряв качество взаимодействия с кандидатами. 

Начали мы с просмотра сервисов. На рынке уже есть AI-инструменты практически для всего: поиск кандидатов, разбор резюме, первичные интервью, коммуникация, транскрибация встреч, оценка профиля – каждый обещает примерно одно: ускорить подбор, сэкономить время и сделать жизнь рекрутера легче.

Мы отсмотрели 14 сервисов, 8 взяли на демо и скоро знали про рынок почти всё, но была одна проблема – мы всё ещё не понимали, что именно нужно нам.

Мы поняли, что начали не с того. Вместо вопроса «Какой AI нам внедрить?» нужно было спрашивать: «Что конкретно в нашем процессе мы не хотим делать руками?»

Мы заглянули в каждый этап процесса подбора и нашли, куда уходит львиная доля времени команды. Самым объёмным блоком оказались интервью и оценка кандидатов, но как раз эти вещи мы автоматизировать не хотели.

Зато вне интервью нашлось много задач, где присутствие человека не критично: AI может помочь выстроить стратегию поиска, разобрать большой поток откликов, выделить наиболее подходящие профили, провести первичную коммуникацию, собрать базовую информацию, договориться о времени встречи, а после интервью сделать транскрипцию и помочь структурировать заметки.

То есть в итоге мы пришли к довольно простому принципу: не автоматизировать подбор целиком, а автоматизировать рутину внутри подбора.

Дальше выбирать инструменты стало куда проще. Мы перестали смотреть на количество AI-функций и начали задавать каждому инструменту несколько довольно понятных вопросов: закрывает ли он реальную боль, сокращает ли ручную работу без добавления новых шагов, интегрируется ли с существующими сервисами, имеет ли гибкую систему оплаты – из-за нелинейного найма годовая подписка на большой объём нам не подходит.

Мы остановились на AI-рекрутере Qooqa – отдали ему разбор откликов, первичную коммуникацию в чате HH.ru и координацию встреч с интеграцией в календарь.

Урок о том, что покупка инструмента ещё не значит его успешное внедрение, мы усвоили довольно быстро, когда реакция рекрутеров была примерно такой:

• «Я быстрее сама найду».

• «Пока объясню ИИ профиль, уже посмотрю десять резюме».

• «За ИИ всё равно надо перепроверять».

И поначалу эти комментарии были правдивы – любой новый инструмент требует времени на знакомство и настройку. Для человека с десятком вакансий в работе предложение «поучиться неделю новому инструменту» не звучит как спасение.

В то же время коллеги, которые отвечают за работу с сотрудниками и HR-брендом, переживали о другом – не станет ли подбор обезличенным, не ударит ли это по репутации работодателя, а один вопрос звучал примерно так: «Уважающий себя frontend вообще будет разговаривать с AI-рекрутером?»

Мы не стали убеждать команду, что AI прекрасен просто потому, что это AI. Мы тестировали его на конкретных задачах и смотрели, где он действительно экономит время. Когда это становилось видно – сопротивление уходило само, а вопрос про frontend решили единственным правильным способом: спросили кандидатов.

За период с октября 2025 по август 2026 через AI-рекрутера прошли 26 218 кандидатов. Результаты оказались лучше, чем мы ожидали:

• 84% кандидатов ответили AI-рекрутеру;

• 57% прошли полный AI-скрининг в чате;

• 6% отказались от общения с AI.

Но общая цифра скрывает самое интересное: реакция кандидатов сильно зависела от роли:

• IT-специалисты чаще воспринимали общение с AI как вполне логичный фактор для технологичной компании;

• для кандидатов в техподдержке такая первичная коммуникация вообще не выглядела чем-то необычным;

• в финансах и документообороте многие не придавали большого значения тому, кто задаёт первые вопросы, главное, чтобы диалог был понятный и сразу помогал свериться по взаимным ожиданиям без траты времени;

• а вот с sales-профилями получилось сложнее: здесь автоматизированный сценарий задавал много вопросов про процессы и опыт, тогда как сильные sales-кандидаты привыкли разговаривать прежде всего про результат, задачи, деньги и возможности – коммуникация начинала раздражать кандидатов.

Для нас это был важный сигнал. Кандидаты – не единая аудитория: то, что прекрасно работает с одной группой, может абсолютно не подойти другой.

И иногда правильный вывод после пилота не «давайте донастроим AI», а «здесь нужен человек».

После внедрения AI часть рутинных операций стала занимать заметно меньше времени. Особенно это чувствуется в поиске, обработке входящего потока и первичной коммуникации.

Итоговые результаты

• ТТО (time to offer) 26 → 24 рабочих дня

• Конверсия кандидата в найм +17.6%

• Трудоёмкость подбора −21%

AI не заменил рекрутера и сработал не на 100% вакансий. Он встроился в систему и помог улучшить результат именно там, где задача формализована и повторяется. Рекрутер остался там, где нужно принимать неоднозначные решения, чувствовать контекст и выстраивать отношения.

За время экспериментов у нас сложился достаточно простой порядок действий.

1. Найти реальную боль в процессе – не просто «хочтим AI», а «вот это конкретное действие нужно перестать делать руками».

2. Рассчитать трудоёмкость – сколько времени эта задача забирает в неделю.

3. Определить границу автоматизации – что можно формализовать, а где нужна человеческая экспертиза.

4. Проверить инструмент на процессе – встроить в рабочий поток.

5. Посмотреть, что происходит на другом конце: с кандидатами или коллегами.

6. Измерить результат – до и после, в цифрах, а не в ощущениях.

Внедрить AI сегодня относительно несложно. Гораздо сложнее понять, где он действительно делает работу лучше.