Garbage in — garbage out: рекрутер написал «коммуникабельность», ИИ отобрал 47 кандидатов, подошёл 0
TL;DR: Рекрутеры десятилетиями компенсировали размытые требования «интуицией». ИИ не умеет догадываться — он оптимизирует поиск под то, что вы написали. Если результат не устраивает — проблема не в алгоритме. Проблема в техзадании, которое вы ему дали.
«Мне нужен коммуникабельный стрессоустойчивый командный игрок»
Реальная ситуация. HR-менеджер крупной компании подключает ИИ-рекрутера. Загружает вакансию «менеджер по продажам»: опыт от 3 лет, коммуникабельность, стрессоустойчивость, нацеленность на результат. ИИ обрабатывает 2 000 резюме за 15 минут и отбирает 47 кандидатов — каждый формально подходит под каждый пункт.
Рекрутер открывает список — и не приглашает ни одного. «Это всё не те люди. Ваш ИИ не работает», — пишет в поддержку.
Мы проверили. ИИ работал безупречно. Он нашёл ровно то, что попросили: людей с опытом 3+ года, которые в резюме указали коммуникативные навыки и работу в стрессовых условиях. Проблема в том, что рекрутер искал совсем другое — менеджера по работе с корпоративными клиентами с чеком от миллиона, опытом сложных переговоров и знанием строительной отрасли. Но об этом в вакансии не было ни слова.
Почему раньше это «работало»
Человек-рекрутер никогда не работал по ТЗ буквально. Он получал расплывчатые требования и фильтровал по собственным паттернам: название компании в резюме, вуз, возраст, даже фото. Называл это «интуицией» и «опытом».
На деле это были когнитивные искажения, замаскированные под профессионализм. Но система кое-как работала — потому что никто не измерял качество отбора. Нанимающий менеджер получал 3-5 кандидатов, выбирал «лучшего из предложенных» — и все оставались довольны. Не потому что нашли идеального, а потому что не знали, скольких идеальных пропустили.
По данным Harvard Business Review, до 80 % текучести персонала объясняется ошибками при найме . При этом большинство компаний даже не отслеживают, как качество описания вакансии влияет на результат подбора.
ИИ не догадывается. ИИ оптимизирует
Когда вы пишете «коммуникабельность» — ИИ ищет признаки коммуникативных навыков. Но вы-то имели в виду «умение продавать на встрече с CFO». Это совершенно разные компетенции.
Когда вы пишете «стрессоустойчивость» — ИИ ищет кандидатов, работавших в стрессовых условиях. Но вы имели в виду «выдерживает 50 звонков в день и не выгорает за три месяца». ИИ-рекрутер нашёл бы именно таких — если бы вы это написали.
Современные ИИ-системы достаточно умны, чтобы пытаться интерпретировать размытые формулировки. Они используют контекст отрасли, анализ рынка и паттерны успешных наймов, чтобы догадаться, что вы на самом деле хотите. Но «догадаться» и «знать» — разные вещи. Когда догадка не совпадает с вашей невысказанной моделью идеального кандидата — вы вините алгоритм.
Рекрутер десятилетиями прятал некомпетентность за словом «интуиция». ИИ это разоблачил — потому что впервые честно выполнил то, что написано в вакансии.
Тест: откройте вашу последнюю вакансию
Прямо сейчас. Не через неделю. Откройте описание вакансии, по которой вы ищете кандидатов, и честно ответьте:
- Есть ли там слова «коммуникабельность», «стрессоустойчивость» или «нацеленность на результат»?
- Можете ли вы по каждому требованию назвать конкретный способ его проверки на собеседовании?
- Если передать эту вакансию другому рекрутеру — он поймёт, кого искать, без дополнительных вопросов?
- Нанимающий менеджер подтвердит, что этот текст описывает именно того человека, который ему нужен?
Если хотя бы на один вопрос ответ «нет» — вы нашли причину, по которой ИИ «подбирает не тех».
5 типов требований, которые ломают любой алгоритм
1. Бессмысленные soft skills
«Коммуникабельность, стрессоустойчивость, нацеленность на результат, проактивность, лидерские качества».
Это не требования — это слова, у которых нет измеримого значения. Каждый второй кандидат указывает их в резюме. ИИ не может отфильтровать по критерию, который невозможно верифицировать. Итог: либо все подходят, либо никто.
2. Противоречивые требования
- Junior-разработчик с опытом 5+ лет
- Креативный мыслитель, строго следующий регламентам
- Самостоятельный лидер, который будет выполнять указания
- Удалённая работа с обязательным присутствием в офисе 3 дня в неделю
ИИ пытается найти пересечение множеств, которые не пересекаются. Результат — ноль подходящих или случайная выборка.
3. Список желаний вместо требований
«Python, Go, Rust, C++, Java, React, Vue, Angular, AWS, GCP, Azure, ML, DevOps, Kubernetes, Docker, Terraform, CI/CD, PostgreSQL, MongoDB, Redis».
Это не описание одного человека. Это описание команды из 5-7 инженеров. ИИ честно ищет единорога — и не находит. Или находит человека, который «работал» со всем на уровне tutorial, но не владеет ничем глубоко.
4. Копипаст без адаптации
Одинаковое описание для junior, middle и senior. Одинаковые требования для офиса в Москве и удалёнки из регионов. ИИ не различает контекст, которого вы не дали.
5. Скрытые требования
Самый коварный тип. Реальный критерий: «нужен человек из нашей отрасли, который поймёт специфику без обучения и сработается с директором — он сложный». В вакансии этого нет. Нанимающий менеджер держит это в голове и удивляется, почему ИИ «не понимает».
ИИ не владеет телепатией. Если критерий не записан — для алгоритма его не существует.
Математика потерь: сколько стоят размытые требования
Некомпетентная вакансия без ИИ тратит время одного рекрутера. Некомпетентная вакансия с ИИ масштабирует потери на всю воронку.
Вот что происходит, когда ИИ работает с плохим ТЗ:
- ИИ обрабатывает 2 000 резюме и отбирает 47 «подходящих» — 15 минут автоматизации
- Рекрутер просматривает все 47 вручную — 3-4 часа ручной работы
- Ни один не подходит, рекрутер меняет критерии — новый цикл
- После 2-3 итераций рекрутер начинает искать руками — ИИ выключен
- Вакансия висит 45+ дней вместо 14 — бизнес теряет деньги
По данным SHRM, средняя стоимость одного неправильного найма — 30 % годовой зарплаты сотрудника . Для позиции с окладом 150 000 ₽/мес это 540 000 ₽ прямых потерь . Добавьте стоимость повторного подбора, онбординга и упущенной выгоды — реальная цифра в 2-3 раза выше.
И всё это — не потому что ИИ плохой. А потому что он получил плохое техзадание.
Как писать требования, которые ИИ поймёт однозначно
Хорошее требование отвечает трём критериям: оно измеримо, проверяемо и непротиворечиво. Вот как переводить типовые «размытые» формулировки в работающие критерии:
| Размытое требование | Что вы имеете в виду | Как написать для ИИ |
|---|---|---|
| Коммуникабельность | Работа с клиентами | Ведение переговоров с B2B-клиентами, средний чек от 500 000 ₽ |
| Стрессоустойчивость | Высокая нагрузка | Обработка 50+ обращений в день, работа с конфликтами |
| Опыт от 3 лет | Отраслевой опыт | 3+ года в B2B-продажах SaaS, цикл сделки от 2 мес |
| Командный игрок | Кросс-функциональность | Опыт работы в связке продажи + маркетинг + продукт |
| Нацеленность на результат | Выполнение KPI | План продаж 5+ млн ₽/мес, конверсия лидов от 15 % |
Чек-лист: 7 вопросов к каждому требованию
- Можно ли это измерить? Если нет — переформулируйте.
- Можно ли это проверить в резюме или на собеседовании? Если только «интуитивно» — это не критерий.
- Это обязательно или желательно? Разделите must-have и nice-to-have.
- Есть ли противоречие с другими пунктами? Junior + 5 лет опыта = проблема.
- Существуют ли такие кандидаты на рынке? Проверьте по базам, прежде чем запускать ИИ.
- Этот критерий важен для работы или для «культуры»? Если для культуры — опишите конкретные ситуации.
- Нанимающий менеджер подтвердит список? Если нет — вы ищете не того.
Как работать с ИИ-рекрутером правильно
ИИ — усилитель. Он усиливает и хорошее, и плохое. Чёткие, измеримые, непротиворечивые критерии — ИИ найдёт идеальных кандидатов за минуты. Мусор — получите масштабированный мусор.
Три принципа:
1. Инвестируйте время в описание, а не в просмотр. 30 минут на качественное ТЗ сэкономят 30 часов ручного скрининга.
2. Используйте ИИ как зеркало. Если ИИ подбирает «не тех» — это сигнал, что ваши требования говорят не то, что вы думаете. Не меняйте алгоритм — меняйте ТЗ.
3. Уберите «интуицию» из процесса. Всё, что вы «и так понимаете» про идеального кандидата, но не записали — для ИИ не существует. Запишите.
Qooqa решает эту проблему на уровне архитектуры. При создании вакансии ИИ-ассистент задаёт серию уточняющих вопросов: «Что именно вы имеете в виду под коммуникабельностью?», «Какой опыт критичен, а какой желателен?», «Опишите типичный рабочий день сотрудника». Результат — структурированное ТЗ, по которому ИИ ищет реальных кандидатов, а не формальные совпадения . Qooqa проводит текстовые и голосовые интервью с кандидатами, проверяя соответствие не абстрактным soft skills, а конкретным рабочим сценариям.
Заключение
ИИ-рекрутинг не сломан. Сломан процесс описания вакансий — и он был сломан задолго до ИИ. Просто раньше это прикрывалось «интуицией» и ручным скринингом.
ИИ сделал невидимое видимым. Размытые требования, противоречивые критерии, скрытые ожидания — всё это существовало всегда. Разница в том, что человек-рекрутер молча компенсировал хаос своими предубеждениями, а ИИ честно показывает результат того, что вы написали.
Если вы готовы перестать обвинять алгоритмы и начать писать вакансии, которые работают — результат вас удивит. ИИ-рекрутер с хорошим ТЗ — это не «инструмент, который подбирает не тех». Это инструмент, который находит идеальных кандидатов за часы вместо недель.
Попробуйте Qooqa — и убедитесь, что ваш ИИ-рекрутер работает ровно настолько хорошо, насколько хороши ваши требования.