ИИ в HR: что автоматизировать в найме и адаптации, а что оставить человеку

ИИ в HR, или AI в HR, означает работу языковых моделей и алгоритмов в задачах с персоналом. Они пишут черновики вакансий и писем кандидатам, разбирают отклики по заданным критериям, сопровождают новичка в первые недели и сводят в короткий текст оценки сотрудников. Решение о найме, отказе или увольнении остаётся за человеком. Закон ставит здесь границу: статья 16 закона 152-ФЗ запрещает принимать решения с юридическими последствиями для человека на основании исключительно автоматизированной обработки его данных без его письменного согласия, кроме случаев, предусмотренных федеральными законами.

ИИ хорошо делает ту часть работы с людьми, где суждение не нужно. Написать текст по образцу, рассортировать отклики по правилу и ответить на повторяющийся вопрос он умеет. Где нужно понять человека, он готовит черновик. Выбор делает руководитель.

На разборах я начинаю с вопроса, где в найме сейчас теряется время собственника, и только потом мы выбираем инструмент. Ниже по порядку про тексты и отклики, резюме, адаптацию новичков, закон о данных кандидатов и первые шаги без отдельного бюджета.

Обновлено: 17 октября 2026

Где ИИ в HR уже работает

Самое простое применение касается текстов, которые HR пишет каждый день по одному образцу, от вакансии и приглашения на встречу до вежливого отказа и памятки для новичка. Языковые модели вроде ChatGPT, YandexGPT или GigaChat делают такие черновики за минуты, и на старте больше ничего не нужно, ни интеграций, ни отдельного айтишника.

Слабое место этих черновиков видно с первого абзаца. Модель пишет по образцу. Если не дать ей фактов о компании, получится текст про «динамичную команду» и «конкурентный пакет», который подходит любой фирме в городе и никого не цепляет. Помогает одна проверка: прочитав черновик, найдите в нём хоть один твёрдый факт о вашей компании, которого кандидат не встретит у соседа. Сколько лет вы на рынке, насколько выросли, кому человек будет подчиняться и что именно будет делать в первый месяц, модель не знает, это даёте ей вы.

Второй приём ещё проще. Вставьте в модель свою текущую вакансию и попросите раскритиковать её так, как это сделал бы директор по найму. Потом попросите переписать текст с учётом критики. Результат перечитайте сами. Модель уверенно дописывает то, чего у вас нет, вроде офиса там, где работа удалённая. Из одного описания можно сделать два-три варианта и разместить их как отдельные вакансии.

Какой вариант лучше, решают кандидаты. На площадке видно, сколько человек открыло вакансию и сколько из них откликнулось, и это соотношение говорит о тексте честнее любого мнения. Если вакансию смотрят и не откликаются, переписывать её имеет смысл, и ИИ экономит здесь время. Если её почти не открывают, дело в названии, зарплате или площадке, и новый текст ничего не изменит.

Второе место, где ИИ уже полезен, касается первых ответов кандидату. Отклик, на который никто не ответил за день, остывает, потому что человек за это время откликнулся и в другие места. Автоответ на площадке или бот в мессенджере сразу присылает приветствие, коротко рассказывает о компании и задаёт несколько вопросов, которые отсекают явно неподходящих. В трекинге этот приём доводят до конца. Бот даёт короткий тест, и лучших по его итогам зовут на встречу первыми. Остальные остаются в базе как резерв, к нему можно вернуться рассылкой, когда откроется новая позиция.

Третье место, адаптация новичка, требует подготовки, о ней отдельный раздел ниже. Четвёртое, анализ видеоинтервью по мимике и голосу, лучше держать на втором плане. Точность таких оценок спорная, а в России к ней добавляется вопрос согласия кандидата на обработку записи. Как дополнительный сигнал её можно посмотреть. Отсеивать по ней людей рано.

Скрининг резюме: что ИИ делает хорошо и где режет по живому

Механика скрининга почти везде одна. Система вытаскивает из резюме опыт, должности и навыки, сравнивает их с профилем вакансии и ставит каждому кандидату балл. Языковая модель делает то же самое, если загрузить в неё резюме и критерии. Интерфейса нет, зато появляется юридический риск, о нём ниже, в разделе про закон.

Всё решают критерии. Напишете «опыт от трёх лет», и алгоритм пропустит всех, у кого в резюме стоит такая цифра, включая тех, кто три года делал совсем другую работу. В трекинге критерии первого среза записывает тот, кто потом принимает решение о найме. По сути, это ответ на вопрос, кого бы вы сами пропустили на следующий этап и кого отсеяли бы сразу. Пока эти критерии живут в голове у собственника, их не применит ни рекрутер, ни алгоритм.

Вторая проблема тише. Алгоритм, который учится на прошлых решениях компании, повторяет её прошлые привычки. В 2018 году стало известно, что Amazon отказался от экспериментального алгоритма отбора резюме: тот занижал оценки резюме женщин. Модель училась на резюме прошлых лет, где среди кандидатов в технические роли преобладали мужчины, и решила, что так и надо. В небольшой компании выборка меньше. Механизм тот же. Если вы годами брали людей одного типа, система будет искать вам ещё таких же.

На одном разборе собственница сервисной компании искала маркетолога, и откликов было столько, что она физически не успевала со всеми встречаться. С каждым кандидатом она сама говорила около четверти часа, рассказывала о компании, слушала его и только потом выдавала тестовое. Я спросил, кто у неё занимается наймом. Встречи назначала ассистентка, но понять, какой маркетолог нужен, она не могла, и весь отсев сходился на собственнице. Мы разложили воронку по-другому. Короткий рассказ о компании шаблонный, его может вести ассистент. Тестовое получают все, кто дошёл до этого шага, а собственница смотрит готовые работы и сама решает, кого звать на встречу. Само тестовое я предложил ужать до часа работы. В нём короткий тест на базовые понятия и кейс из её собственной компании: что кандидат придёт и будет делать в этой ситуации.

Чем закончился найм, на той встрече ещё не было видно. Видно было другое: отсев упирался в одного человека, и шаблонную часть, от первого сообщения до рассказа о компании, мог взять кто угодно, в том числе бот. Смотреть тестовые всё равно пришлось бы тому, кто понимает работу маркетолога.

Отсюда практическое правило. ИИ хорошо убирает явно неподходящих, тех, у кого другая профессия или нет базового опыта. Выбирать среди оставшихся должен человек, который понимает, какую работу будет делать новичок.

Адаптация новичка: где ИИ работает почти без надзора

Адаптация в небольшой компании часто устроена устно. Новичку выдают доступы, объясняют на словах, как здесь принято, и отправляют работать. Через месяц выясняется, что половину он понял по-своему, а несколько процессов ведёт так, как привык на прошлом месте. Бот или ассистент на базе ИИ закрывает здесь понятную задачу. Каждый новичок получает одни и те же сведения в одном порядке, как бы ни был загружен руководитель на этой неделе.

Что можно отдать машине уже сейчас:

• ответы на повторяющиеся вопросы новичка про график, доступы, отпуск и внутренние правила, если эти ответы где-то записаны;
• напоминания о шагах адаптации на первые недели;
• короткие опросы через неделю и через месяц, по которым руководитель видит, кто из новичков начал теряться, ещё до того, как человек тихо ушёл.

Условие здесь одно. Бот отвечает только тем, что вы в него положили. Поэтому сначала описывают процесс адаптации, то есть что новичок должен узнать и сделать в первые недели, кто его наставник и по какому признаку вы поймёте, что он справился. Автоматизировать хаос нельзя, получится тот же хаос, только быстрее.

На производстве и в продажах полезно помнить ещё одно правило из практики трекинга. Новичок учится быстрее всего на живой работе под присмотром, видео и регламенты к ней только прикладываются. ИИ хорошо собирает такие регламенты и тесты по ним из ваших же материалов. Наставнику остаётся то, чего машина не сделает: смотреть, как человек работает, и поправлять его.

Оценка сотрудников и предиктивная аналитика: что доступно небольшой компании

Крупные HR-платформы с модулями прогноза увольнений и оценки потенциала строятся под корпорации с тысячами сотрудников и годами накопленных данных. Для компании с выручкой в десятки или сотни миллионов это избыточно, и полезная часть здесь скромнее.

Первое, что работает, это сводки. Когда на сотрудника собралось много отзывов от коллег, модель делает из них короткий разбор с сильными сторонами, зонами роста и замечаниями, которые повторяются у разных людей. Сами отзывы читать всё равно стоит, сводка подсказывает, с чего начать разговор.

Второе, прогноз увольнений, звучит заманчиво и дорого стоит в данных. Алгоритм ищет сигналы риска вроде падения оценок в опросах, роста больничных или долгого отсутствия роста в должности. Чтобы такие сигналы что-то значили, нужна регулярная история по каждому человеку за длительный срок. В небольшой компании эта история хранится в голове у руководителя или кадровика, и прогноз из неё не построить. Сначала появляются регулярные опросы и показатели в системе, потом аналитика.

Теперь про наблюдение за сотрудниками. Анализ переписки в рабочих чатах и активности в системах означает обработку персональных данных работников, и на этот случай в Трудовом кодексе есть прямая норма. Пункт 6 части 1 статьи 86 ТК РФ запрещает работодателю при решениях, затрагивающих интересы работника, основываться на его персональных данных, полученных исключительно в результате автоматизированной обработки или электронного получения. Сигнал от системы годится как повод поговорить с человеком. Решение о премии, переводе или увольнении принимают по тому, что выяснилось в разговоре и в работе.

ChatGPT в HR: где помогает и где создаёт видимость работы

Языковая модель экономит время HR и собственника в нескольких местах, если держать её на черновиках.

Вакансии и профили должностей. Дайте модели задачи роли, критерии успеха через три и шесть месяцев и твёрдые факты о компании, и попросите текст на этой основе. Результат редактируют, как есть его не публикуют.

Вопросы для интервью. Попросите набор поведенческих вопросов под конкретную роль с пояснением, что проверяет каждый, и выберите из него те немногие, что подходят именно вам.

Разбор отдельного резюме. Модель быстро показывает пробелы в датах, расхождения с требованиями вакансии и места, о которых стоит спросить на встрече. Решения по такому разбору не принимают, он готовит вопросы.

Письма кандидатам. Приглашения, переносы и отказы пишутся за минуту по одному шаблону, и кандидат больше не остаётся в тишине после собеседования.

Видимость работы начинается там, где модели отдают суждение. Оценка «культурного соответствия» по тексту резюме ничего не стоит. По тексту не видно, как человек ведёт себя под давлением, как принимает обратную связь и насколько честен на интервью.

У этой истории есть и обратная сторона: ИИ пользуются кандидаты. На разборе с собственником, которому нужен был руководитель маркетинга, я рассказал, с чем мы сами столкнулись на найме таких людей. Человек получает тестовое, отдаёт его ChatGPT и присылает аккуратный готовый ответ. На экспертном интервью задаёшь ему несколько вопросов из того же тестового, и он отвечает невпопад или прямо противоположное написанному. Смотришь на тестовое, слушаешь живые ответы и думаешь: «это точно один и тот же человек». Сразу мы таких кандидатов не распознавали, только на втором этапе. Потом стали спрашивать прямо, делал ли человек задание через модель, и одна из последних кандидаток, помявшись, призналась.

Вывод для найма простой. Тестовое теперь проверяется вторым шагом: на встрече кандидат объясняет своё решение вслух, и по ходу его рассуждения видно, его ли это работа. Задание лучше строить на ситуации из вашей компании, которой нет в открытом доступе, тогда готовый ответ модели подходит к нему хуже.

Последнее касается времени самого HR. Изучение нейросетей легко превращается в отдельный проект на неделю, пока основная работа стоит. В трекинге на это смотрят трезво: если текст вакансии уже работает и отклики идут, учиться промптам в рабочее время незачем. Инструмент подключают туда, где сейчас теряется время, и только туда.

Риски ИИ в HR: что говорит закон о персональных данных

Статья 3 закона 152-ФЗ называет персональными данными любую информацию, относящуюся к прямо или косвенно определённому человеку. Резюме, анкета, запись собеседования и ответы в опросе сотрудников под это определение подпадают. Всё, что компания делает с ними с помощью ИИ, подчиняется этому закону. Ниже только то, что в нём прямо написано, со ссылкой на статью.

Автоматическое решение. Часть 1 статьи 16 закона 152-ФЗ запрещает принимать на основании исключительно автоматизированной обработки персональных данных решения, которые порождают юридические последствия для человека или иным образом затрагивают его права и законные интересы. Часть 2 той же статьи допускает такое решение при согласии человека в письменной форме или в случаях, предусмотренных федеральными законами. Часть 3 обязывает оператора разъяснить порядок принятия решения и его возможные последствия и дать возможность заявить возражение. Отказ, который алгоритм отправил кандидату сам, без участия человека, попадает в зону этой статьи, поэтому финальное решение по каждому кандидату принимает сотрудник.

Причина отказа. Статья 64 ТК РФ запрещает необоснованный отказ в заключении трудового договора и обязывает работодателя по письменному требованию кандидата сообщить причину отказа в письменной форме. Сформулировать её придётся человеку, и сделать это проще, когда критерии отбора записаны заранее.

Передача данных сервису. Загружая резюме в чужой сервис, компания передаёт персональные данные другому лицу. Если обработку поручают другой организации, часть 3 статьи 6 закона 152-ФЗ требует согласия человека, если иное не предусмотрено федеральным законом, и договора с этой организацией. По части 5 той же статьи за её действия перед человеком отвечает оператор, а если сервис иностранный, по части 6 отвечает и он сам. Оператор здесь вы. Если серверы сервиса находятся за рубежом, речь идёт о трансграничной передаче, её порядок задаёт статья 12.

Где лежат данные. Часть 5 статьи 18 обязывает оператора при сборе персональных данных граждан России, в том числе через интернет, вести их запись, хранение и другие действия с ними в базах данных на территории России. Для ИИ в HR отсюда простая проверка: первичная база кандидатов ведётся в российской системе, и только потом решается, что и в каком виде уходит в модель.

Согласие и документы. Согласие на обработку по части 1 статьи 9 должно быть конкретным, предметным, информированным, сознательным и однозначным, то есть кандидату должно быть понятно, на что именно он соглашается. Компания, которая собирает данные через сайт или формы в интернете, по части 2 статьи 18.1 публикует там свою политику обработки персональных данных. По части 1 статьи 22 оператор до начала обработки уведомляет Роскомнадзор, исключения перечислены в части 2 той же статьи.

Предвзятость алгоритма отдельной нормой не закрыта, это вопрос качества отбора. Раз в квартал полезно посмотреть, кого система отсеяла, и проверить, нет ли там закономерности, которую вы бы сами не одобрили.

Как внедрить ИИ в HR без отдельного бюджета: последовательность шагов

Собственник на разборе редко спрашивает про конкретный сервис. Его вопрос проще, с чего начать, если денег и времени мало, и последовательность, которую я предлагаю, идёт от дешёвого к дорогому.

Шаг 1. Замерьте, куда уходит время сейчас. Пусть HR-менеджер две недели записывает, на что уходят часы в найме, от разбора откликов и переписки с кандидатами до бумаг новичков. Нет HR, запишите сами. Пока такого замера нет, выбор инструмента идёт наугад.

Шаг 2. Запишите критерии отбора. Для каждой ключевой позиции хватит одной страницы о том, кого вы пропускаете дальше, кого отсеиваете сразу и что проверяете на встрече. Этот документ потом пригодится и рекрутеру, и боту, и модели.

Шаг 3. Отдайте языковой модели тексты. Вакансии, вопросы для интервью, письма кандидатам. Интеграции и айтишник здесь не нужны, нужен список промптов под ваши типовые задачи, его можно собрать за день.

Шаг 4. Если откликов больше, чем вы успеваете разобрать, подключите автоответ или бота. Сначала соберите отклики со всех площадок в одно место, в CRM или систему учёта кандидатов. Потом настраивайте ответы, иначе бот закроет часть потока, а остальное будет теряться, как и раньше.

Шаг 5. Адаптацию автоматизируйте после того, как процесс записан. Сначала пропишите, что новичок должен узнать и сделать в первые недели, если онбординга как процесса ещё нет, и только потом переносите это в бота.

Шаг 6. Аналитику оставьте на конец. Предиктивная аналитика имеет смысл, когда накоплены данные, то есть идут регулярные опросы, показатели ведутся в системе и по каждому сотруднику есть история. До этого она работает на пустой базе и выдаёт мусор.

На каждом шаге, где в модель уходят резюме или данные сотрудников, сначала сверьтесь с разделом о законе выше. Обезличить данные перед загрузкой проще, чем потом объяснять, куда они ушли.

FAQ: часто задаваемые вопросы

Как проверить готовность HR к ИИ

Прежде чем выбирать инструменты, стоит посмотреть, в каком состоянии сама HR-функция. ИИ ускоряет только то, что уже записано, и если процесса нет, ускорять нечего. Для проверки хватит четырёх пунктов:

• критерии отбора записаны хотя бы для главных позиций;
• путь новичка на первые недели описан, и у него есть наставник;
• все отклики стекаются в одно место, и видно, сколько их и на каком они этапе;
• понятно, где хранятся данные кандидатов и на каком основании компания их обрабатывает.

Где пункт не выполнен, с него и начинают, инструмент здесь вторичен. Как мы разбираем такие процессы перед тем, как подключать модели, описано на странице про внедрение ИИ в бизнес.