На примере двух воронок нам объяснили разницу в ИИ-подборе и классическом рекрутинге.

Для меня это примерно одно и то же: 🔸 И там, и там — чёрный ящик. Но если для модели гипотетически может существовать документация, то для всех живых участников процесса (а это ещё 3–10 человек) такой документации нет. Только не надо про должностные инструкции, ок? 🔸 В обоих случаях решение принимается с опорой на предыдущий опыт. А при человеческом подходе к нему добавляются ещё всякие DISC, гамма, астрология и хьюман-дизайн. Без шуток, сам видел. 🔸 Ни рекрутер, ни ИИ (пока) не принимают окончательного решения, а только фильтруют кандидатов на верху воронки.

При этом: 🔹 У ИИ выше скорость принятия решения. 🔹 У ИИ выше аптайм: по крайней мере, две девятки против, в лучшем случае, двух шестёрок у человека. Скорее — одной скромной двойки, если ваш подбор в одном часовом поясе. 🔹 При деградации метрик чаще проще внести исправления в работу ИИ, чем перестраивать живой подбор. 🔹 За счёт первых двух пунктов у ИИ выше пропускная способность. 🔹 Но за это пока приходится платить качеством. Однако с этим понятно, как работать, в отличие от людей.

В итоге на стороне ИИ-решенич четыре «архитектурные характеристики»: 🔸 Скорость. 🔸 Доступность. 🔸 Гибкость. 🔸 Масштабируемость.

А что у «мясных» (если вам не по душе слово «кожанные»)?

Теперь про нюанс. Даже два. Первый. Кто создаёт данные для обучения модели? ML-специалист? Как бы не так! Те же рекрутеры, которых ИИ должен заменить в итоге. Или менее квалифицированные разметчики, обученные рекрутерами. Или разметчики, обученные на инструкциях, составленных черт знает кем, исправляющие предварительные решения, вынесенные LLM, обученной на чёрт знает каких данных. И, на мой взгляд, в частности из-за качества исходных данных, качество принимаемых ИИ решений пока страдает.

Второй нюанс. Как мне кажется, более интересный. Нам показали воронку. Наверху работает рекрутер или ИИ. Ниже: 🔸 интервьюеры, 🔸 СБ, 🔸 HR BP, 🔸 HR-ops,

Их задачи можно передать машине? Возможно. А кто в самом низу? Нанимающий менеджер — лицо, принимающее решение. И это узкое горлышко. И оно не расширяется. Да, ИИ может расширить верх воронки, но пока не может расширить низ. И тут почему-то вспомнился анекдот про обезьянку и бильярдный шар. Не гуглите, особенно за едой.

И ещё есть слон в комнате. И он там появился тоже не без участия ИИ. Число профессионалов если и увеличивается, то не быстро. А число резюме на рынке растёт стремительно. А пропускная способность воронки найма — нет.

Это мои домыслы. Давайте сравним, как это работало раньше и как работает сейчас.

Ситуация «раньше»: 🔹 Откликнулось 100 кандидатов 🔹 Среди них — 5 релевантных специалистов 🔹 Рекрутер отбирал 5 резюме для нанимающего менеджера 🔹 Вероятность ошибки рекрутера, допустим, 20% 🔹 Результат: 4 релевантных + 1 нерелевантный кандидат

Ситуация «сейчас»: 🔸 Откликнулось 150 кандидатов 🔸 Релевантных специалистов по-прежнему 5 🔸 ИИ отбирает те же 5 резюме 🔸 Вероятность ошибки ИИ, допустим, 10% 🔸 Результат: 3 релевантных + 2 нерелевантных кандидата

Чувствуете разницу? Система работает быстрее и точнее, но конечный результат становится хуже из-за общего роста количества «шума» в системе. И, реальная точность сейчас, скорее всего, ниже 90%, а среднее количество откликов превышает 150. При этом мы ещё не учитываем эффекты от SEO-оптимизации резюме, автоматических откликов и других «серых» методов.

Получается, что независимо от способа обработки резюме — ручного, машинного или с помощью доски Уиджи — при кратном росте некачественных данных на входе неизбежно снижается качество принимаемых решений на выходе.

Об этом мы ещё поговорим в другой раз.