OpaGPT Интервью с Алексеем Крыловым, ex-HR-директором международной IT-компании с 15-летним опытом внедрения AI-решений. В 2026 году, когда 78% российских компаний уже используют нейросети для подбора персонала, цена ошибки выросла в разы.
Вопрос 1: Какая ошибка при внедрении bias в ИИ рекрутинге стоит дороже всего?
Алексей: Самая частая фатальная ошибка — слепое доверие историческим данным. Мы запустили нейросети для подбора персонала в 2024 году на базе резюме за последние 3 года. Алгоритм выучил: «успешный кандидат — мужчина 30–35 лет из топ-вуза». В результате bias в ИИ рекрутинге отсеял 62% кандидатов с нетрадиционным бэкграундом, включая женщин с детьми и выпускников региональных университетов. За квартал мы потеряли 4 сильных специалиста, которые ушли к конкурентам. Решение — разметка данных с участием HR-аналитика и регулярный аудит алгоритмов на дискриминацию в найме. На платформе OpaGPT мы сейчас внедрили механизм «слепой» фильтрации резюме ИИ, где алгоритм не видит пол, возраст и название вуза.
Вопрос 2: Почему фильтрация резюме ИИ убивает качество найма?
Алексей: Потому что ATS системы ошибки начинаются с ключевых слов. Типичный случай: вакансия «Project Manager» — система ищет точное совпадение. Кандидат написал «Руководитель проектов» — резюме уходит в спам. В 2025 году мы проанализировали 12 000 резюме, отсеянных ATS: 37% содержали релевантный опыт, но не подходили под шаблон. Это прямая потеря талантов. Нейросети для подбора персонала должны использовать семантический поиск, а не жёсткую фильтрацию. Иначе вы нанимаете не лучших, а тех, кто умеет «набивать» резюме ключевиками.
Вопрос 3: Как оценка soft skills нейросетями превращается в фатальную ошибку?
Алексей: Оценка soft skills нейросетями — зона высокого риска. Один наш клиент использовал AI-чат-боты для рекрутинга на первом этапе. Бот задавал вопросы вроде «Опишите конфликтную ситуацию». Алгоритм оценивал скорость ответа и длину текста. Кандидаты с аутизмом или тревожностью — часто гениальные аналитики — получали низкий балл. Мы потеряли 3 кандидатов уровня Senior из-за того, что чат-боты для рекрутинга не учитывают нейроразнообразие. Исправление: оценка soft skills нейросетями должна быть многофакторной — включать видеоинтервью, кейсы и референсы. Только текст даёт 40% погрешности.
Вопрос 4: В чём главная ловушка HR автоматизации ошибки при массовом найме?
Алексей: Ловушка — в скорости. HR автоматизация ошибки проявляется, когда система ранжирует кандидатов за секунды. Мы тестировали платформу, которая обещала «идеальное совпадение за 0.3 секунды». В реальности она отдавала приоритет кандидатам с частой сменой работы — потому что в данных это коррелировало с «активностью». В итоге качество найма ИИ упало на 23%: мы нанимали «летунов», которые увольнялись через 2 месяца. Решение — внедрить «период охлаждения»: алгоритм выводит топ-10, но финальное решение принимает человек. Это снижает ATS системы ошибки на 45%.
Вопрос 5: Как предвзятость алгоритмов влияет на retention новых сотрудников?
Алексей: Прямо. В 2026 году мы исследовали: 68% увольнений в первые 90 дней связаны с тем, что AI-система неправильно оценила мотивацию кандидата. Например, нейросети для подбора персонала часто путают «высокую зарплату» с «лояльностью». Кандидат, который выбрал оффер на 20% выше рынка, с вероятностью 70% уйдёт через полгода к другому работодателю. bias в ИИ рекрутинге создаёт иллюзию совпадения ценностей, а на деле — дисбаланс. Мы внедрили обязательный этап «культурного интервью» после AI-скоринга. Это увеличило retention на 31%.
Вопрос 6: Какие конкретные метрики показывают, что ИИ в рекрутинге работает неправильно?
Алексей: Три метрики. Первая — время закрытия вакансии выросло более чем на 15% при использовании AI. Значит, алгоритм отсеивает подходящих. Вторая — процент отказов на этапе оффера выше 25%. Это сигнал, что оценка кандидатов ИИ не совпадает с реальностью. Третья — доля кандидатов из одного источника превышает 60%. Это приводит к дискриминация в найме и снижает разнообразие команды. Контролируйте эти цифры ежемесячно, иначе HR автоматизация ошибки станет нормой.
Вопрос 7: Какой совет вы дадите компаниям, которые только внедряют нейросети для подбора персонала?
Алексей: Не пытайтесь автоматизировать всё сразу. Начните с одного этапа — например, фильтрация резюме ИИ на уровне первичного отбора. Запустите пилот на 500 вакансиях, сравните результаты с ручным подбором. Убедитесь, что bias в ИИ рекрутинге не превышает 5% по полу, возрасту и региону. Используйте инструменты с открытым кодом для аудита алгоритмов. И помните: лучшие нейросети для подбора персонала — те, которые дают рекомендацию, а не решение. Финальное «да» всегда за человеком.