ИИ в HR: за что стоит платить, а что не окупится

К вам приходят с предложением внедрить ИИ в кадры. Обещают сократить время найма, разгрузить кадровика и быстрее закрывать вакансии. Цифры в презентации убедительны, а проверить их нечем: своего опыта нет, у подрядчиков слайды похожи.

Вопрос до разговора о цене звучит иначе. Не «работает ли это», а что именно вы покупаете и при каком объёме оно окупится.

Разброс огромный. По опросу hh.ru среди 1314 компаний, 57 % уже используют ИИ для кадровых задач. Но повсеместно он встроен только у 4 %, а ещё 27 % применяют эпизодически: попробовали, что-то получилось, что-то нет.

Разрыв между 57 и 4 процентами и есть тема статьи. Он возникает не потому, что технология плохая или люди не разобрались, а потому, что под словом «кадры» спрятаны две разные работы. За одну платить имеет смысл, за вторую — далеко не всегда.

Почему пробуют 57 %, а работает у 4 %

Тот же опрос показывает, где именно пробуют. Чаще всего в подборе — 31 % компаний, затем кадровое администрирование — 22 %, затем обучение — 17 %.

Заметна и зависимость от размера: среди компаний от тысячи человек ИИ в HR применяют 62 %, среди компаний до ста — 53 %. Чем больше поток однотипных действий, тем раньше окупается инструмент.

А вот цифра, которая говорит о настроении больше любой другой. SuperJob в конце октября 2026 года опросил тысячу организаций. Нейросети в подборе применяют 23 % рекрутеров. Полностью передать подбор машине не готов даже один процент. А 64 % не хотят доверять ей подбор вообще ни в каком виде.

То есть профессия пробует инструмент и одновременно ему не доверяет. Это не противоречие и не консерватизм. Это точное отражение того, что ИИ в рекрутинге делает хорошо одни вещи и плохо другие, а разницу между ними никто толком не объясняет.

За что вы платите на самом деле

Вот эта разница.

Первая работа — документы. Заявление на отпуск, справка, приказ, трудовой договор, табель. Здесь есть форма, есть поля, есть правильный ответ. Машина читает скан, определяет тип документа, достаёт из него данные и кладёт в нужную строку.

Вторая работа — оценка людей. Резюме, собеседование, испытательный срок. Здесь нет правильного ответа, который можно сверить. Есть решение, которое через полгода окажется хорошим или плохим, и выяснится это не сразу.

Ключевое различие не в сложности. Оно в том, когда становится видно ошибку, и именно здесь искусственный интеллект в HR ведёт себя по-разному.

Если машина неправильно прочитала номер приказа, это обнаружится при первой же сверке. Кто-то откроет карточку, увидит несоответствие, поправит. Цена ошибки — минута работы.

Если машина отсеяла хорошего кандидата, об этом не узнает никто. Никогда. Человек не придёт на собеседование, компания наймёт кого-то другого, и сравнить две реальности будет не с чем. Ошибка не просто дорогая — она невидимая.

Отсюда правило, которое дальше разворачивается на всю статью и прямо влияет на смету: там, где ошибку видно сразу, машине можно давать больше самостоятельности, и это дешевле. Там, где не видно, последнее слово остаётся за человеком, и экономии не будет.

Документы: единственное место, где счёт сходится

Начнём с той половины, где вложение возвращается считаемо, — и где у нас есть собственный опыт.

Мы сделали для себя систему разбора входящих документов. Она определяет тип документа, достаёт нужные поля и складывает всё в один список с фильтрами. Раньше человек читал документ и переносил данные руками, теперь он проверяет уже разобранное. Через систему проходит около двухсот документов в день.

Главное, что мы поняли за время работы, подтверждается исследованиями, и это не общее место, а конкретная цифра.

Представьте, что модель разбирает документ и по каждому полю понимает, насколько она уверена. Если отдать машине всё подряд, точность извлечения данных составит 73,3 %. Если взять те 20 % случаев, где модель уверена меньше всего, и отправить их человеку на проверку, точность поднимается до 99,1 %.

Прирост в двадцать шесть пунктов — за счёт того, что человек смотрит одну пятую потока. Не весь, а самую сомнительную его часть.

Это и есть ответ на вопрос «заменит или не заменит». Машина не заменяет человека и не работает без него: она сортирует поток так, чтобы внимание тратилось там, где оно нужно.

Два предостережения

Без них картина выйдет слишком красивой.

Первое: точность сильно зависит от качества исходника. В одном из бенчмарков одна и та же модель давала 96,50 % на чистых PDF и 87,46 % на сканах. Фотография документа, сделанная на телефон в плохом свете, — это не то же самое, что файл из учётной системы.

Второе: основной источник ошибок — не метод извлечения, а шум распознавания. Иначе говоря, спорить о том, какая модель лучше достаёт данные, имеет смысл только после того, как решён вопрос, в каком виде документы вообще попадают в систему.

Отдельно про электронный кадровый документооборот: перевести в электронный вид можно не всё. Закон оставляет закрытый перечень исключений, например акт о несчастном случае. И работник вправе отказаться от электронного формата.

Подбор: за что платят и что получают

Теперь вторая половина, и здесь нужно быть особенно аккуратным с формулировками.

Есть одно исследование, которое стоит знать всем, кто думает про ИИ в подборе персонала. Это рандомизированный эксперимент: 70 884 заявки на 48 вакансий, кандидатов случайным образом распределяли между интервью с человеком и интервью с машиной.

Результат: доля полученных офферов выросла с 8,70 % до 9,73 %. Вероятность того, что человек действительно выйдет на работу, оказалась выше на 18 %, вероятность проработать хотя бы месяц — выше на 17 %. Производительность нанятых при этом не упала.

Выглядит как убедительный аргумент за машину. Но в этом эксперименте есть деталь, без которой цифры читаются неверно: финальное решение о найме во всех ветках принимал человек. Машина проводила интервью и готовила материал. Решал рекрутер.

Второе исследование показывает тот же принцип с другой стороны. Рекрутеры, которые видели отчёт ИИ-интервью вместе с резюме, отбирали кандидатов, впоследствии проходящих финальное слепое интервью, в 46 % случаев. Те, кто работал только с резюме, — в 29 %. Машина не выбирала за человека, она давала человеку больше материала для выбора.

Чего не измерял никто

А теперь то, о чём в статьях про ИИ в HR обычно молчат.

Исследования, где измеряли бы качество найма от автоматического скрининга резюме, не существует. Мы искали. Есть работы, которые меряют точность разбора резюме. Есть работы, которые меряют, насколько оценка модели совпадает с оценкой живого рекрутера. Нет ни одной, которая проследила бы: вот этих кандидатов отобрала машина, вот этих человек, и через год первые работают лучше или хуже вторых.

Это прямо отмечает и обзорная работа 2026 года. То есть фраза «ИИ повышает качество найма» сегодня не подкреплена ничем — ни у вендоров, ни в академии. Ускорение измерено. Качество — нет. Это разные утверждения, и путать их дорого.

Полезно знать и обратную сторону скорости. В том же исследовании про отчёты ИИ-интервью задание длиной 30–40 минут завершили только 25,07 % приглашённых. И отвал оказался неслучайным: среди тех, кто дошёл до конца и не прошёл отбор, через пять месяцев новую работу нашли чаще, чем среди тех, кто бросил задание. Длинный автоматический этап отсекает не худших — он отсекает тех, у кого есть выбор.

Где ломается: оценка, которую нельзя проверить

Про предвзятость моделей пишут все. Обычно одним абзацем: «модель учится на исторических данных и может усилить перекос». Это правда, но звучит как теоретический риск. На самом деле это измеренный факт, и выглядит он неприятнее формулировки.

Проверяется это просто: берут одно и то же резюме, меняют в нём только имя кандидата и смотрят, изменится ли оценка. Содержание при этом не трогают ни строчкой.

Независимый эксперимент Bloomberg в марте 2024 года так и сделал: восемьсот имён, тысяча прогонов ранжирования, восемь почти идентичных резюме, данные и код опубликованы. Оценка менялась. Вывод авторов: модель расставляла кандидатов так, что провалила бы стандартные тесты на дискриминацию при найме.

Отдельная история — инструменты, которые обещают оценить личность по видеоинтервью или по тексту. Исследование 2022 года проверило два коммерческих сервиса на 94 участниках: один и тот же человек получал разные профили в зависимости от формата загруженного файла, источника данных и наличия ссылки на профиль в соцсети.

Работа Кембриджского университета того же года пошла дальше. Исследователи собрали собственный инструмент оценки личности и показали, что он находит устойчивые «корреляции» между чертами характера и посторонними свойствами картинки — яркостью кадра, фоном, одеждой. Авторы называют такие продукты автоматизированной псевдонаукой и пишут, что утверждения о повышении разнообразия с их помощью ложны и опасны.

Отталкивает не ИИ, а отсутствие человека

Здесь ожидаемое объяснение оказывается неверным, и это стоит знать до того, как принимать решения.

Кажется логичным, что кандидаты не любят ИИ в отборе, потому что боятся машины. Опросы вроде бы подтверждают: по данным Pew Research Center, 71 % американцев против того, чтобы решение о найме принимал ИИ, а 66 % не хотели бы откликаться на вакансию такого работодателя.

Но есть эксперимент, который разделяет две вещи, обычно слипающиеся в одну.

Платформа технического найма проверила на 3296 кандидатах, что именно влияет на то, дойдут они до конца процесса или бросят. Сравнивали три сценария.

Без этапа интервью доходят 85 % кандидатов. С живым интервью — 68 %. С записью, которую кандидат делает в одиночестве и которую потом оценят, — 40 %. При этом сообщение о том, что запись будет оценивать машина, почти не меняло результат.

Решает не ИИ. Решает отсутствие собеседника на той стороне.

Данные 2026 года от Greenhouse добавляют к этому важный штрих. Опросили 2950 кандидатов: 38 % уже уходили из процесса найма из-за того, что там было ИИ-интервью. Но главная цифра другая — 70 % кандидатов никто заранее внятно не предупредил, что их будет оценивать машина.

Российские данные ложатся в ту же логику. По опросу hh.ru среди 3059 соискателей, 45 % считают ИИ полезным помощником рекрутера, и только 17 % готовы пройти собеседование с нейросетью вместо человека. Помощник — да. Замена — нет.

Практический вывод простой и дешёвый. Если машина участвует в отборе, скажите об этом кандидату заранее и прямо. И оставьте в процессе этап, где человек говорит с человеком.

Где проходит граница закона

Этот раздел — про то, о чём в статьях на тему ИИ в HR почти не пишут, хотя вопрос задают постоянно: можно ли отказать кандидату решением алгоритма.

Ответ даёт статья 16 закона «О персональных данных». Формулировка такая: запрещается принятие решений, порождающих юридические последствия в отношении человека или иным образом затрагивающих его права и законные интересы, на основании исключительно автоматизированной обработки его персональных данных.

Исключений два: письменное согласие самого человека либо случаи, прямо предусмотренные федеральными законами.

Если компания пользуется таким исключением, у неё появляются обязанности. Разъяснить человеку порядок принятия решения и его возможные последствия. Дать возможность заявить возражение. Рассмотреть это возражение в течение тридцати дней и сообщить о результате.

Ранжирует или отсекает

Отсюда граница, которую стоит запомнить. Она проходит не по наличию ИИ в процессе, а по тому, кто принимает решение.

Система ранжирует отклики, а рекрутер открывает любого из списка и может пригласить кандидата с двадцатой позиции — это помощь в работе. Система ставит проходной балл и сама отправляет отказы всем, кто ниже, — это решение на основании исключительно автоматизированной обработки.

Разница не в технологии. В обоих случаях может стоять одна и та же модель. Разница в настройке, и именно настройка определяет, законно это или нет.

Честно о том, чего мы не нашли: практики по этой норме применительно к найму нет. Ни одного спора, ни одного предписания Роскомнадзора, ни одного судебного решения про автоматический отказ кандидату. Норма есть, применение не нащупано.

Это не повод её игнорировать — но и пугать штрафами было бы передёргиванием. Правильное отношение такое: настройка, при которой машина сама отсекает людей, создаёт риск, который пока никто не проверял на прочность. Настройка, при которой решает человек, этого риска не создаёт вовсе и при этом, как показано выше, работает лучше.

Ещё одна деталь для тех, кто покупает готовую платформу. В американском деле против крупного вендора HR-софта суд допустил, что поставщик может отвечать как агент работодателя. Мысль, которую стоит унести: покупка чужого инструмента не переносит на вендора ответственность за решения, принятые с его помощью.

Что посчитать до того, как платить

Если вопрос «а нам-то надо?» остался, вот способ ответить на него за неделю, не потратив ни рубля.

Пять замеров, и все делаются своими силами.

• Поток документов за месяц. Заявления, справки, приказы, договоры — по папке или по почте, а не на глаз.
• Поток откликов и число открытых вакансий. Три вакансии в месяц и сорок откликов — это ручная работа.
• Время на повторяющиеся вопросы сотрудников. Те самые «как взять отгул» и «когда зарплата».
• В каком виде приходят документы. Сканы с телефона и файлы из учётной системы дают разную точность, и разница заметная.
• Какие решения машина не принимает никогда. Если ответ «никакие, только готовит материал» — вы уже в той конфигурации, где измерен выигрыш.

Отдельно скажем честную вещь про размер компании. Все кейсы с проверяемыми цифрами, которые нам удалось найти, относятся к крупному бизнесу: десятки тысяч сотрудников, сотни вакансий. Замеров для компаний на двадцать-двести человек нет. Это не значит, что им ничего не подходит. Это значит, что опираться придётся на свой расчёт, а не на чужой кейс.

С тем, как вообще устроен выбор первого процесса, помогает разобраться внедрение ИИ в бизнес: оно начинается не с выбора модели, а с вопроса, есть ли процесс, который она ускорит. А если задача окажется в документах, то автоматизация обработки документов разобрана у нас отдельно и подробно.

Коротко о главном

ИИ в кадрах уверенно работает там, где у задачи есть правильный ответ и ошибку видно сразу, и плохо справляется там, где он оценивает людей. Поэтому разумная конфигурация одна: машина готовит материал и сортирует поток, решение принимает человек.

• Внедряют многие, работает у немногих. 57 % компаний пробуют ИИ в кадрах, повсеместно он встроен у 4 %.
• Под словом «кадры» спрятаны две разные работы. В документах ошибку видно сразу, в оценке людей не видно никогда — отсюда разная допустимая самостоятельность машины.
• В документах выигрывает гибрид, а не автоматизация. Отправить человеку 20 % самых спорных случаев — и точность растёт с 73,3 % до 99,1 %.
• В подборе измерено ускорение, а не качество. Исследований, которые проследили бы судьбу нанятых через ИИ-скрининг резюме, не существует.
• Предвзятость — не риск, а измеренный факт. Одно и то же резюме получает разную оценку, если поменять в нём только имя.
• Кандидатов отталкивает формат без человека, а не сам ИИ. 85 % доходимости без интервью, 68 % с живым, 40 % с записью в одиночестве.
• Граница закона проходит по тому, кто решает. Ранжировать можно, отсекать автоматически — нельзя без письменного согласия.