Читать книгу HR нового уровня: ИИ, прозрачный скоринг и сильные команды - Александр Александрович Костин - Страница 3

Рекрутинг всё чаще напоминает работу аналитика. Мы принимаем решения не только на основе личных встреч, но и на основе массивов информации: резюме, анкет, тестовых заданий, заметок интервьюеров. С появлением нейросетей соблазн «собрать всё и сразу» стал особенно сильным. Кажется, чем больше данных, тем точнее выводы. На практике происходит обратное: избыток информации ухудшает качество оценки, усиливает шум и повышает риск ошибок.

Грамотная работа с данными кандидата начинается не с вопроса «что мы можем собрать», а с вопроса «что нам действительно нужно, чтобы принять решение по этой роли». Всё остальное – лишнее.

Источники данных: минимум, который работает

В большинстве вакансий набор источников довольно ограничен. Резюме даёт фактическую картину опыта и навыков. Анкета позволяет уточнить мотивацию, ожидания и доступность. Портфолио или примеры работ показывают уровень исполнения. Тестовые задания и кейсы демонстрируют мышление и подход к задачам. Интервью-заметки фиксируют наблюдаемое поведение и конкретные примеры.

Этого достаточно, чтобы сделать взвешенное решение. Попытки добавить «ещё немного информации» редко повышают точность. Чаще они создают иллюзию глубины, за которой теряется фокус.

Что не нужно собирать

Одна из самых опасных зон – сбор данных «на всякий случай». Личные обстоятельства, семейное положение, здоровье, политические взгляды, психологические характеристики, не имеющие прямого отношения к работе, не должны попадать в систему оценки. Даже если они случайно всплывают в разговоре, задача рекрутера – не превращать их в фактор решения.

Нейросети особенно чувствительны к таким данным. Они могут неявно использовать их как сигналы, усиливая предвзятость. Поэтому принцип «лучше не загружать, чем потом объяснять» в работе с ИИ становится критически важным.

Типичная ошибка: хранить всё подряд

Во многих компаниях карточка кандидата со временем превращается в архив: старые версии резюме, несвязанные комментарии, эмоциональные заметки интервьюеров. В момент принятия решения этот объём информации мешает, а не помогает.

Качественная система данных предполагает структуру и актуальность. Если информация больше не используется для оценки или принятия решений, ей не место в активной карточке кандидата. Это снижает когнитивную нагрузку и упрощает работу нейросетей.

Проверка достаточности данных

Полезный вопрос для проверки качества данных звучит так: «Могу ли я объяснить своё решение, опираясь только на эти материалы?» Если ответ положительный, значит, данных достаточно. Если приходится додумывать, интерпретировать или ссылаться на ощущения, проблема не в кандидате, а в структуре данных.

Важно, чтобы каждый вывод имел опору в фактах: конкретных задачах, результатах, примерах поведения. Это делает процесс оценки прозрачным и воспроизводимым.

Структура карточки кандидата

Рабочая карточка кандидата должна быть простой. В ней фиксируются ключевые навыки, релевантный опыт, достижения, контекст работы и наблюдаемые поведенческие примеры. Такой формат удобен и для человека, и для ИИ.

Нейросети лучше работают с чётко разделёнными блоками информации. Когда факты, интерпретации и выводы смешаны, модель начинает «достраивать» картину, что увеличивает риск ошибок.

Нормализация и порядок

Даже качественные данные теряют ценность, если они не приведены к единому формату. Разные названия ролей, уровней, технологий создают иллюзию разнообразия там, где его нет. Нормализация терминов позволяет корректно сравнивать кандидатов между собой и с профилем роли.

Это особенно важно при массовом подборе и работе с нейросетями, где сравнение идёт не на уровне интуиции, а на уровне структуры.

Заполнение пробелов без фантазий

Пробелы в данных неизбежны. Не каждый кандидат подробно описывает свои достижения или контекст работы. Ошибка начинается тогда, когда эти пробелы заполняются догадками. Нейросети склонны к таким «достройкам», если не задать ограничения.

Правильная стратегия – фиксировать отсутствие информации и возвращаться к кандидату с уточняющими вопросами. Это честнее и надёжнее, чем делать выводы на основе предположений.

Кандидат-центричный подход

Сбор данных – это не допрос. Важно сохранять уважение к кандидату и давать ему возможность объяснить свой опыт. Когда система оценки допускает комментарии и уточнения со стороны кандидата, качество решений растёт, а уровень недоверия снижается.

Нейросети в этом контексте могут помогать формулировать вопросы и структурировать ответы, но не заменяют живой диалог.

Версионирование и изменения по этапам

Опыт и восприятие кандидата меняются по ходу процесса. После интервью появляются новые факты, после тестового – новые наблюдения. Важно фиксировать эти изменения, а не переписывать всю карточку заново.

Версионирование позволяет отслеживать, какие данные повлияли на итоговое решение, и анализировать ошибки найма в будущем. Это ценнейший материал для улучшения профилей ролей и процессов.

Чек-лист данных кандидата

В устойчивой системе подбора данные кандидата минимальны, структурированы и актуальны. Они содержат факты, а не домыслы, и используются для конкретной цели – принятия решения по вакансии. Такой подход снижает риски, упрощает работу с нейросетями и делает рекрутинг более честным и управляемым.

В результате данные перестают быть балластом и становятся инструментом. Именно в этот момент нейросети начинают усиливать профессионализм HR, а не подменять его.