ИИ в найме создал порочный круг для соискателей и работодателей

Дата-сайентист и соискательница Джоди Беггс получила от онлайн-системы, которая сверяет описание вакансии с материалами кандидата, штраф за то, что резюме заняло две страницы, и за то, что на одном документе она указала средний инициал, а на другом, нет; замена слова «percent» на знак «%», наоборот, подняла её оценку. Самый известный такой сервис, Jobscan (от $30 до $50 в месяц), хотя сама Беггс не уточнила, каким инструментом пользовалась.

Jobscan и похожие приложения исходят из того, что комитеты по найму используют ИИ для автоматического ранжирования кандидатов в системе отслеживания заявок (ATS): к рассмотрению допускаются якобы только 10, 20% лучших, а остальные 80% могут вообще остаться незамеченными. Автор статьи подчёркивает, что это лишь распространённое убеждение, а не подтверждённый факт: автоматический ранжирование действительно применяется в одних организациях, но в других наём от начала до конца ведут люди. Дэниел Чейт, гендиректор компании Greenhouse, которая делает ATS-системы, говорит, что вокруг этих инструментов ходит много домыслов, технологии меняются быстро, и то, использует ли конкретная ATS ИИ вообще, зависит от продукта и от того, за какие функции заплатила компания.

Но пока соискатели верят, что ИИ участвует в отборе, они продолжают пытаться обыграть его собственным ИИ, хотя доверять карьеру алгоритму рискованно: одна рекрутёр получила крайне низкие оценки Jobscan, но всё равно прошла на десяток с лишним собеседований и получила оффер. При этом сам сервис Jobscan стоит $30, 50 в месяц, и у компании нет прямого стимула помочь клиенту побыстрее уйти с рынка труда. Экономику усугубляет и общий спад числа вакансий, а также рост фальшивых и «мёртвых» объявлений о работе, с этим в ряде штатов США уже пытаются бороться новыми законами.

Обе стороны говорят об утрате доверия. Соискатели тратят массу времени на отклики и не получают ответа, поиск работы превращается в чёрный ящик. Работодатели же получают сотни почти неотличимых друг от друга заявок и в ответ загружают их в ИИ-систему оценки своей ATS, чтобы хоть как-то отличить кандидатов друг от друга. Чейт называет это «порочным кругом ИИ»: «У нас трагическая ситуация, когда у каждой стороны своя проблема. Они используют ИИ, чтобы решить свою проблему, но так, что делают её только хуже. И чем больше используется ИИ, тем хуже становится, и никому от этого не легче».

Практика в компаниях, впрочем, сильно расходится и, по наблюдению автора, зависит не от размера компании или числа заявок, а от философии и корпоративной культуры. Ким Джонс, вице-президент по персоналу Toshiba, говорит: «Мы рассматриваем каждую заявку вручную». Она не против того, чтобы кандидаты полировали материалы с помощью ИИ, но «это не особо поможет пройти через ATS». Незваный ИИ она замечает уже на этапе собеседований, по паузам, звукам печати и слишком гладким, развёрнутым ответам.

В Doist, небольшой полностью удалённой компании с международным наймом, тоже полагаются в основном на людей. Надя Вателидис, руководитель направления по работе с людьми, рассказала, что команда проверила, помогло бы ИИ-ранжирование на уже закрытых вакансиях: они прогнали через него описания вакансий и сохранённые материалы всех кандидатов, чтобы посмотреть, попали бы реально нанятые люди в шорт-лист ИИ. Пересечение с ИИ-отбором было, но в двух случаях из проверенных реально нанятые сотрудники в шорт-лист ИИ не попали, притом что примерно через полгода после найма показывали себя хорошо.

Дизайнер Джеймс Джейкобсен пять месяцев искал работу, тратя на поиск и отклики фактически полный рабочий день. Он пробовал Claude и ChatGPT, чтобы подогнать резюме и сопроводительные письма под описания вакансий, это не сдвинуло дело с мёртвой точки. Тогда он развернул подход на 180 градусов и с помощью Claude построил собственную систему учёта вакансий, по сути, «анти-ATS» для соискателя: ИИ прочёсывал списки вакансий, анализировал описания и заносил их в базу по его собственной системе баллов, учитывающей тип работы, уровень должности и требования к зарплате отдельно для офиса, гибрида и удалёнки, и подсвечивал, куда стоит откликнуться в первую очередь. Если он отклонял вакансию, ИИ запоминал причину, чтобы при повторной публикации напомнить, почему она не подошла. Так он тратил меньше времени и находил более подходящие вакансии, получил несколько откликов, но ни одного оффера. После этого он попросил Claude и ChatGPT раскритиковать его портфолио, за шесть часов переделал его, и через два дня ему позвонил потенциальный работодатель, но и это не закончилось оффером.

По словам Чейта, такие соискатели, как Джейкобсен, упираются в вопрос, сколько ещё усилий можно вложить: «Делать больше того же самого, не ответ». Он советует искать работу не «веерной рассылкой», а через изучение конкретных компаний, даже не самых очевидных на первый взгляд, не забывать про сопроводительные письма, Ким Джонс из Toshiba отмечает, что сейчас их присылают редко, и с письмом кандидат выделяется, и не недооценивать нетворкинг. Финальный совет Чейта соискателям: «Дело не в вас, дело в системе, и она никуда не годится».

Ключевые факты

• Сервисы вроде Jobscan ($30, 50 в месяц) обещают подогнать резюме под ATS, но, по словам гендиректора Greenhouse Дэниела Чейта, автоматическое ИИ-ранжирование кандидатов применяется далеко не во всех компаниях, во многих наём по-прежнему ведут вручную.
• Тест компании Doist на уже закрытых вакансиях показал: в двух случаях реально нанятые сотрудники не попали бы в шорт-лист ИИ-ранжирования, хотя примерно через полгода после найма хорошо справлялись с работой.
• Дизайнер Джеймс Джейкобсен пять месяцев искал работу; вместо доработки резюме через ИИ он с помощью Claude построил собственную систему отслеживания вакансий, «анти-ATS», но оффер так и не получил.
• Обе стороны рынка труда жалуются на потерю доверия: соискатели не получают ответов на отклики, а работодатели тонут в потоке почти одинаковых заявок и сами прибегают к ИИ, чтобы их отсортировать.
• Чейт называет происходящее «порочным кругом ИИ»: каждая сторона использует ИИ для решения своей проблемы, но лишь усугубляет проблему другой стороны.

Почему это важно

Статья фиксирует не единичный сбой, а самоподдерживающийся цикл: соискатели подгоняют материалы под предполагаемый ИИ-отбор, работодатели в ответ используют ИИ, чтобы справиться с потоком подогнанных заявок, и обе стороны отчитываются об одном и том же результате: усталости, потере доверия и отсутствии офферов даже при больших вложенных усилиях. Это меняет саму механику найма быстрее, чем успевают появиться общепринятые практики работы с ней.

Кому это важно

Соискателям, потому что решение «добавить ещё ИИ-полировки» к резюме, судя по кейсам в статье, не увеличивает шансы. HR-специалистам и рекрутёрам, потому что выбор между автоматическим ранжированием и ручным просмотром заявок, по словам собеседников Wired, зависит не от размера компании, а от философии найма, и тест Doist показывает цену ошибки: реальные удачные наймы способны выпасть из ИИ-шорт-листа.

Как это применить

Из советов Дэниела Чейта: не наращивать объём одинаковых действий («спрей и молитва»), а исследовать конкретные компании, включая не самые очевидные; не пренебрегать сопроводительным письмом, по наблюдению Ким Джонс из Toshiba, сейчас его присылают редко, и это способ выделиться; вкладываться в нетворкинг. Пример Джеймса Джейкобсена показывает альтернативный путь, использовать ИИ не для подгонки резюме под чужую систему, а для управления собственным поиском (сбор и оценка вакансий, память о прошлых отказах), хотя в его случае это тоже пока не привело к офферу.

Можно ли доверять

Материал Wired строится на прямых интервью с десятками рекрутёров, HR-менеджеров и владельцев малого бизнеса, а также на именованных источниках с должностями: гендиректор ATS-компании Greenhouse, вице-президент по персоналу Toshiba, руководитель направления по работе с людьми в Doist и два конкретных соискателя. Ключевая цифра о «10, 20% лучших кандидатов» прямо подана автором как расхожее убеждение, а не проверенный факт, расхождение практик по компаниям в статье подтверждается разными собеседниками с противоположным опытом.

Риски и подводные камни

Статья не приводит статистики по рынку в целом, только именованные примеры и анекдотические случаи, поэтому масштаб проблемы (сколько компаний реально используют автоматическое ранжирование, сколько соискателей теряют из-за него шанс) остаётся неизвестным. Есть и системный риск: пока хотя бы часть компаний использует ИИ-отбор, а хотя бы часть соискателей верит, что он используется везде, гонка «ИИ против ИИ» будет продолжаться и разгоняться сама себя, как это описывает Чейт, не принося выигрыша ни одной из сторон.

«У нас трагическая ситуация, когда у каждой стороны своя проблема. Они используют ИИ, чтобы решить свою проблему, но так, что делают её только хуже. И чем больше используется ИИ, тем хуже становится, и никому от этого не легче.»

— Дэниел Чейт, гендиректор Greenhouse