Юнион уже использует передовые технологии в подборе персонала — например, интегрировала Polina AI, ИИ-помощник для рекрутинга, который решает задачу автоматизации поиска, оценки и отбора кандидатов. Это не просто экономия времени, а принципиально новый уровень эффективности рекрутинга. Но как создавалась Polina AI и каких результатов помогают добиваться рекрутерам? Коллеги из ITFB Group рассказали историю разработки ИИ- помощника, с которой вы сможете ознакомиться ниже.

В 2023 году мы в ITFB Group столкнулись с резким ростом спроса на ИТ-специалистов — больше 6 000 запросов в год. Ручной подбор стал узким местом. Тогда мы решили создать ИИ-решение, которое не просто ищет, а анализирует соответствие кандидатов требованиям, ускоряя и улучшая процесс рекрутинга. В этой статье — история создания продукта, ключевые этапы развития и рассказ о том, как ИИ может помочь рекрутеру освободиться от рутины. Заявки на специалистов не были типовыми: фронтенд-разработчики, аналитики, DevOps — каждый случай уникальный. При этом был постоянный пул готовых к выходу специалистов – 300-400 кандидатов, включая проверенных и аккредитованных партнеров. Всё это нужно было сравнивать, сводить, проверять, сопоставлять и обрабатывать, чтобы подобрать наилучшего кандидата. Ручной труд здесь не работал — ты или неделями выискиваешь совпадения, или теряешь в качестве.

Тогда-то и родилась идея — а можно ли подключить ИИ, чтобы он не просто «искал» людей, а реально помогал рекрутеру и менеджеру, оценивая соответствие кандидатов под запрос?

К 2023 году у нас уже была учётная система: мы фиксировали заявки от заказчиков и подбирали под них кандидатов. Всё — вручную. Это не совсем автоматизация, это просто регламенты. Но с выходом на рынок GPT всё изменилось. Мы начали экспериментировать. Первая проба прошла в одном из направлений — на фронте. Подключили GPT, чтобы он читал резюме, сопоставлял их с запросами, и выдавал не просто «подходит — не подходит», а развернутую аналитику: какие навыки есть, каких нет, насколько профиль релевантен, какие вопросы стоит задать кандидату, чтобы точно понять его соответствие. Это оказалось неожиданно эффективно.

Мы сделали пилот, сравнили его оценки с тем, как работает человек, — и увидели: GPT ошибается не чаще. А скорость — в 10-20 раз выше, чем человек. То, что раньше занимало дни, стало занимать минуты. Так начался этап 1.

В 2024 году мы официально зафиксировали новую стратегию — цифровизация HR-процессов. ИИ оказался мощным инструментом. Мы встроили его в нашу внутреннюю систему, и теперь при создании заявки на ИТ-специалиста в течение нескольких секунд появлялись кандидаты, идеально подходящие под запрос. Причём с пояснением: вот почему этот — подходящий, вот чего не хватает у другого.

Это кардинально разгрузило рекрутеров и руководителей центров компетенций. Им больше не нужно было сверять «глазами» тексты, они больше не тратили время на подбор. Всё стало точнее и быстрее. Модель сама училась — на резюме, на запросах, на откликах. И с каждой неделей становилась умнее.

Но и этого стало мало. Внутренняя база — это хорошо. А как быть с внешним рынком?

На втором этапе мы подключили роботов. Они заходили на работные сайты — HH, Хабр, SuperJob — и начинали делать то же самое, что раньше делал человек: открывали каждое резюме, сравнивали его с требованиями, выгружали, анализировали.

Мы использовали RPA-решения. Роботы эмулировали действия пользователя, но были ограничены по скорости: всё равно надо было «щёлкать мышкой». Поэтому вскоре мы усилили решение прямыми интеграциями с топовыми работными сайтами. Так появилась возможность обрабатывать тысячи резюме за секунды. Это был качественный скачок.

Другой вызов, с которым мы столкнулись на данном этапе, — HR всё ещё периодически приходилось вручную заходить на работные сайты: искать кандидатов, отрабатывать отклики. Поиск предполагал просмотр практически каждого профиля, чтобы понять, подходит он или нет. А отклики часто оказывались нерелевантными — на это тоже уходило много времени.

Чтобы решить проблему, мы разработали расширение для браузера. Оно встраивается прямо в интерфейс работного сайта и в онлайне проводит скоринг кандидатов. Рекрутер видит не просто резюме, а уже отсортированные профили — только те, что реально подходят под запрос. Это увеличивает скорость подбора в несколько раз.

В результате мы получили систему, которая умеет:

• при создании запроса мгновенно предлагать кандидатов из внутренней и внешней базы;

• понимать, кто подходит, а кто нет;

• и делать это за секунды, а не за дни.

Но был один важный момент, который нельзя автоматизировать простым сравнением текстов. Это — коммуникация с кандидатом.

Мы начали с классических чат-ботов. Проблема в том, что они выглядели как чат-боты. Кандидаты быстро теряли интерес. Тогда мы попробовали использовать ИИ. Мы провели обучении модели правильными данными и скриптами “как общается лучший рекрутер”, нашей базой знаний. В результате ИИ ведет диалог с кандидатом как настоящий человек.

У GPT были скрипты, информация о компании, проектах, условиях. И он общался так, что кандидат не понимал, что перед ним — ИИ. Он вёл 200–300 диалогов одновременно. Быстро, качественно и с нужным эмоциональным тоном. Его задача была одна — пригласить на собеседование. И он её выполнял как надо: проактивно, точно, уверенно. Этот этап резко повысил конверсию: кандидаты не выпадали из воронки из-за того, что кто-то не успел им вовремя ответить. Первичная коммуникация больше не зависела от человеческого ресурса.

В какой-то момент, весной 2024 года, мы поехали на митап с партнерами и рассказали про всё, что сделали для себя. Реакция была мгновенной: «А нам можно так же?» Так у нас появился первый внешний клиент, потом второй, третий — и стало ясно, что это не просто внутренняя автоматизация. Это — продукт.

Мы оформили всё в отдельный сервис и назвали его Polina AI. Он уже не только для IT: скоринг кандидатов и автоматизация коммуникаций востребованы в ритейле, финансах, медицине — везде, где есть массовый и точечный подбор.

Как работает расширение для браузера на hh.ru

Сложностей хватало. Главное — GPT «из коробки» не работает хорошо. Его нужно настраивать, обучать, дорабатывать. Вначале оценка соответствия для всех позиций лишь в 7 из 10 раз совпадала с мнением рекрутера. Эта цифра нас не устраивала. Мы провели файнтюнинг, научили различать «красные флаги»: короткие периоды работы, overqualified, устаревший опыт, невозможность хантинга. Мы внедрили больше 100 правил и нюансов — и вывели качество на уровень 95% соответствия ожиданиям. Это была большая работа. Одна из проблем, с которой мы столкнулись, — необходимость вручную задавать фильтры для поиска кандидатов на работных сайтах. Перед тем как Polina AI могла начать просматривать кандидатов, рекрутеру требовалось сформировать фильтры, что занимало время и часто было неточным: какие-то важные нюансы могли упускаться. Мы автоматизировали и этот процесс — реализовали функцию, которая сама формирует оптимальные фильтры на основе запроса. Это позволило рекрутерам полностью отказаться от ручного взаимодействия с работными сайтами.

Еще один вызов — формирование самих вакансий. Иногда описание было скудным или вовсе отсутствовало. Рекрутеры тратили время, уточняя детали у заказчика или пытаясь найти похожие вакансии. Мы добавили модуль, который на основе минимального входа — хотя бы просто названия должности — генерирует полноценное описание. Это также существенно ускорило процесс.

Коммуникации мы тоже адаптировали — по стилям общения. Зумеры, например, требуют одного подхода, старшее поколение — другого. Мы научили Polina AI это понимать.

Сначала — с опаской. Страх замены — это нормально. Но по факту AI не заменил их, а разгрузил: они стали делать больше за то же время, ушла рутина, осталась творческая часть работы — развитие бренда, внутренние проекты, работа с вовлечённостью. Сейчас сопротивления уже нет — есть благодарность.

HR стали не просто пользователями, а настоящими адвокатами Polina AI. По сути, они — внутренние заказчики продукта. Их вовлеченность настолько высока, что они напрямую участвуют в развитии решения, предлагают доработки, тестируют новые функции. Более того, они активно делятся опытом с профессиональным сообществом: выступают на конференциях, публикуются, участвуют в дискуссиях.

Об этом свидетельствуют партнёрства с ключевыми игроками: ATS-системой Huntlee и HR-платформой для автоматизации рекрутмента «Юнион». И при сравнении с конкурентами становится очевидно: такого полного набора функций нет ни у кого. Кто-то делает только подбор, кто-то — просто чат-бота, кто-то — аналитику. А чтобы всё вместе: автопоиск, ресечинг, скоринг, коммуникация и аналитика — такого нет. Polina AI закрывает весь цикл:

— автоматический поиск на работных сайтах;

— ресечинг с работных сайтов и АТС;

— оценка кандидатов;

— живой human-like диалог.

Ни один из решений на рынке пока не предоставляет столь полного функционала. Большинство AI-инструментов для рекрутеров ограничиваются коммуникацией с кандидатами.

Мы же пошли дальше — и собрали полноценную систему.

Polina AI продолжает развиваться. Мы внедряем голос — хотим, чтобы AI мог звонить и вести разговор, неотличимый от человека. Дальше — видеоинтервью и анализ по мимике и речи. Мы также масштабируем Polina AI через white label: партнёры используют её под своим брендом, как, например, в кейсе интеграции с HR-системой «Юнион».

И наконец, мы идём дальше HR: создаём таких же агентов для закупок, продаж, лидгена — те же принципы, другой процесс. Вот такая история о том, как настоящая боль внутри компании может стать началом продукта, который потом начинает работать на весь рынок. И это, пожалуй, лучший путь, каким может родиться технология.

Внедрение Polina AI в Юнион показало: автоматизация первичного отбора — это не будущее, а настоящее рекрутинга. Технология уже экономит часы рутинной работы, повышает точность подбора и позволяет закрывать массовые вакансии в разы быстрее. Хотите так же? Оформите демо-доступ в Юнион и убедитесь, как ИИ-ассистент может изменить ваш процесс подбора!

Источник: https://vc.ru/hr/1997729-sozdanie-ai-produkta-dlya-avtomatizatsii-hr