Як AI впливає на процеси найму

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Чи дійсно AI «обирає» кандидатів самостійно, а людина в процесі вже не потрібна?

Я Вікторія Копейкіна, HR-менеджер, рекрутер і спеціаліст з цифрового маркетингу в 111Techs. З 2019 року я беру участь у наймі від моменту, коли менеджер каже «нам потрібен спеціаліст» до успішних років співпраці з цією людиною.

За ці роки я пройшла шлях від ручного перегляду сотень резюме до скринінгу за допомогою AI і хочу поділитись тим, чому автоматизація необхідна і що саме AI виконує у нашій роботі.

Чому автоматизація стала необхідністю

Раніше наш процес виглядав просто: Google Drive, таблиці, ручний перегляд. Нас це влаштовувало, поки не з’явився справжній виклик.

На початку 2024 року ми відкрили вакансію QA Engineer (manual) і за тиждень зібрали 500+ відгуків.

За такого потоку резюме існував реальний ризик, що сильний кандидат може залишитися непоміченим. Навіть якщо я уважно переглядала відгуки, фізично опрацювати сотні резюме однаково якісно було дуже складно. Нажаль, так і було, хоча ми знайшли потрібну людину, та на це пішло близько 2 місяців.

Так відбулося з декількох причин:

• Велика кількість відгуків, яка не зменшувалась з часом
• Багато нерелевантних кандидатів
• Ми чекали трохи більше, ніж пів місяця поки до нас вийде майбутній співробітник

Все одно переважала велика кількість відгуків і це не унікальна ситуація й на сьогодні. За даними аналітики Djinni на червень 2026 року, 89 097 кандидатів претендують на 7 731 вакансію лише в українському tech-секторі. Ринок не став тихішим і ризик «загубити» талановитого кандидата в такій кількості тільки зростає.

Саме тоді ми вперше серйозно замислилися над тим, як автоматизувати перший етап відбору, щоб не втрачати потенційно сильних кандидатів лише через великий обсяг заявок. Часу на довгий пошук нової системи не було, тому ми почали з того, що мали: створили Google-форму, щоб заявки самі падали в таблицю з заповненими критеріями. Не ідеально, але це був наш перший реальний крок до автоматизації.

Google-форма допомогла нам структурувати потік заявок, але залишалися дві складні задачі:

• На одну вакансію надходять десятки резюме, і серед них є як ті, хто справді відповідають вимогам та уважно ознайомились з вакансією, так і ті, хто розсилає «віялом» — усім підряд, не читаючи вимог.

Сьогодні для цього вже існують різні сервіси та AI-інструменти, які дозволяють за кілька кліків адаптувати резюме під вакансію або автоматично розіслати його на 100+ вакансій. Нижче — реальний приклад, коли один кандидат (ім’я змінено) надіслав заявку в нашу компанію одразу на 7 вакансій одночасно.

Або на senior-позицію приходять мідли та джуни, а на фулстек-вакансію — лише фронтендери. У мене обмаль часу на аналіз сотні резюме вручну або на дзвінки-знайомства і витрачати його на завідомо невідповідних до вимог кандидатів не хочеться — хочеться знайти та поговорити саме з тими, хто максимально відповідає профілю.

• аналізувати резюме, які надходять у різних форматах. Зазвичай це DOCX- або PDF-файл, складений як кому зручно: хтось пише «3 роки Python», хтось — просто «досвід розробки», хтось ховає ключове в табличці на п’ять колонок. Ідеально було б, якби кандидат сам вводив дані в структуровану форму або подавав резюме у стандартизованому форматі, наприклад, HR-XML (стандарт) чи Europass XML. Але напишіть у коментарях: у кого з вас резюме в такому форматі?

Отже, стало зрозуміло, чим має зайнятися AI та чому це стає необхідністю.

Де найбільш за всього використовується AI у нас

В 111Techs найбільше AI допомагає мені, як рекрутеру, робити скриннінг резюме.

Я протестувала кілька популярних ATS із вбудованим AI, зокрема Manatal та Zoho Recruit. Саме тоді я побачила проблему: кандидат із сильним досвідом, але нестандартним резюме або кар’єрним шляхом міг отримати низьку оцінку від системи. А коли ми переглядали такі профілі вручну, виявлялося, що людина чудово підходить на роль. Або кожен раз система по-різному може оцінити одне й те саме резюме. Знайшла класну статтю щодо іншого ATS-сервісу з подібним кейсом: danunparsed.com/...​ackerrank-open-source-ats

Це стало для нас важливим висновком: ми не хочемо, щоб AІ оцінював кандидатів. Ми хочемо, щоб він структурував дані: дати початку і завершення роботи, посади, назви компаній, технології, рівень освіти, рівень англійської.

Зараз ми використовуємо Airtable як основу для збору та структурування заявок, з підключеним AІ для структурування та заповнення даних.

Що рахує формула, а не AI

Коли факти витягнуто й розкладено по полях, починається математика і ось до неї ШІ вже не має жодного стосунку. Для відбору ми використовуємо ранжування: формулу, яка за ключовими для вакансії параметрами рахує бал резюме.

Наприклад, для вакансії Senior Python Software Engineer нам важливі такі критерії:

• загальний стаж в спеціалізації — hard skills за профілем і наскільки кандидат досвідчений у професії загалом;
• наявність профільної освіти (КІ, КН, ПІ, інформатика);
• рівень англійської.

Для витягання та класифікації потрібних даних ми використовуємо LLM, зокрема модель OpenAI GPT-5.5.

Для ілюстрації різниці між «оцінкою кандидата» та «структуруванням даних» покажу один із наших робочих промптів.

Extract the candidate’s employment history from the attached PDF or DOCX resume/CV.

Return only valid JSON. Do not include markdown, explanations, comments, or any text outside the JSON.

Output must be a JSON array. Each element represents one employment position and must contain exactly these fields:

{
“date_start”: “YYYY-MM or YYYY-MM-DD”,
“date_finish”: “YYYY-MM or YYYY-MM-DD”,
“job_title”: “string”,
“company_name”: “string”,
“software_development_relevance_score”: 0.0,
“software_development_relevance_reasoning”: “string”
}

Extraction rules:
1. Extract only actual employment positions.
2. Ignore education, certifications, skills, projects, publications, volunteer work, and awards unless explicitly listed as paid employment.
3. Preserve the order from the resume, preferably most recent position first.
4. Do not invent information.

Date normalization rules:
1. Convert all dates to ISO format.
2. If only year and month are known, use YYYY-MM.
3. If a full date is available, use YYYY-MM-DD.
4. If only a year is available, use YYYY.
5. For current positions (“Present”, “Current”, “Now”, etc.), replace the end date with the current year and month in YYYY-MM format.
6. If a date cannot be determined, use null.

Software development relevance scoring:

Assign a score between 0.0 and 1.0 indicating how strongly the company and position appear related to software development, software engineering, IT services, SaaS, technology products, software consulting, platform engineering, DevOps, data engineering, AI/ML, cloud services, or similar technical software domains.

Guidelines:
* 1.0 = clearly a software company and/or software engineering role.
* 0.8–0.9 = strongly software-related organization or role.
* 0.5–0.7 = partially software-related, mixed technology/business environment.
* 0.2–0.4 = limited evidence of software development relevance.
* 0.0–0.1 = unrelated to software development.

Reasoning rules:
1. Provide a concise explanation for the assigned score.
2. Reference evidence found in the company name, job title, or resume context.
3. Do not speculate beyond available evidence.

Example output:
[
{
“date_start”: “2022-01”,
“date_finish”: “2026-06”,
“job_title”: “Senior Software Engineer”,
“company_name”: “Acme Cloud Technologies”,
“software_development_relevance_score”: 1.0,
“software_development_relevance_reasoning”: “Software Engineer role at a cloud technology company developing software products.”
}
]

Коли всі факти витягнуто, кожен критерій отримує свою вагу:

• загальний стаж в спеціалізації — множиться на 2;
• наявність релевантної освіти — коефіцієнт 1;
• рівень англійської: B2/C1 = 2 бали, B1 = 1 бал.

Кінцева формула математично рахує підсумковий рейтинг — ранжований список, де найвищий бал отримують ті, хто найбільше відповідає ключовим вимогам вакансії. Таких кандидатів потім особисто перевіряю я і запрошую на HR-інтерв’ю.

Отже, в 111Techs AI не приймає рішень, а лише реструктуризує перший етап скринінгу.

Що це дало на практиці

• Зник ручний етап ранжування. Раніше я вичитувала кожне резюме сама; тепер пріоритезацію бере на себе формула, а я одразу телефоную найрелевантнішим.
• Майже весь час іде на потрібних кандидатів. Раніше кожен другий-четвертий кандидат був нерелевантним і чверть із 40 робочих годин з’їдали дзвінки «в нікуди». Тепер увага зосереджена на тих, хто справді підходить.
• Топові кандидати видно з перших днів. Найсильніший профіль завжди спливає вгору рейтингу — ризик «не дійшли руки до крутого кандидата» різко знижується.
• Швидкість. Від подачі резюме до сповіщення в Slack зі звітом про ТОП-10 минає близько хвилини. Про нерелевантних — сповіщень навіть немає.

Як зробити резюме зрозумілим і для AI, і для рекрутера

Тепер, коли зрозуміло, що саме робить AI під час скринінгу, виникає логічне запитання: як підготувати резюме так, щоб система коректно зчитала всю важливу інформацію? Ось кілька порад, які допоможуть у цьому.

• Описуйте не лише роль, а весь стек. «Python developer» — це одне поле. А «Python, Django, PostgreSQL, Docker» — це чотири факти, які реально потраплять у структуру.
• Вказуйте освіту та рівень мови. Це окремі критерії у формулі — без них бал буде нижчим, навіть якщо за фактом усе у вас є.
• Не намагайтеся «вгадати ключові слова». Просто скопіювати формулювання з вакансії не спрацює: AI не оцінює збіги, він витягує факти. Так, неточними даними можна тимчасово піднятися в ранжуванні, але на реальному інтерв’ю це одразу стане видно. Пишіть те, що відповідає дійсності.
• Обирайте простий формат: Таблиці, колонки, графіки й нестандартні шрифти ламають читання — AI може просто не витягнути факт із гарно оформленої комірки. Найнадійніше: чистий текст в один стовпчик, чіткі заголовки розділів, формат PDF або DOCX. Чим простіший формат, тим точніше модель витягне ваші дані.
• Слідкуйте за узгодженістю LinkedIn і резюме: Рекрутери завжди перевіряють профіль і розбіжності між резюме та LinkedIn одразу викликають питання. Початковий бекграунд чек буде за соцмережами.
• Не перевантажуйте резюме: Велика кількість інформації не підвищує шанси — вона знижує читабельність. Два роки досвіду, викладені чітко і по суті, справляють краще враження, ніж п’ять сторінок із усім, що ви коли-небудь робили. Як досвідчений рекрутер, я витрачаю на перегляд резюме від 30 до 60 секунд на рішення про те, чи є профіль потенційно цікавим, тому сильне резюме одразу створює орієнтир.

Аспекти найму, які не піддаються автоматизації

Я читала багато LinkedIn постів та статей про інтерв’ю, що проводяться AI і особисто я скептично ставлюся до такого підходу. Щойно AI починає автоматично оцінювати відповіді, кандидати з таким же успіхом можуть генерувати відточені відповіді за допомогою AI і взаємодія ризикує стати показною з обох боків.

Просто подружіть ваші AI між собою та завершимо на цьому 🙂

Або приклад з нашої практики: кандидат отримав високий бал від алгоритму — все відповідало критеріям. А на інтерв’ю виявилось, що частина досвіду була перебільшена: людина вказала технології з якими працювала поверхово, а не як основний стек. Жоден алгоритм це не побачив би.

У такому обміні зникає щось суттєве. Звичайно, кожен використовує AI і це класно, але жива розмова розкриває те, що структурований аналіз часто не вловлює: нерішучість, допитливість, впевненість, невизначеність, емоційний інтелект, щирість або справжній інтерес до кандидата/ролі.

Такі моменти важко виміряти, але вони визначають розуміння рекрутером того, чи кандидат дійсно має релевантний досвід та який саме, чи впишеться в команду або організацію.

З цієї причини, я бачу, що робота в рекрутингу стає гібридною, як у всіх спеціалізаціях, я думаю. Автоматизація бере на себе частину операційного навантаження, а спеціалісти дедалі більше зосереджуються на інтерпретації, комунікації та прийнятті рішень.

Висновок

Кілька років тому я витрачала години на перегляд резюме, ручне сортування кандидатів і нескінченні таблиці. Сьогодні значну частину цієї роботи виконує AІ.

Чи означає це, що AI замінив рекрутера та «обирає» кандидатів самостійно? Ні. Він просто забрав те, що людина не повинна робити вручну. Тому майбутнє рекрутингу я бачу не як «AI замість рекрутера», а як «AI + рекрутер».

До речі, ця стаття про AI, але написана мною. Ідеального промпту не існує, а мені важливо бачити мене, мої думки, мій досвід. І саме так я ставлюся до рекрутингу: автоматизація може допомогти на першому етапі, але у весь процес завжди повертається людина.