Сначала ищут точку потери, потом покупают инструмент
Одна из самых частых ошибок в МСБ - попытка автоматизировать подбор целиком. Идея выглядит современно, но если у собственника, HR и будущего руководителя разные представления о нужном кандидате, система просто ускоряет путаницу.
В небольшом fashion-бизнесе с 9 магазинами планировали внедрить AI-скрининг на продавцов-консультантов и администратора. Разбор воронки показал вполне прозаичную картину: откликов было достаточно, кандидаты терялись между откликом и первым сообщением. Ответ уходил через 2-3 дня, и часть людей к этому моменту уже выходила на стажировку в соседние сети. После автоматизации первого ответа и записи на интервью конверсия из отклика в интервью выросла с 28% до 46%, а срок закрытия вакансии продавца сократился с 19 до 13 дней.
Перед внедрением обычно имеет смысл проверить четыре вещи:
- где в воронке самый заметный провал;
- что в роли можно описать четкими критериями;
- какую метрику бизнес хочет сдвинуть;
- кто в команде будет отвечать за настройку, а не только пользоваться инструментом.
«Если кандидат ждет до завтра, его уже забрали», - HRD розничной сети на 30+ точек.
Самая полезная зона AI - первые часы после отклика
Лучше всего AI работает там, где есть поток и много рутины. Первичный разбор откликов, стоп-факторы, совпадение по графику, локации и ожиданиям по доходу, быстрый первый контакт в мессенджере - это уже рабочий инструмент, а не слайд для совета директоров.
В региональной сети fashion-ритейла с 40+ точками AI подключили только в двух зонах: сортировка входящего потока и первое сообщение кандидату. За 8 недель пилота время обработки одного отклика сократилось с 6-7 минут до 2-3, а время от отклика до первого касания - с 19 часов до 35 минут. Массовые вакансии стали закрываться в среднем за 12 дней вместо 18.
Есть и менее заметная, но полезная часть этой работы. Речь о текстах вакансий, кратких выжимках по резюме, заметках после интервью, сравнении двух-трех финалистов по заданным критериям. Внешне это выглядит не так эффектно, зато возвращает HR несколько часов в неделю.
Лучший эффект часто дает самый скучный сценарий
Компании любят идею «умной оценки». На практике в найме продавцов-консультантов, координаторов шоурума и офисных администраторов чаще выигрывает не сложный скоринг, а предсказуемая и быстрая коммуникация. Кандидаты теряются не потому, что их плохо оценили. Гораздо чаще им поздно пишут, ставят неудобное интервью или отправляют вакансию языком должностной инструкции образца 2018 года.
Локальная розничная сеть с 7 точками сначала пошла в более сложную AI-оценку. Сценарий не сработал: откликов было немного, роли отличались по сменам и нагрузке, а критерии управляющих менялись почти каждую неделю. В итоге оставили два простых решения - переписали вакансии в понятный язык и настроили быстрые ответы в Telegram. Срок закрытия продавца-консультанта сократился с 21 до 14 дней без расширения HR-команды.
Ниже обычно и проходит граница между красивой идеей и полезным внедрением:
| Сценарий | Что дает бизнесу |
|---|---|
| Автоответ в первые минуты | Повышает доходимость до интервью |
| Первичный разбор откликов | Снимает с HR рутину на потоке |
| Генерация и правка вакансий | Повышает читаемость и отклик |
| Жесткий AI-отсев на клиентские роли | Часто дает ошибку дороже экономии |
Там, где нужна живая оценка, цена ошибки быстро растет
AI уже умеет структурировать ответы кандидата и видеть формальное совпадение по опыту. С мотивацией, устойчивостью к плотному графику и готовностью к сервисной нагрузке все сложнее. Особенно на клиентских и гибридных ролях, где сам по себе релевантный опыт еще мало что гарантирует.
Показательный случай был в компании из e-commerce и офлайн-розницы. На первичном отборе менеджеров магазина система выше ранжировала кандидатов с гладкими формулировками и аккуратно заполненными анкетами. Воронка выглядела чище, HR тратил меньше времени, но через месяц выход на стажировку у этой группы оказался ниже на 17 п.п. Система хуже считывала реальную готовность к нагрузке и нестабильному трафику магазина.
AI в найме окупается там, где машине отдают рутину, а право финальной оценки остается у людей.
Смотреть надо на пять цифр, а не на ощущение «стало современнее»
После внедрения почти всегда возникает ощущение, что процесс ускорился. В подборе это впечатление часто обманчиво: HR действительно тратит меньше времени, но качество выхода может просесть так, что бизнес заплатит позже - текучестью, недокомплектом и повторным наймом.
Минимальный набор метрик здесь выглядит так:
- время до первого контакта;
- конверсия отклик -> интервью;
- конверсия интервью -> оффер;
- срок закрытия вакансии;
- выход и удержание 30-90 дней.
В компании с наймом линейного и офисного персонала после автоматизации всем казалось, что стало лучше. Цифры показали обратное: интервью стало больше, но конверсия в оффер снизилась, потому что в воронку попало больше формально подходящих, но слабее мотивированных кандидатов. Логику пересобрали, убрали жесткий отсев и оставили предварительную сортировку. Через 6 недель скорость первичного отбора осталась выше прежней, а качество вернулось.
Если завтра убрать из подбора весь AI-слой, в компании довольно быстро станет видно, что действительно влияет на результат, а что просто добавляет удобства. Этот вопрос обычно дает более честный ответ, чем любая презентация про «умный найм».
