Телефон: 8-800-350-22-65
Напишите нам:
MAX:
WhatsApp:
Telegram:
Прием заявок круглосуточно
График работы офиса: с 9:00 до 23:00 Нск (с 5:00 до 19:00 Мск)

Статья опубликована в рамках: CXII Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 04 ноября 2026 г.)

Наука: Экономика

Секция: Управление и развитие персонала

Скачать книгу(-и): Скачать книгу

Библиографическое описание:
Васильев В.Е. СКРЫТЫЕ ПОТЕРИ НАЙМА: ОТСЕВ РЕЛЕВАНТНЫХ КАНДИДАТОВ В УСЛОВИЯХ РАСПРОСТРАНЕНИЯ ИИ-РЕКРУТИНГА // Актуальные вопросы экономических наук и современного менеджмента: сб. ст. по матер. CXII междунар. науч.-практ. конф. № 11(95). – Новосибирск: СибАК, 2026. – С. 157-163.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

СКРЫТЫЕ ПОТЕРИ НАЙМА: ОТСЕВ РЕЛЕВАНТНЫХ КАНДИДАТОВ В УСЛОВИЯХ РАСПРОСТРАНЕНИЯ ИИ-РЕКРУТИНГА

Васильев Вячеслав Евгеньевич

студент бакалавриата, Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации, РФ, г. Москва

HIDDEN HIRING LOSSES: THE REJECTION OF RELEVANT CANDIDATES IN THE CONTEXT OF AI RECRUITING PROLIFERATION

В статье рассматривается проблема оценки кандидатов системами ИИ-скрининга. На материале кейса Рама Т., данных отраслевых опросов и исследований показано, что алгоритмы систематически отклоняют соискателей, которые содержательно соответствуют вакансии, но не распознаются формальными критериями. Обосновывается, что эти потери остаются «скрытыми» для работодателя, так как отсеянный кандидат не попадает в воронку найма. Предложены меры снижения рисков отсева.

The article addresses the problem of candidate assessment by AI screening systems. Based on the case of Ram T., industry survey data, and research, it is shown that algorithms systematically reject applicants who substantively match the vacancy but are not recognized by formal criteria. It is substantiated that these losses remain «hidden» for the employer, since rejected candidates do not enter the hiring funnel. Measures to mitigate the risks of algorithmic rejection are proposed.

Введение

Распространение инструментов искусственного интеллекта в рекрутинге принято объяснять стремлением к эффективности: алгоритмы позволяют обрабатывать сотни резюме за секунды и снижать нагрузку на рекрутера. Однако заявленная функция ИИ-скрининга – отбирать наиболее релевантных кандидатов – вступает в противоречие с наблюдаемыми результатами. Всё чаще соискатели, объективно соответствующие требованиям вакансии, получают автоматический отказ ещё до того, как их резюме увидит человек.

Наиболее показательным примером стал кейс Рама Тилака (Ram T.), управляющего партнёра компании DataSyy. В августе 2026 г. он подал заявку на вакансию Senior Associate в собственной компании под вымышленным именем и получил автоотказ за шесть минут. Причиной стало несоответствие формальному фильтру: система требовала точного указания «React.js», тогда как в резюме было указано «React.» – без расширения [1]. Заявитель руководил командой из девяти человек и сам участвовал в создании описания этой вакансии. Кейс получил широкое освещение в деловых СМИ и стал символом более общей проблемы: алгоритм не распознаёт семантическую эквивалентность там, где она очевидна для человека.

Проблема исследования состоит в противоречии между заявленной функцией ИИ-скрининга и реальным эффектом: алгоритмы отклоняют кандидатов, чьё соответствие вакансии подтверждается содержательно, но не улавливается формальными фильтрами. Это противоречие проявляется на трёх уровнях.

Три уровня проявления проблемы

На уровне кандидата – квалифицированный соискатель получает автоотказ без содержательной оценки. Проблема здесь кроется в непрозрачности алгоритмических решений («чёрный ящик»), которую как одну из наиболее значимых угроз отмечают как сами работники (51 %), так и HR-специалисты (44 %) (табл. 1) [2].

Таблица 1.

Наиболее значимые угрозы социального неравенства при внедрении методов ИИ в HR (по данным опросов 2024-2025 гг.) [2]

Тип угрозы Доля работников, выделяющих угрозу
(N = 2300 чел.), %
Доля HR-специалистов, выделяющих угрозу
(N = 500 чел.), %
Дискриминация по возрасту 39 31
Дискриминация по полу 22 18
Непрозрачность решений («черный ящик») 51 44
Цифровое неравенство (менее активные – хуже оценка) 48 53
Усиление контроля и потеря приватности 37 29
Сокращение «человеческого» общения с HR 28 41

Опросы соискателей также фиксируют масштаб «слепого» отсева. Исследование компании Enhancv (N=1066, США, 2026 г.) показало, что 50,5 % соискателей за последний год получили как минимум один отказ, не имея ни одного контакта с человеком (ни письма, ни обновления статуса). При этом 63,8 % из них уверены, что решение принял алгоритм, и лишь 9,7 % получили прямое уведомление о том, что в процессе участвовал ИИ [3]. Более того, сам факт оценки ИИ заставляет соискателей менять поведение [4].

На уровне компании – работодатель теряет релевантных кандидатов, но не фиксирует эти потери, поскольку отсеянный кандидат не попадает в воронку и не становится объектом учёта. Это подтверждается опросом руководителей предприятий (N=1000): 65 % руководителей заявили, что ИИ отклоняет кандидатов ещё до того, как заявку увидят люди, а 14 % утверждают, что технология отклоняет более половины всех заявок до того, как они попадут на стол к человеку [5]. Ситуация усугубляется на этапе интервью. Согласно отчёту Greenhouse 2026 года (опрошено 2950 активных соискателей в пяти странах), 63 % кандидатов уже проходили ИИ-интервью. Из них 38 % снялись с вакансии, как только узнали, что собеседовать их будет робот, а 51 % после прохождения такого интервью вообще не получили никакого ответа (их либо проигнорировали, либо заставили ждать). В результате 34 % кандидатов после такого опыта стали хуже относиться к компании-работодателю [6].

При этом даже сами рекрутеры не уверены в качестве своих систем отбора: согласно данным опроса, приведённым в SocialTalent (2026), только 21 % рекрутеров заявили, что «очень уверены» в том, что их системы не отсеивают ошибочно квалифицированных кандидатов. Остальные 79 % такой уверенности не имеют [7].

На уровне рынка – агрегированные данные демонстрируют массовое распространение ИИ-скрининга, но не позволяют отделить «обоснованный» отсев от «ошибочного». Согласно опросу Paylocity, почти половина руководителей признала, что ИИ отклонял кандидатов, которые прошли бы дальше, если бы заявку первым увидел человек [5]. На одну вакансию сейчас приходится в среднем 291 заявка (против примерно 100 несколько лет назад по данным Ashby). Такой объём вынуждает компании использовать всё более жёсткие фильтры. В результате автоматический отбор начинает вознаграждать «читаемость» резюме под шаблон, а не реальную силу кандидата [7].

Техническая сторона вопроса также подтверждает системный характер отсева. В работе Fofanah (2026) вводится понятие «алгоритмического трения» – избыточного уровня ложноотрицательных отказов, вызванного семантическим непониманием алгоритмом реальных компетенций кандидата. Исследование показывает, что традиционные системы на основе ключевых слов демонстрируют высокий уровень такого трения, в то время как семантические модели существенно снижают его без потери точности [8].

Наконец, проблему усиливает эффект «алгоритмической монокультуры»: если значительная часть компаний использует сходные фильтры или системы одного вендора, одни и те же релевантные кандидаты могут систематически отсеиваться на разных платформах. В результате ошибка одного алгоритма (например, непонимание синонимов) превращается в системный барьер для соискателя на всем рынке труда [8].

Механизмы алгоритмического отсева

Анализ кейса Рама Т. [1] и более широкого корпуса наблюдений позволяет выделить несколько механизмов, из-за которых релевантный кандидат может быть отклонён. Эти механизмы носят не только технический, но и системно-поведенческий характер.

Точное совпадение вместо семантической близости. Многие системы скрининга настроены на поиск точных строк, а не на понимание смысла. Для алгоритма «React» и «React.js» – разные токены, тогда как для разработчика и для рекрутера это одно и то же [1]. Аналогичные разрывы возникают при использовании синонимов, аббревиатур, разных вариантов названий должностей.

Форматирование как скрытый фильтр. Исследования показывают, что алгоритмы могут отсеивать подходящих кандидатов из-за нестандартного оформления резюме. В российском контексте на это указывают данные опросов HR-специалистов: значительная часть респондентов фиксировала случаи, когда алгоритмы рекомендовали отклонить кандидата, объективно соответствующего вакансии, но оформившего резюме непривычным для системы образом [2].

«Нетипичная» карьерная траектория. Карьерные пробелы, смена отраслей, фриланс, проектная занятость – всё это может интерпретироваться алгоритмом как сигнал о низкой релевантности, даже если в содержательном плане такой опыт ценен для вакансии.

Поведенческая ловушка (эффект ИИ-оценки). Отсев происходит не только на уровне кода, но и на уровне психологии. Как показывают исследования PNAS, когда кандидат знает, что его оценивает ИИ, он начинает «подстраиваться» под алгоритм: подавляет интуитивные, эмоциональные и креативные аспекты своего опыта, стараясь выглядеть максимально формальным [4]. Возникает парадокс: пытаясь понравиться машине, соискатель «усредняет» свое резюме, лишая его уникальных черт. В результате такой кандидат может успешно пройти автоматический фильтр, но на этапе оценки человеком проигрывает, так как рекрутер не видит в обезличенном резюме ничего особенного. Компания в итоге теряет талант, который мог принести пользу именно за счет нестандартного мышления, а кандидат – мотивацию.

Непрозрачность («чёрный ящик»). Кандидат не получает обратной связи о причинах отказа, а работодатель зачастую не понимает, какие именно признаки сработали. Это затрудняет как исправление ошибок, так и оспаривание несправедливых решений. По данным российского исследования, большинство HR-специалистов не имеет достаточных знаний о внутреннем устройстве используемых ими ИИ-систем [2].

Выводы и направления снижения рисков

Ключевая особенность проблемы – отсутствие явных признаков её существования и сложность диагностики. Работодатель может месяцами не закрывать вакансию, объясняя это «дефицитом кадров», тогда как часть релевантных кандидатов была отсеяна формальным фильтром.

Проблема отсева релевантных кандидатов – это следствие того, что системы скрининга оптимизированы под скорость и снижение нагрузки, без учета качества найма [5].

Для снижения рисков можно предложить несколько направлений. Во-первых, переход от точного совпадения к семантическому анализу и учёту эквивалентностей (синонимы, аббревиатуры, разные форматы записи) [1]. Во-вторых, обязательный человеческий просмотр на этапе отсева – «human-in-the-loop» – как минимум для кандидатов, чьё резюме содержит сигналы релевантности, не распознанные автоматически [5]. В-третьих, аудит фильтров и прозрачность критериев для кандидатов [2]. В-четвёртых, учёт «скрытых потерь» как метрики: анализ доли кандидатов, отсеянных автоматически, и выборочная проверка их соответствия вакансии.

Таким образом, данные меры поспособствуют формированию более прозрачной и сбалансированной экосистемы найма, где ИИ выступает не «фильтром-отказчиком», а эффективным помощником. Следует подчеркнуть, что проблема кроется не в самом искусственном интеллекте, а в слепом делегировании ему полномочий. ИИ необходимо использовать для оптимизации рутины, однако человек не должен самоустраняться из процесса подбора: сохраняя контроль над ключевыми этапами и оставляя за собой право финальной оценки, компании смогут извлечь выгоду из технологий, не теряя при этом уникальные таланты.

Список литературы

  1. Company manager tested the job posting his team couldn’t fill – his own resume was auto-rejected by their AI bot in 6 minutes [Электронный ресурс]. // Upworthy. – 2026. – URL: https://scoop.upworthy.com/manages-applies-to-own-job-resume-auto-rejected-over-a-period-fp (дата обращения: 27.10.2026).
  2. Пальмов С.В., Чеботков М.С., Кузьмина А.С. Искусственный интеллект в управлении персоналом: возможности повышения производительности и угрозы социального неравенства // Прикладные экономические исследования. – 2026. – № 6. – С. 159⁠–⁠165. – DOI: 10.47576/2949⁠–⁠1908.2026.6.6.020. – URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-upravlenii-personalom-vozmozhnosti-povysheniya-proizvoditelnosti-i-ugrozy-sotsialnogo-neravenstva (дата обращения: 27.10.2026).
  3. Algorithm vs Potential: The New fault line in AI-powered talent hiring [Электронный ресурс]. // HRTech (Economic Times). – 2026. – URL: https://hr.economictimes.indiatimes.com/news/hrtech/ai-powered-hiring-a-double-edged-sword-for-talent-acquisition/131927517 (дата обращения: 28.10.2026).
  4. Goergen J. de Bellis E., Klesse A.K. AI assessment changes human behavior // Proceedings of the National Academy of Sciences. – 2025. – Т. 122, № 25. – DOI: 10.1073/pnas.2425439122. – URL: https://www.pnas.org/doi/10.1073/pnas.2425439122 (дата обращения: 27.10.2026).
  5. AI resume screening is creating a 'visibility gap' for recruiters [Электронный ресурс]. // HR Executive. – 2026. – URL: https://hrexecutive.com/ai-resume-screening-is-creating-a-visibility-gap-for-recruiters/ (дата обращения: 27.10.2026).
  6. Гостинг, автоотказы, роботы на интервью: как AI-агенты убивают HR-бренд [Электронный ресурс]. // Tproger. – 2026. – URL: https://tproger.ru/articles/kak-ai-agenty-v-rekrutinge-ubivayut-hr-brend-i-chto-s-etim-delat (дата обращения: 28.10.2026).
  7. The Application Got Faster. Your Best Candidates Left First [Электронный ресурс]. // SocialTalent. – 2026. – URL: https://www.socialtalent.com/blog/latest-news/application-faster-best-candidates-left-first (дата обращения: 28.10.2026).
  8. Fofanah I.D. Quantifying Algorithmic Friction in Automated Resume Screening Systems [Электронный ресурс]. // arXiv. – 2026. – URL: https://ar5iv.labs.arxiv.org/html/2602.04087 (дата обращения: 28.10.2026).
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов