Персональний сценарій інтерв'ю під кожного кандидата
What it does
AI-агент бере на себе рутинну частину підготовки до інтерв'ю: читання резюме, зіставлення з описом вакансії та складання чернетки запитань.
Рекрутер перестає починати щоразу з чистого аркуша і отримує структурований сценарій, який залишається лише перевірити та доопрацювати під контекст конкретного кандидата.
Типовий робочий процес:
- Рекрутер або менеджер з найму завантажує резюме кандидата та опис вакансії в систему — через інтеграцію з HRIS або напряму у файлове сховище.
- AI-агент вилучає ключові компетенції з опису ролі та зіставляє їх із досвідом, зазначеним у резюме.
- Агент формує чернетку списку запитань: поведінкові, технічні, ситуаційні — залежно від рівня ролі та стадії інтерв'ю.
- До кожного запитання додається контекст із резюме — конкретний проєкт, навичка або прогалина в досвіді, яку варто прояснити в розмові.
- Готовий сценарій зберігається в HRIS або доступний рекрутеру у вигляді документа перед зустріччю.
- Після інтерв'ю рекрутер відзначає, які запитання спрацювали найкраще, і зворотний зв'язок враховується під час генерації майбутніх сценаріїв.
Результат — кожен кандидат отримує інтерв'ю, адаптоване під його досвід, а не уніфікований опитувальник для всіх. Це особливо важливо на позиціях middle+, де поверхневі запитання не дають сигналу про реальні навички.
Що автоматизація НЕ робить
- Не приймає рішення про найм — це залишається завданням рекрутера та менеджера з найму, які спираються на живе обговорення та експертизу.
- Не замінює живий діалог: згенерований сценарій — це чернетка, а не жорсткий скрипт, від якого не можна відступити в розмові.
- Не оцінює м'які навички або культурну відповідність автоматично за відповідями — для цього потрібна людська інтерпретація.
Підхід потрапляє в категорію «генерація контенту (чернетки)»: AI готує перший варіант, людина валідує та відправляє в роботу. Це знімає навантаження з креативної частини роботи рекрутера, але залишає фінальний контроль якості в руках команди.
How it works
Технічна реалізація використовує no-code стек: зв'язку платформи автоматизації (наприклад, рушій робочих процесів або Zapier), LLM-провайдера та сховища документів. Рекрутер не пише код — налаштування зводиться до конфігурації вузлів і промптів.
Потік даних
Дані йдуть по передбачуваному маршруту: джерело резюме → обробка LLM → генерація сценарію → доставка рекрутеру.
- Тригер. Нове резюме з'являється у файловому сховищі (Google Drive, Dropbox, SharePoint) або в модулі кандидатів HRIS. Платформа автоматизації відловлює подію.
- Вилучення тексту. З PDF або DOCX вилучається текстовий шар. Для сканів додається OCR-крок — це збільшує час обробки.
- Завантаження опису вакансії. Паралельно система забирає актуальний опис вакансії з HRIS або з попередньо визначеного документа.
- Виклик LLM. Резюме та опис вакансії надсилаються в промпт разом із шаблоном: «склади N питань за компетенцією X, прив'яжи їх до конкретних пунктів резюме».
- Структурування відповіді. LLM повертає сценарій у структурованому форматі (Markdown або JSON), який простіше парсити та оновлювати.
- Доставка. Готовий сценарій зберігається назад у HRIS (прикріплюється до картки кандидата) або надсилається рекрутеру у вигляді документа та сповіщення в месенджері.
Компоненти рішення
Компонент | Роль |
|---|---|
Платформа автоматизації | Оркестрація кроків, тригери на нові файли |
LLM | Аналіз резюме та генерація питань |
Файлове сховище | Зберігання вихідних резюме та готових сценаріїв |
HRIS | Джерело описів вакансій, місце зберігання сценаріїв |
Кроки впровадження
- Визначення шаблонів. Команда HR формулює, які типи питань потрібні для різних ролей (junior/middle/senior, engineering/sales/ops). Це перетворюється на набір промпт-шаблонів.
- Налаштування інтеграцій. Підключення платформи автоматизації до HRIS та файлового сховища через готові конектори. На цьому кроці перевіряється, що система має права на читання резюме та опису вакансії.
- Промпт-інжиніринг. Ітеративне налаштування промптів: прогін 10–20 резюме, порівняння згенерованих питань із тим, що склав би рекрутер вручну.
- Налаштування виводу. Вибір формату сценарію — Markdown-документ, сторінка в Notion, картка в HRIS. Команда визначає, де зручніше працювати з результатом.
- Пілотний запуск. Паралельна робота: рекрутер готує питання і вручну, і через агента, потім порівнює. Збирається фідбек за 2–3 тижні пілоту.
- Розгортання на команду. Після пілоту — навчання решти рекрутерів (1–2 години), додавання петлі зворотного зв'язку для збору оцінок після інтерв'ю.
Контроль якості
Генерація контенту через LLM потребує контролю: модель може упустити контекст або видати шаблонне питання. Мінімальний набір перевірок — це обов'язкова людська перевірка перед відправкою сценарію в роботу, періодичний аудит якості за вибіркою та явна заборона на формулювання дискримінаційного характеру (за віком, статтю, сімейним станом). В конфігурацію промпту закладаються правила, що відповідають політиці компанії та законодавству про захист даних.
Prerequisites
Для запуску автоматизації команді потрібен мінімальний набір даних і доступів. Більшість SMB вже має все необхідне — достатньо HRIS або хмарного сховища для документів.
Дані та доступи
- Актуальні описи вакансій з переліком ключових компетенцій і вимог.
- Резюме кандидатів у цифровому вигляді (PDF або DOCX з текстовим шаром).
- Доступ на читання до HRIS або файлового сховища, де зберігаються резюме.
- Право на запис назад — для прикріплення сценарію до картки кандидата.
- Обліковий запис у LLM-провайдера з активним API-ключем і лімітом, що покриває очікуваний обсяг інтерв'ю.
Готовність команди
- Один відповідальний за налаштування — рекрутер або HR ops, готовий витратити 1–2 тижні на налаштування шаблонів і промптів.
- Згода рекрутерів працювати з чернеткою і доводити її до фінального сценарію, а не чекати «ідеального» результату від моделі.
- Домовленість з юристом або DPO про те, що резюме кандидатів можна передавати у зовнішню LLM-модель (або використовується корпоративна версія з обробкою у потрібній юрисдикції).
Таймлайн за етапами
Складність вихідних означає запуск MVP-версії за 2–4 тижні:
- Налаштування інтеграцій і шаблонів вакансій — 3–5 робочих днів.
- Промпт-інжиніринг на вибірці з 10–20 резюме — 3–5 робочих днів.
- Пілот з однією командою рекрутерів і збір зворотного зв'язку — 1 тиждень.
- Розгортання на решту рекрутерів — 1–2 дні навчання.
Якщо HRIS відсутній і резюме розкидані по пошті, додається крок зі збору даних у єдине сховище — це подовжує запуск до 4–6 тижнів.
Pain points
- Slow creative output speed
- Inconsistent Quality
FAQ
За який час автоматизація виходить на робочий режим?
Складність weekend означає, що MVP запускається за 2–4 тижні: близько тижня на налаштування інтеграцій з HRIS і файловим сховищем, 1–2 тижні на промпт-інжиніринг і пілот з однією командою рекрутерів. Якщо частина процесів не оцифрована (наприклад, резюме лежать у пошті), додається крок зі збору даних у єдине сховище, і загальний строк зростає до 4–6 тижнів.
Що робити, якщо у нас немає HRIS?
Автоматизація працює і без HRIS: описи вакансій і резюме можна зберігати в Google Drive, Dropbox або SharePoint, а готовий сценарій надсилати рекрутеру в Slack або на пошту. HRIS спрощує інтеграцію та зберігання історії, але не є обов'язковою умовою. Для SMB 5–50 осіб достатньо хмарного файлового сховища і шаблонів описів вакансій у Notion або Google Docs.
Які ризики і що може зламатися?
Три типові ризики: LLM генерує шаблонні або нерелевантні запитання, якщо промпт погано налаштований; сценарій містить формулювання, некоректні з точки зору антидискримінаційних вимог; інтеграція з HRIS ламається при зміні API. Контрзаходи: обов'язковий людський перегляд перед використанням, фільтр заборонених формулювань у промпті, моніторинг помилок інтеграції з повідомленням у Slack.
Чи підходить це рішення для нашої галузі?
Автоматизація універсальна: вона працює в будь-якій галузі, де проводяться структуровані або напівструктуровані інтерв'ю. Підхід однаково застосовний в IT, консалтингу, рітейлі, виробництві та сервісному бізнесі. Галузева специфіка задається на рівні шаблонів — компетенції, типи запитань і глибина перевірки технічних навичок налаштовуються під домен компанії.
Чи можемо ми використовувати власний фреймворк інтерв'ю?
Так, фреймворк задається через промпт-шаблони і правила генерації. Якщо команда працює за STAR, Topgrading або власною методологією, агент налаштовується дотримуватися цієї структури. Налаштування шаблонів займає 1–2 ітерації на початку проекту і оновлюється в міру еволюції процесу найму — це звична частина циклу промпт-інжинірингу.
Як захищаються дані кандидатів?
Резюме містять персональні дані, тому в проекті закладаються три контури захисту: вибір LLM-провайдера з обробкою даних у потрібній юрисдикції (або корпоративної версії з no-training-on-data), обмеження доступу до сховища сценаріїв ролями HRIS і явне погодження з юристом або DPO до запуску. Конкретні вимоги залежать від регулювання, що застосовується до компанії.
Want this in your business?
Book a free audit — we'll show how this automation will work for you.