Відсів резюме

AI-агент замінює первинний перегляд вхідних CV — ручну роботу рекрутера за кожним відгуком. Кандидати потрапляють до HRIS вже з позначкою релевантності, категорією та розгорнутим коментарем.

Рекрутер бачить не потік, а список відібраних кандидатів — і витрачає увагу на людей, а не на фільтрацію.

Базовий процес працює так:

1. Нове резюме потрапляє до відстежуваної папки файлового сховища (вкладення з кар'єрного лендинга, переслане письмо, експорт із сайту вакансій) або безпосередньо до HRIS через вбудований канал подачі.
2. AI-агент читає документ — PDF, DOCX або скан після OCR — і витягує структуровані поля: загальний стаж, релевантний досвід, навички, освіта, локація, рівень мови, очікувана зарплата, якщо вказана.
3. Агент звіряє витягнуті дані з матрицею критеріїв конкретної вакансії. Матриця критеріїв — це заздалегідь описаний набір обов'язкових і бажаних критеріїв, формальних фільтрів (віза, віддаленка, часовий пояс) і контексту ролі.
4. Кожному кандидату присвоюється категорія (відібраний, резерв, відмова) і формується обґрунтування у 2-4 реченнях: що збіглося, що ні, які прогалини закриваються навчанням.
5. Результат записується до картки кандидата в HRIS: статус, коментар, теги, прив'язка до вакансії, мітка часу обробки.
6. Рекрутер отримує повідомлення лише про кандидатів зі списку відібраних; решта залишається в базі для ручної звірки, повторного пошуку за майбутніми вакансіями або поповнення кадрового резерву.

Що автоматизація не робить

• Не приймає фінальне рішення про найм. AI-агент сортує за формальними та напівформальними критеріями, фінальний вибір залишається за людиною.
• Не проводить інтерв'ю, не оцінює софт-скіли, культурний фіт і мотивацію. Ці етапи вимагають живого спілкування і залишаються за рекрутером та менеджером з найму.
• Не замінює юридичну перевірку даних. Верифікація дипломів, референси, перевірка анкетних даних, відповідність вимогам GDPR при зберіганні CV виконуються окремим процесом.

Технічно відсів резюме — зв'язка з чотирьох шарів: отримання, витягування, зіставлення, запис результатів. Кожен шар виконує одне завдання і передає результат наступному, тому збій в одній точці не ламає весь конвеєр.

Архітектура

Порядок впровадження

1. Збір вихідних даних. Команда вивантажує 50-150 нещодавніх резюме та рішення рекрутера щодо них — хто потрапив до списку відібраних, хто ні, чому. Це стає калібрувальним набором для перевірки якості моделі.
2. Опис матриці критеріїв для 1-3 вакансій. HR і наймаючий менеджер разом фіксують обов'язкові та бажані вимоги, формальні фільтри, стоп-фактори. Матриця критеріїв зберігається в окремому документі (Notion, внутрішня вікі, поле в HRIS) і версіонується.
3. Налаштування каналу отримання даних. Обирається джерело: вхідна папка у файловому сховищі, поштовий аліас з автофорвардингом, вебхук від HRIS або сайту вакансій. Для реалізації за вихідні достатньо одного каналу — розширення додається пізніше.
4. Промпт-інжиніринг AI-агента. Пишеться системний промпт з критеріями оцінки, формат JSON-виводу, приклади хороших і поганих оцінок. Агент запускається на калібрувальному наборі з кроку 1; результати порівнюються з рішеннями рекрутера. Розбіжності обговорюються — або коригується промпт, або уточнюється матриця критеріїв.
5. Запис результатів у HRIS. Налаштовується API-інтеграція: створення або оновлення картки кандидата, заповнення статусу, додавання коментаря агента в поле з тегом «AI-оцінка». Якщо HRIS не підтримує прямий API, використовується проміжний шар — рушій робочих процесів, Zapier або middleware.
6. Пілот. 1-2 тижні роботи в тіні: агент обробляє кожне нове CV, але не надсилає сповіщення рекрутеру. HR звіряє результат наприкінці дня. Розбіжності фіксуються.
7. Перемикання. Після 2-4 ітерацій, коли точність по списку відібраних стає прийнятною для команди, процес вмикається у продакшн. Сповіщення надходять у Slack, пошту або напряму в HRIS.
8. Моніторинг. Перший місяць рекрутер звіряє 10-20% результатів у ручному режимі. Розбіжності — сигнал до коригування матриці критеріїв або промпта.

Де зберігається що

Матриця критеріїв — в одному документі, доступному HR і наймаючому менеджеру. Промпт — у git або конфіг-файлі рушія робочих процесів або проміжний шар. Результати роботи агента — у HRIS в окремих полях, щоб не змішувати з ручними позначками рекрутера. Калібрувальний набір оновлюється раз на квартал або при зміні профілю вакансії.

Для базової реалізації відсіву резюме потрібні:

• Вхідний канал резюме. Папка у файловому сховищі (Google Drive, Dropbox, SharePoint, S3) з правом на читання для сервісного акаунту, або HRIS з вебхуком або API подачі кандидатів.
• HRIS з доступним API. BambooHR, Greenhouse, Workable, Hurma, Peopleforce або аналог. Потрібні поля для статусу кандидата, коментаря та тегу «AI-оцінка».
• Описані матриці критеріїв за ключовими вакансіями. Мінімум 1-3 ролі: junior/middle/senior за одним напрямком. Без матриці критеріїв AI-агент не розуміє, що шукати.
• Калібрувальний набір. 50-150 нещодавніх резюме з рішенням рекрутера (відібраний / резерв / відмова) і коротким обґрунтуванням.
• Відповідальний всередині команди. Один рекрутер або HR-менеджер готовий вкласти 4-8 годин на тиждень перші 2-3 тижні на калібрування та коригування промпта.

Готовність команди

Рекрутер сприймає результати AI-агента як перший фільтр, а не як фінальне рішення. Наймаючий менеджер бере участь в описі матриці критеріїв і готовий повернутися через 2-3 тижні після старту, щоб уточнити критерії.

Таймлайн

Складність рівня «за вихідні» передбачає 2-7 днів на налаштування: 1 день на збір калібрувального набору та матриці критеріїв, 1-2 дні на промпт і інтеграцію з HRIS, 2-4 дні на пілот та ітерації. Готове рішення — до кінця першого робочого тижня.