Спасибо, что вы с нами!
Теперь система точнее определяет, какой опыт действительно подходит под вакансию, корректно работает с неполными резюме и дает понятную расшифровку оценки. Это напрямую влияет на качество отбора и экономит время рекрутера. Рассказываем, как именно устроен ИИ-скоринг и что меняется в работе.
Новая логика оценки
Обновление затронуло ключевые задачи подбора. В основе — более точное определение релевантного опыта за счёт анализа содержания работы кандидата. Учитываются требования вакансии, что позволяет соотносить опыт с конкретными задачами, а не только с названием позиции.
Отдельно учтены резюме с недостатком данных. Если в профиле не раскрыты задачи или контекст работы, это напрямую влияет на итоговую оценку. Расшифровка также пересобрана: она отражает те же параметры, по которым формируется балл, без дополнительных интерпретаций.
В результате кандидаты распределяются по степени соответствия более точно. В верхней части списка оказываются профили с подтвержденным опытом и понятным функционалом.
Как ИИ определяет релевантный опыт
Модель анализирует опыт кандидата и определяет, какие позиции в его резюме соответствуют вакансии. В расчет берутся требования к кандидату, описание задач и название вакансии. Если указан отраслевой контекст, он также влияет на оценку.
Приоритет остается у требований, зафиксированных в вакансии. Если информации недостаточно, дополнительно учитывается полное описание и другие поля — например, город, готовность к переезду, зарплатные ожидания и специализация. Такой подход позволяет учитывать сразу несколько факторов и формировать более точную оценку.
Это особенно важно в ситуациях, когда опыт кандидата формально похож, но отличается по содержанию. Система фиксирует такие различия и учитывает их в расчёте.
Как учитывается длительность релевантного опыта
Отдельным пунктом ИИ считает месяцы релевантного опыта. В расчет включаются только те периоды, которые соответствуют требованиям вакансии. Пересекающиеся периоды занятости не суммируются и приводятся к фактической длительности.
За счёт этого видно, насколько стабильным был опыт кандидата. Разница между краткосрочными проектами и длительной работой с нужным функционалом становится заметной уже на этапе оценки.
Такой формат удобен при работе с откликами: рекрутер может быстро понять, у кого есть не просто определенный опыт, но и реальная экспертиза в выполнении необходимых задач.
Из чего складывается итоговый балл
После анализа опыта и его длительности ИИ рассчитывает итоговый балл. Он складывается из отдельных параметров, каждый из которых отражён в расшифровке.
Рекрутер видит не только итоговую цифру, но и структуру оценки. Понятно, какие требования совпали, где есть ограничения и за счёт чего кандидат оказался выше или ниже в списке. Это снижает необходимость дополнительного разбора резюме на старте.
Что показывает расшифровка оценки
Оценка сопровождается расшифровкой, в которой показаны параметры, участвующие в расчете. В ней отражается соответствие опыта требованиям, его длительность и дополнительные факторы.
При просмотре списка кандидатов это позволяет быстро ориентироваться в результатах. Видно, на какие моменты стоит обратить внимание, и какие кандидаты требуют детального просмотра.
Итоговый балл выводится в округленных значениях: 60, 70, 80 и выше. Диапазон 90–100 означает полное соответствие требованиям вакансии, 70–80 — соответствие основным параметрам, 50–60 — частичное совпадение. Более низкие значения указывают на заметные расхождения.
Работа с неполными резюме
В резюме часто отсутствуют детали: не описаны задачи, не раскрыт контекст работы, нет информации о длительности. В таких случаях система учитывает только подтвержденные данные и не делает предположений.
Кандидат остается в списке, но без описанного опыта не попадает в число приоритетных для просмотра. Это позволяет сразу сосредоточиться на профилях, по которым можно принять решение о следующем шаге.
В результате снижается количество ситуаций, когда требуется дополнительное уточнение базовой информации уже на этапе первичного отбора.
Как это выглядит на практике
Например, рекрутер создает вакансию специалиста по закупкам и запускает оценку. ИИ определяет, какие позиции кандидата относятся к закупкам, учитывает отраслевой контекст, считает месяцы релевантного опыта и формирует итоговый балл.
Кандидат с опытом в производственной компании и подробным описанием задач получает высокий балл. Кандидат со схожими функциями, но в другой сфере, оказывается ниже. Резюме без описания обязанностей остается в списке, но не попадает в приоритет.
В результате список кандидатов изначально выстроен по степени соответствия, что упрощает дальнейшую работу.
Персональные данные при ИИ-скоринге
В модель не передаются персональные данные кандидатов. ФИО, контакты и другие идентифицирующие сведения не участвуют в расчете. Используются только обезличенные данные по обязанностям и опыту, а сроки работы и расчёт длительности выполняются внутри системы.
Такой подход позволяет использовать оценку в подборе без ограничений и учитывать требования к конфиденциальности.
Коротко о главном
Обновленная оценка релевантности делает процесс подбора более точным и прогнозируемым. Система учитывает реальный опыт кандидата, корректно обрабатывает разные типы резюме и дает понятное объяснение итоговой оценки. Это позволяет рекрутеру быстрее ориентироваться в потоке кандидатов и принимать решения на основе прозрачных данных.
В результате оценка становится полноценным инструментом в работе, который помогает выстраивать качественную воронку и снижать нагрузку на этапе первичного отбора.
А пока подпишитесь на наш чат-бот — он будет регулярно присылать полезные посты про управление персоналом!
Текст подготовила Анна Амелина, продуктовый редактор «Потока»
Статья выпущена в апреле 2026 года
