Резюме против нейросетей: как пройти ИИ-скрининг, чтобы твой отклик не затерялся

ИТ-специалисты все чаще подмечают, что их резюме сначала читает искусственный интеллект, а уже потом человек. Казалось бы, нейросети должны помогать в работе, но иногда они мешают ее найти.

Привет, читатели VC! Я Лена Глущик, рекрутинг-партнер IBS. Более 12 лет занимаюсь подбором ИТ-специалистов и знаю, как топовые компании принимают решения о найме. Ранее я рассказывала, как составить резюме, чтобы впечатлить рекрутера, а сегодня поговорим о том, как сделать так, чтобы оно понравилось ИИ. Разберемся, почему бизнес все чаще использует нейросети в рекрутинге, где ошибаются алгоритмы и что стоит изменить в резюме, чтобы пройти автоматический скрининг. А еще поделюсь, как мы в IBS применяем ML-ранжирование, которое помогает ускорять отбор без жестких отсечений.

Главная причина проста: откликов слишком много, рекрутеров — мало. На популярные ИТ-вакансии приходят сотни резюме, из которых лишь небольшая часть действительно релевантна. Среди откликов — начинающие специалисты, выпускники курсов, кандидаты без нужного стека или опыта в смежных ролях. Разобрать все это вручную сложно, особенно в компаниях, где открыто сразу несколько десятков позиций.

Нейросети помогают справляться с этим потоком. Они берут на себя первичный скрининг, экономят время и бюджеты компаний, а заодно создают иллюзию большей точности: алгоритм вроде бы должен быстрее «свести» требования вакансии и опыт кандидата. В идеале это позволяет ускорить найм и повысить качество подбора.

Точно определить, какие работодатели уже активно используют ИИ, сложно, но тенденция очевидна. По данным РБК, 37% российских компаний применяют искусственный интеллект в HR-процессах, чтобы ускорить найм, сократить ручные операции и победить в борьбе за таланты.

Крупные рекрутинговые платформы тоже внедряют ИИ-функции: например, Хантфлоу развивает собственный AI-модуль, Skillaz анализирует резюме и генерирует описание вакансий с помощью ИИ, а HeadHunter использует инструменты автоматического ранжирования откликов. Так что соискателям все чаще приходится конкурировать не только с другими кандидатами, но и с алгоритмами, которые решают, чье резюме увидит человек.

ИИ действительно помогает рекрутерам справляться с рутиной, но его нельзя назвать идеальным инструментом. Большинство решений на рынке работают по простой схеме: в модель загружают требования к кандидату, и всех, кто формально не подходит, система автоматически отклоняет. На практике это приводит к множеству ошибок.

Во-первых, модель обучает ML-инженер, который не всегда глубоко разбирается в особенностях подбора. Чтобы нейросеть работала корректно, нужны очень точное техническое задание и постоянная ручная настройка. Иначе алгоритм действует механически, без учета специфики компании или проектов. Результат — нерелевантная выдача и потерянные кандидаты. Это немного похоже на работу с генеративными ИИ: чтобы получить качественный текст, нужно написать грамотный промт. Но пока его формулируешь, иногда оказывается, что быстрее сделать все вручную. То же самое и с автоматическим скринингом — без гибкой настройки пользы немного.

Во-вторых, алгоритмы пока слабо справляются с нюансами языка. Для них «Android-разработчик» и «программист мобильных приложений» — разные люди. Они не всегда распознают аббревиатуры, сокращения и синонимы. Если модель не обучена на этих вариантах, она просто не «узнает» нужного специалиста.

Еще одна типичная проблема — формат и структура резюме. ИИ плохо обрабатывает фриланс, проектную занятость и сложные шаблоны: если названия компаний или сроки указаны неявно, нейросеть просто не учтет такой опыт. Алгоритм также игнорирует сопроводительные письма, а значит, ссылки на портфолио или расширенные версии резюме часто остаются незамеченными.

И наконец, искусственный интеллект не умеет считывать контекст. Опытный рекрутер может распознать сильного кандидата по косвенным признакам — названиям компаний, типам проектов, стеку, даже интонации описания задач. Машина видит только совпадения по ключевым словам. Поэтому нередко качественное, но нестандартно оформленное резюме просто не доходит до рекрутера.

В итоге соискатель может даже не узнать, что полученный отказ — не решение HR, а результат холодного ИИ-отбора. Эффект от автоматизации есть, но пока нейросети не научатся понимать контекст и учитывать человеческий опыт, риск потерять достойных специалистов останется высоким.

Когда понимаешь, как работает алгоритм, становится ясно: пройти скрининг реально — нужно лишь немного помочь системе тебя «увидеть». Вот несколько простых приемов, которые сделают резюме заметнее для нейросети.

Начни со структуры. Резюме должно быть простым и читаемым — без таблиц и иллюстраций. Алгоритм «читает» текст построчно, поэтому все важное должно быть написано словами, а не спрятано в картинках или ссылках.

Далее — гигиенический минимум информации, без которого нейросеть просто не сможет корректно тебя оценить:

Помни, что ИИ не открывает внешние ссылки и не анализирует портфолио. Поэтому проекты, которыми ты гордишься, лучше описать прямо в резюме — указать контекст, стек и результат: «Разработал сервис на Go, снизил задержку ответов API на 30%». Такой формат заметно повышает шансы, что алгоритм и рекрутер после него обратят на тебя внимание.

Отдельное внимание — ключевым словам. ИИ ориентируется на совпадения с текстом вакансии, поэтому используй формулировки, близкие к описанию требований. Если в вакансии указано «React, Redux, TypeScript», лучше упомянуть эти технологии именно в таком виде. Не заменяй их синонимами или общими формулировками вроде «современные JS-фреймворки» — система просто не поймет, о чем речь, и отклонит резюме, даже если фактически твои навыки полностью соответствуют запросу.

Главная задача — не перегружать резюме, а сделать его предсказуемым и понятным для алгоритма. Тогда твой отклик не затеряется и точно дойдет до рекрутера.

В IBS мы тоже используем нейросети в подборе, но немного иначе. Для нас искусственный интеллект — не фильтр, а помощник. Наша ML-модель не отсеивает кандидатов, а ранжирует отклики по степени соответствия запросу. Она помогает рекрутеру быстрее заметить релевантных специалистов и не терять тех, кто подходит, но оказался ниже в списке.

Алгоритм анализирует профиль вакансии, учитывает ключевые требования и формулировки из описания роли. Рекрутер при этом уточняет запрос — добавляет синонимы, аналоги, конкретные технологии, чтобы модель не сузила выдачу слишком сильно. Так ИИ остается инструментом поддержки, а не заменой человеческой оценки.

Модель разрабатываем и обучаем внутри компании — это собственное решение, а не сторонний сервис. Поэтому она учитывает специфику IBS: наши направления, типы проектов, стек технологий и особенности команд. Для сравнения: большинство готовых решений на рынке универсальны — одна и та же модель может подбирать и разработчиков для ИТ-компании, и продавцов для ритейла, что неизбежно снижает точность.

Благодаря ML-ранжированию даже краткие или неидеально оформленные резюме не теряются. Они все равно доходят до рекрутера, просто не в верхней части списка. Так ИИ помогает нам экономить время и видеть больше талантов — а не отсекать тех, кто мог бы идеально подойти.

Кто бы ни читал твое резюме — человек или нейросеть, — одно правило остается неизменным: текст должен быть полным, структурированным и понятным. Классические разделы, четкие формулировки, конкретные факты и достижения — все это повышает шансы быть замеченным и попасть именно в ту компанию, где ты хочешь работать.

ИИ все чаще участвует в первичном отборе, поэтому нельзя ограничиваться одной строкой «опыт — см. в приложении» или ссылкой на резюме на другой платформе. Алгоритм просто не перейдет по ней. Лучше потратить немного времени и заполнить все аккуратно: указать роль, технологии, опыт и результаты.

Да, кажется, что уметь писать резюме не обязательно, ведь главное — это навыки. Но таковы реалии рынка: именно качественное резюме помогает рекрутеру (а теперь еще и алгоритмам) распознать нужные компетенции и дать тебе шанс. А дальше все решит живое общение.