Персонализированный подход или применение ИИ в кадровых процессах: как оставаться эффективными

Проверенных и безошибочных алгоритмов, которые гарантируют успешное закрытие вакансий, не существует. Стандартные концепции найма больше не приносят желаемый результат.

Современный мир требует гибких решений и новых форматов, многие специалисты считают, что применение технологий искусственного интеллекта ускорит кадровые процессы, но так ли это на самом деле? Дарья Баркова, соосновательница рекрутингового центра Unicorn Search, и Роман Доронин, CEO группы компаний EORA, специализирующейся на машинном обучении, рассказывают об изменениях в IT-рекрутинге, а также о преимуществах и недостатках высоких технологий.

С каждым годом человечество потребляет и генерирует колоссальное количество информации: по данным Network World, к 2025 году количество мировых данных достигнет отметки в 175 зеттабайт, годовой прирост составит 61%. Автоматизация стремительно поглощает все сферы, и IT-рекрутинг не исключение. Высококонкурентный рынок стимулирует внедрение технологий машинного обучения: анализа данных, процессинга естественного языка и компьютерного зрения. Рекрутинг — трудоемкий и энергозатратный процесс. Крупные корпорации инвестируют в него не только время, но и средства — тогда анализ данных открывает широкий спектр возможностей, начиная от аналитики ключевых компетенций до формирования кадрового резерва.

Крупные игроки, такие как «Ростелеком», «Сбербанк», «Тинькофф», Х5 Retail Group, с энтузиазмом используют новые инструменты, поскольку нуждаются в найме массового персонала. Но такой подход эффективен только для больших корпораций и окупается при поиске специалистов широкого профиля, а не топ-менеджеров.

Google и Facebook уже давно используют все преимущества работы с Big Data: они постоянно проводят исследования поведения потребителей, их привычек, потребностей, составляют Customer Journey Maps, карты пользовательского опыта. С помощью новых технологий в Google выяснили, что сложные задачи на собеседовании не гарантируют дальнейшую эффективность, поэтому исключили ненужные фазы интервью.

Профессионалы осуществляют подбор сотрудников в индивидуальном режиме: для каждого клиента предлагаются нестандартные решения. С одной стороны, такая методика дает более точный результат, с другой — персонализированный подход занимает больше времени и не соответствует масштабным задачам.

Технологии машинного обучения позволяют подойти к вопросу целостно: проанализировать время на административные задачи, спрогнозировать выгорание и многое другое. Многие корпорации используют собственную базу данных и HR-аналитику в качестве вводной информации для технологий анализа данных, чтобы потом получить более точный результат. Системы предиктивной аналитики ускорят ручную сортировку и определят лучших соискателей.

Масштабы возможностей могут не только поражать, но озадачивать и даже пугать. Вы видите только вершину айсберга, очень часто технологии позволяют проследить невидимые на первый взгляд связи и выявить неочевидные закономерности, которые иногда удивляют и самих разработчиков. Такие модели машинного обучения прогнозируют увольнение сотрудников, определяют отношение к работодателям, снижают показатели общей текучки и даже предотвращают выгорание. HR-менеджеры же получают своевременные сигналы для оперативной реакции.

При первичном взаимодействии с клиентом, важно детально выяснить не только список требований к будущему сотруднику, но и определить корпоративную культуру компании, ее ценности, роль кандидата в ней, а также личностные характеристики руководителя будущего сотрудника. Такой подход поможет составить идеальный портрет кандидата. Если клиент ищет разработчика в небольшой стартап, IT-рекрутер понимает, что нужен человек, готовый к ненормированному графику, нестабильности и риску, поскольку компания только находится в поиске масштабируемой бизнес-модели.

Зачастую проблема заключается в том, что заказчик не может выделить ключевые компетенции: клиент ищет идеального сотрудника, но это требует больших временных ресурсов. При поиске массового персонала отличные помощники — чат-боты, которые помогут автоматизировать процесс обработки откликов, проведут анкетирование, назначат собеседование, структурируют информацию и избавят от рутины.

Заданные алгоритмы и набор сценариев могут отличаться, но сам процесс взаимодействия с пользователем одинаков. Такой способ первичного скрининга позволит нивелировать человеческий фактор и сэкономит время для задач, требующих личной коммуникации или творческого подхода. Чат-боты можно адаптировать к поиску IT-специалистов, но в большинстве случаев технология работает не очень хорошо, хотя часть тестового задания можно добавить в сам бот.

В персонализированный подход также входит изучение всей доступной информации о разработчике — важно посмотреть конференции, в которых он принимал участие, прочитать его статьи и написать адресное письмо. Кандидат должен чувствовать, заинтересованность именно в нем, понимать какую ценность он представляет. Разработчики нещадно отклоняют большинство предложений о сотрудничестве, поскольку устали от ботов и спама.

В первое время Unicorn Search привлекала внештатных авторов и копирайтеров, которые могли создать цепляющий «продающий» текст вакансии, поскольку основная проблема объявлений — отсутствие конкретики и размытые требования. Первый абзац — это важный контакт с соискателем, он служит для «продажи» должности и компании, поэтому важно отразить культуру организации, выйти на целевую аудиторию и привлечь нужного кандидата. IT-рынок это не территория рекрутера — он полностью принадлежит кандидату, поэтому следует выделиться из потока вакансий, избегая канцеляризмов и продумав вводную часть. Лучше написать «поддержка сайтов компании на 1С-Битрикс», чем «работа над новым проектом», формулировка «молодая и амбициозная команда» также будет иметь противоположный эффект. Информационный шум, которым пестрят многие объявления, не только не способствует «продаже», а в большей степени затрудняет ее, поскольку вакансии сливаются в сплошной поток.

Не так давно была произведена новая технологическая революция в области обработки естественного языка — модель GPT-3, которая способна писать стихи и эссе, вести диалог, переводить тексты. Сбер решил доработать технологию и представил русскоязычные трансформерные модели ruGPT-3 Large и ruGPT-3 XL: большие корпорации могут использовать нейросеть, например, для генерации заголовков, дообучив модель на своих примерах. В IT-рекрутинге данные модели можно использовать для генерации описания вакансии и для любых текстов, все, что нужно — дать программе «затравку», т.е. незаконченную фразу, которую нейросеть дополнит.

Также многие IT-компании сокращают количество этапов собеседования и отказываются от тестового задания — опытные разработчики не готовы проходить многоэтапное интервью. Быстрая воронка найма — наиболее оптимальное решение при взаимодействии с разработчиком, особенно для малоизвестных компаний или стартапов: два или три этапа собеседования будет достаточно для компетентного рекрутера, а побеседовать с нанимающим техническим специалистом программист сможет непосредственно на интервью.

По данным McKinsey (Global Survey on AI), 50% респондентов сообщили, что в их компаниях внедрили технологии искусственного интеллекта как минимум в один из бизнес-процессов. Компания Stafory на основе анализа данных и обработки естественного языка (NLP) разработала робота-рекрутера Веру, которая сокращает время на поиск сотрудников в 10 раз. Виртуальный робот отбирает кандидатов на профильных сайтах и находит подходящие резюме: в качестве входящих данных используются заявленные требования работодателя в вакансии. Виртуальный помощник полноценно проводит интервью: отобрать подходящих кандидатов, звонит им, отслеживает динамику разговора и эмоции, а также отвечает на простые вопросы.

Изначально создатели сервиса планировали работать с рекрутерами-фрилансерами — стать неким агрегатором массового подбора персонала, но бизнес-модель оказалась невыгодной и нежизнеспособной. На данный момент виртуального робота оценили в «МТС», «Ростелеком», «М.видео», IKEA. По подсчетам специалистов, только для компании «МТС» сервис провел около 100 видео-интервью, проанализировав 5 000 резюме.

Согласно TAdviser и исследованиям консалтинговой компании Research and Markets, рынок аналитики больших данных в 2019 году составлял $41,85 млрд, по прогнозам специалистов, в период с 2020 по 2028 год, при средней тенденции роста в 11,9% он приблизится к отметке в $115,13 млрд. Пока автоматизация не может полностью заменить ручной труд из-за погрешностей и недоработок — рекомендательные системы берут на себя 80% рутинных бизнес-процессов, но окончательное решение всегда принимает человек. Соискатель всегда отличит живого человека от робота: многие респонденты утверждали, что при разговоре с виртуальным помощником чувствуют безразличие работодателя.

Еще одна проблема — рекрутер не всегда понимает логику технологий ИИ и работу их алгоритмов, некоторые процессы могут быть выстроены криво. В этом случае рекрутер не сможет аргументированно объяснить, почему компания остановила свой выбор на другом кандидате.

Также следует учитывать специфику рынка — в некоторых профессиях использование технических решений неуместно. Оставаться безучастным к новым технологиям не получится: Big Data, Data Science и Machine Learning развиваются в геометрической прогрессии, но полной автоматизации достигнуть пока не получится. На наш взгляд, максимально эффективным будет комбинированный подход к найму.