Что произошло

Recrewty — небольшая HR-технологическая компания из Черногории — вместе с DigitalSmart разработала собственный языковой энкодер для боснийского, хорватского, черногорского и сербского языков. Проект проходил в программе FFplus и использовал суперкомпьютер Leonardo. Его практическая цель была уже модного слова «генеративный ИИ»: быстрее сопоставлять резюме с требованиями вакансии, извлекать структуру из документов и готовить рекрутеру объяснимый шорт-лист.

В опубликованном FFplus производственном кейсе система обработала 1 318 откликов и помогла свести их к трём интервью. Авторы проекта сообщают о сокращении нагрузки первичного скрининга на 85% и экономии 55,7 рабочего часа. Финальное решение о кандидатах осталось за людьми.

Эти цифры полезны как ориентир, но не как универсальная гарантия. Это результат одного проекта, описанный его участниками; публичной независимой проверки расчёта часов и методики сравнения нет. Для руководителя важнее другое: эффект получен не от автономного «ИИ-рекрутера», а от узкого контура поиска, извлечения и ранжирования под контролем специалиста.

Почему здесь нужен энкодер, а не генеративная модель

Генеративная модель хорошо пишет пояснения и ведёт диалог, но задача первичного поиска и сравнения документов устроена иначе. Нужно превратить текст вакансии и резюме в числовые представления, быстро найти близкие документы и отсортировать кандидатов по заранее определённым критериям. Для этого обычно подходят энкодеры и модели ранжирования.

ModernBERTić-large, опубликованный командой проекта с открытыми весами под Apache 2.0, содержит 395 млн параметров и принимает последовательности до 8 192 токенов. Модель обучали на 66 млрд токенов четырёх близких южнославянских языков; в карточке указаны 64 ускорителя NVIDIA A100 64 GB и примерно десять часов основного обучения. Доступны веса Safetensors и использование через Transformers.

Для российского бизнеса важна оговорка: ModernBERTić не является готовой русскоязычной моделью. Его словарь и обучение ориентированы на BCMS-языки и латиницу; кириллицу разработчики предлагают транслитерировать до обработки. Поэтому копировать именно эту модель в российский контур неразумно. Копировать стоит архитектурный принцип: компактная локальная модель для поиска и извлечения, предметная проверка на своих вакансиях и человек на точке решения.

Как устроить такой контур

Практическая схема состоит из нескольких независимых ступеней.

  • Входной шлюз принимает резюме из ATS, корпоративной почты или формы отклика, проверяет тип файла и вредоносное содержимое, присваивает версии и сроки хранения.
  • OCR распознаёт сканы, а парсер извлекает должности, периоды работы, навыки, образование и контакты. Для каждого поля желательно хранить ссылку на исходный фрагмент, а не только значение.
  • Энкодер строит векторы вакансии и резюме. Поиск возвращает расширенный пул, например 30–50 кандидатов, чтобы не потерять подходящего человека слишком рано.
  • Реранжировщик или прозрачные правила сопоставляют обязательные и желательные требования. Отсутствие сведений нельзя автоматически приравнивать к отсутствию навыка.
  • Интерфейс показывает рекрутеру рейтинг, совпавшие требования, спорные места и фрагменты резюме. Рекрутер подтверждает шорт-лист, изменяет его или возвращает документ на ручную проверку.
  • Журнал фиксирует версию вакансии, модели, правил, источника данных, результат и действие человека. Это нужно и для расследования ошибок, и для повторной оценки качества после обновления.

Генеративная модель может быть дополнительным слоем: сформулировать нейтральное резюме опыта или подготовить вопросы к интервью. Но ей не следует поручать необратимый отказ. Она также не должна получать больше персональных данных, чем требуется для конкретной операции.

Какие данные и интеграции потребуются

Пилоту не нужен весь архив отдела кадров. Достаточно одной массовой или регулярно повторяющейся вакансии, 200–500 обезличенных либо законно обрабатываемых резюме и эталонной разметки от двух опытных рекрутеров. Они должны независимо отметить кандидатов, которых нельзя пропустить, а спорные решения разобрать совместно.

Минимальный набор интеграций включает источник вакансий, хранилище документов, API поиска и рабочее окно рекрутера. Корпоративный вход, разграничение ролей, шифрование, резервное копирование и удаление по сроку нужны уже в пилоте, если используются реальные персональные данные. Экспорт результатов в ATS лучше делать после проверки человеком, а не напрямую из рейтинга модели.

Исторические решения нельзя автоматически считать безупречной истиной. Старые шорт-листы отражают прежний рынок, стиль конкретных рекрутеров и возможные перекосы. Эталон следует строить на требованиях вакансии и подтверждаемом опыте, исключая поля, которые не нужны для деловой оценки.

Право и управление риском в России

Резюме содержит персональные данные, поэтому до запуска нужно определить законное основание обработки, цель, состав данных, сроки хранения, круг доступа и порядок удаления. При сборе данных граждан России следует отдельно проверить требования 152-ФЗ о первичном использовании баз данных, находящихся в России. Практическую схему необходимо согласовать с ответственным за персональные данные и юристом компании.

Особенно важна статья 16 152-ФЗ. Она ограничивает принятие решений исключительно на основании автоматизированной обработки, если решение порождает юридические последствия или иным образом затрагивает права и законные интересы человека, кроме предусмотренных законом случаев или письменного согласия. Оператор также должен уметь объяснить порядок решения, его последствия и дать возможность возразить.

Самый безопасный старт — теневой режим: модель ничего не отклоняет и не меняет статус кандидата. Она формирует рекомендацию параллельно обычной работе, а команда сравнивает результаты. После пилота можно автоматизировать подготовку карточки и сортировку очереди, но финальный шорт-лист и отказ остаются действиями уполномоченного сотрудника.

Проверять нужно не только среднюю точность. Возраст, пол, место проживания, фотография, название вуза и перерывы в стаже могут стать прямыми или косвенными признаками, влияющими на рейтинг. Даже если эти поля удалить, информация может просачиваться через формулировки. Поэтому команда сравнивает долю пропусков подходящих кандидатов по доступным группам, исследует причины расхождений и документирует допустимые пороги.

Что на самом деле означает экономика

FFplus приводит оценку участников проекта: один поиск якобы подешевел примерно с 90 евро при использовании коммерческих LLM-сервисов до 0,05 евро на собственной модели. Без открытой методики, состава запроса, цены инфраструктуры и амортизации сравнивать эти числа с бюджетом конкретной компании нельзя. Обучение на десятках A100 — исследовательский этап, а не обязательная закупка для каждого работодателя.

Для малого и среднего бизнеса разумнее начать с готового русскоязычного энкодера, локального сервера или защищённого облачного контура и небольшого реранжировщика. Основные расходы пилота обычно лежат не в токенах, а в очистке документов, интеграции, разметке эталона, проверке рисков и поддержке.

Пример модельного расчёта: если первичный просмотр 500 резюме занимает в среднем две минуты, очередь требует около 16,7 часа. Сокращение времени просмотра на 60% высвободит примерно десять часов. Денежный эффект равен этим часам, умноженным на полную стоимость часа рекрутера, плюс стоимость более быстрого закрытия вакансии. Из результата нужно вычесть интеграцию, эксплуатацию, контроль качества и повторную разметку при изменении вакансий. Это допущение для оценки пилота, а не прогноз результата.

Как провести пилот за четыре недели

На первой неделе выберите одну вакансию, зафиксируйте критерии и юридическую схему, подготовьте эталон. На второй неделе подключите распознавание, извлечение и поиск в теневом режиме. На третьей разберите ложные пропуски, ошибки OCR и различия между группами; настройте порог так, чтобы система расширяла внимание рекрутера, а не сужала его без объяснения. На четвёртой измерьте результат и примите решение о продолжении.

В приёмку стоит включить:

  • полноту по кандидатам, которых эксперты считают подходящими;
  • точность верхней части списка и долю ручных перестановок;
  • время от поступления отклика до просмотра человеком;
  • ошибки извлечения дат, должностей и навыков;
  • различия показателей по проверяемым группам;
  • стоимость обработки, задержку и доступность сервиса;
  • наличие объяснения и исходного фрагмента для каждого существенного критерия.

Пилот успешен не тогда, когда модель угадала «лучшего» кандидата, а когда рекрутер стабильно тратит меньше времени, не теряет сильных людей и может объяснить каждое действие системы.

Вывод для руководителя

Кейс Recrewty показывает зрелый способ применять локальный ИИ в найме: автоматизировать чтение и поиск, а не ответственность. Не начинайте с обучения своей большой модели и обещания сократить штат. Начните с одной вакансии, теневого ранжирования, эталонного набора и измерения пропусков. Если качество доказано, данные защищены, а человек сохраняет право изменить результат, такой контур способен дать измеримую экономию без превращения алгоритма в кадровую комиссию.