Стоимость найма легко недооценить. В бюджете видны зарплаты рекрутеров, подписки на площадки и услуги агентств, но хуже заметны часы на ручной разбор откликов, повторные согласования, интервью с неподходящими кандидатами и отчёты, которые приходится собирать из нескольких систем.
Расходы на подбор растут. По данным исследования российского рынка, которые приводит РБК, 74% компаний отметили их увеличение – в среднем на 10%. В 2025 году на найм приходилось уже 20–25% всех HR-затрат, а 40% HR-специалистов назвали подбор наиболее перспективным направлением для автоматизации.
Finversia ранее отмечала, что при снижении общей квартальной выручки HeadHunter его HRtech-направление в первом квартале 2026 года выросло на 32% год к году – до 698 млн рублей. Спрос на технологии вокруг найма растёт даже на более сдержанном рынке труда.
Но AI сам по себе не делает подбор дешевле. Важно, на каких этапах он убирает ручные операции и даёт измеримый эффект.
Найм дороже, чем кажется в бюджете
Возьмём обычную вакансию.
Сначала руководитель формулирует требования, рекрутер превращает их в описание позиции, публикует вакансию и разбирает отклики. Затем появляются звонки и интервью, результаты нужно зафиксировать, кандидатов – сопоставить между собой, а руководителю – показать шорт-лист и состояние воронки.
По отдельности эти операции не выглядят затратными. На масштабе картина меняется.
Если на вакансию приходит несколько сотен откликов, несколько минут ручной работы с каждым превращаются в часы. Если требования сформулированы неточно, часть времени уходит на неподходящих людей. Если результаты интервью остаются в заметках или разных сервисах, их приходится собирать заново перед следующим этапом.
Компания платит не только за доступ к кандидатам, но и за десятки мелких операций между запросом на сотрудника и оффером.
Один из наиболее практичных сценариев использования AI в рекрутменте поэтому связан с автоматизацией всей этой цепочки, а не с попыткой создать виртуального HR.
Не отдельный AI-инструмент, а процесс
Российская HRtech-платформа CareerGo строит автоматизацию именно по такому принципу. AI работает на нескольких последовательных этапах подбора – от формирования брифа до интервью и аналитики воронки.
В начале система помогает структурировать запрос нанимающего менеджера: разделить обязательные требования и пожелания, найти пробелы и собрать понятный бриф.
Дальше подключаются источники кандидатов. У CareerGo работает двусторонняя интеграция с hh.ru: из платформы можно публиковать вакансии, импортировать отклики и синхронизировать статусы. Avito уже подключено, следующей интеграцией станет Habr Карьера. О новых возможностях и развитии интеграций команда рассказывает в Telegram-канале CareerGo.
Смысл здесь не в самой интеграции. Перед импортом система может проверить отклики относительно требований вакансии, а загруженные резюме приводит к единой структуре и ранжирует. Дубли определяются по контактным данным, чтобы один кандидат не появлялся в базе несколько раз.
Рабочий список кандидатов в CareerGo: профили, основания для отбора и текущие этапы подбора собраны в одном представлении.
Задача практическая: сократить механическую обработку массива и быстрее добраться до кандидатов, которых стоит изучить внимательнее.
Сам путь от брифа до найма и механику платформы подробно разбирал Ridus в отдельном материале о CareerGo. Для экономики процесса важнее понять, где такая автоматизация даёт измеримый результат.
Шорт-лист как первая точка экономии
Компании, которые уже используют AI в подборе, чаще всего отмечают экономию времени. По данным РБК, 73% называют основным эффектом сокращение времени на формирование шорт-листа. Рост релевантности кандидатов отмечают 32%, снижение стоимости закрытия вакансии – 30%.
На первичном этапе рекрутер работает с самым большим объёмом однотипной информации.
CareerGo не ограничивается итоговым баллом кандидата. После анализа резюме система показывает, каким требованиям человек соответствует, где есть расхождения и что стоит уточнить во время разговора. Для спорных кандидатов это важнее условных «87 из 100»: рекрутер видит причину рекомендации и может с ней не согласиться.
Пример разбора кандидата в CareerGo: система показывает совпадения с требованиями вакансии и отдельно отмечает вопросы, которые стоит проверить на собеседовании.
Такой подход снижает риск слишком жёсткой фильтрации. Человек может обладать релевантным опытом, но описать его другими словами или прийти из смежной отрасли. Если алгоритм ищет только буквальные совпадения, экономия времени оборачивается потерей сильных кандидатов.
Автоматизированный шорт-лист в этом случае не принимает решение за человека. Он сокращает объём информации до масштаба, с которым рекрутер может работать внимательно.
Интервью тоже имеет операционную стоимость
Рутина не заканчивается после первого отбора.
Во время интервью рекрутеру нужно одновременно вести разговор, задавать вопросы, делать заметки, а затем переносить результаты в карточку кандидата. Если интервьюеров несколько, информация ещё сильнее дробится между участниками процесса.
В CareerGo запись интервью можно загрузить в виде аудио, видео или готового транскрипта. Система распознаёт речь, распределяет ответы по вопросам индивидуального сценария и показывает конкретные цитаты, на которых основаны выводы. После разговора профиль кандидата дополняется новой информацией, а его положение относительно других претендентов может измениться.
Для экономики найма ценность здесь не только в транскрибации. Данные из разговора не приходится повторно превращать вручную в структурированную информацию.
Та же логика работает в аналитике. CareerGo считает конверсию между этапами, скорость прохождения воронки и производительность рекрутеров, а руководитель получает актуальный дашборд без отдельной выгрузки и подготовки отчёта.
Аналитический дашборд CareerGo объединяет воронку подбора, сроки найма, конверсии между этапами, источники кандидатов и показатели работы рекрутеров.
Разница между автоматизацией одной операции и всего процесса проявляется здесь особенно хорошо. Если AI разобрал сто резюме, но результаты приходится вручную переносить дальше, часть выигрыша исчезает. Когда данные последовательно переходят из брифа в рейтинг, из рейтинга в интервью, а затем в воронку и аналитику, сокращается уже целая цепочка повторяющихся действий.
ROI придётся считать
Массовой автоматизации рекрутинга пока нет.
По оценкам экспертов, опрошенных РБК, системно AI в найме используют примерно 5–12% российских компаний, а 42% по-прежнему ведут подбор вручную. Рынок AI-решений для рекрутинга в 2026 году разные участники оценивают примерно в 5–10 млрд рублей.
Один из основных барьеров – способность измерить эффект. Только 30% HR-специалистов, согласно данным того же исследования РБК, умеют оценивать ROI от внедрения AI; 67% не владеют методикой оценки по ключевым метрикам.
Обещания об «удешевлении найма» нужно проверять цифрами. Сколько времени проходит от публикации вакансии до шорт-листа? Сколько кандидатов рекрутер способен качественно обработать? Где возникает задержка? Сколько ручных операций требуется для одного закрытия? Сколько стоит сама вакансия до момента найма?
Для разных компаний ответ будет разным. Если рекрутер закрывает две узкие позиции в месяц и получает десять откликов, сложная автоматизация может не дать заметного финансового эффекта. Если команда ведёт десятки вакансий и обрабатывает тысячи откликов, несколько сэкономленных минут на каждой операции складываются в существенный ресурс.
Поэтому аналитика внутри HR-системы не менее важна, чем способность AI читать резюме. Без неё сложно понять, автоматизировала компания реальную проблему или просто купила ещё один сервис.
Как проверить эффект на своём найме
CareerGo предлагает проверить результат на собственных данных. Первым 10 компаниям, которые перейдут по ссылке из этого материала, команда предоставляет до трёх месяцев работы с платформой бесплатно.
В рамках пилота предлагается вместе замерить ключевые показатели до и после внедрения: время от публикации вакансии до шорт-листа, нагрузку на рекрутера, скорость прохождения воронки и другие метрики процесса. На основе этих данных затем можно собрать полноценный кейс.
Предложение действует для первых 10 компаний.
Оставить заявку на пилот с демо
Где заканчивается автоматизация найма
У автоматизации есть понятная граница.
Мотивацию кандидата, качество профессионального разговора, способность работать с конкретной командой или реакцию на нестандартную ситуацию трудно свести к одному скору. Чем выше уровень позиции и цена кадровой ошибки, тем опаснее передавать финальное решение алгоритму.
Finversia уже писала, что AI лучше всего работает в сценариях с большим объёмом однотипной информации и измеримым результатом, тогда как решения с серьёзными последствиями требуют участия человека.
CareerGo придерживается той же границы: платформа анализирует информацию, объясняет рекомендации и позволяет проверить вывод по исходным данным, но финальное решение оставляет рекрутеру.
Задача AI здесь не в том, чтобы заменить человека на последнем этапе, а в том, чтобы убрать рутину до него. Резюме можно структурировать автоматически. Интервью – расшифровать. Воронку – посчитать без Excel. Но решать, стоит ли конкретному человеку и конкретной компании работать вместе, по-прежнему должны люди.
, Comcast отчиталась за третий квартал 2026 года с превышением ожиданий по скорректированной прибыли и выручке. Прибыльность стриминга Peacock и рекордные кассовые сборы Universal помогли компенсировать слабость традиционного интернет-бизнеса и тематических парков. , Procter & Gamble начала 2027 финансовый год с уверенного роста продаж благодаря спросу на бытовую химию и средства ухода. Однако компания предупредила, что подорожание сырья и логистики может стоить ей около $1,4 млрд прибыли, а годовой прогноз по EPS разочаровал Уолл-стрит. , Согласно прогнозу металлургической компании, в четвертом квартале спрос на ее продукцию должен ослабнуть.
Стоимость найма легко недооценить. В бюджете видны зарплаты рекрутеров, подписки на площадки и услуги агентств, но хуже заметны часы на ручной разбор откликов, повторные согласования, интервью с неподходящими кандидатами и отчёты, которые приходится собирать из нескольких систем.
Расходы на подбор растут. По данным исследования российского рынка, которые приводит РБК, 74% компаний отметили их увеличение – в среднем на 10%. В 2025 году на найм приходилось уже 20–25% всех HR-затрат, а 40% HR-специалистов назвали подбор наиболее перспективным направлением для автоматизации.
Finversia ранее отмечала, что при снижении общей квартальной выручки HeadHunter его HRtech-направление в первом квартале 2026 года выросло на 32% год к году – до 698 млн рублей. Спрос на технологии вокруг найма растёт даже на более сдержанном рынке труда.
Но AI сам по себе не делает подбор дешевле. Важно, на каких этапах он убирает ручные операции и даёт измеримый эффект.
Найм дороже, чем кажется в бюджете
Возьмём обычную вакансию.
Сначала руководитель формулирует требования, рекрутер превращает их в описание позиции, публикует вакансию и разбирает отклики. Затем появляются звонки и интервью, результаты нужно зафиксировать, кандидатов – сопоставить между собой, а руководителю – показать шорт-лист и состояние воронки.
По отдельности эти операции не выглядят затратными. На масштабе картина меняется.
Если на вакансию приходит несколько сотен откликов, несколько минут ручной работы с каждым превращаются в часы. Если требования сформулированы неточно, часть времени уходит на неподходящих людей. Если результаты интервью остаются в заметках или разных сервисах, их приходится собирать заново перед следующим этапом.
Компания платит не только за доступ к кандидатам, но и за десятки мелких операций между запросом на сотрудника и оффером.
Один из наиболее практичных сценариев использования AI в рекрутменте поэтому связан с автоматизацией всей этой цепочки, а не с попыткой создать виртуального HR.
Не отдельный AI-инструмент, а процесс
Российская HRtech-платформа CareerGo строит автоматизацию именно по такому принципу. AI работает на нескольких последовательных этапах подбора – от формирования брифа до интервью и аналитики воронки.
В начале система помогает структурировать запрос нанимающего менеджера: разделить обязательные требования и пожелания, найти пробелы и собрать понятный бриф.
Дальше подключаются источники кандидатов. У CareerGo работает двусторонняя интеграция с hh.ru: из платформы можно публиковать вакансии, импортировать отклики и синхронизировать статусы. Avito уже подключено, следующей интеграцией станет Habr Карьера. О новых возможностях и развитии интеграций команда рассказывает в Telegram-канале CareerGo.
Смысл здесь не в самой интеграции. Перед импортом система может проверить отклики относительно требований вакансии, а загруженные резюме приводит к единой структуре и ранжирует. Дубли определяются по контактным данным, чтобы один кандидат не появлялся в базе несколько раз.
Рабочий список кандидатов в CareerGo: профили, основания для отбора и текущие этапы подбора собраны в одном представлении.
Задача практическая: сократить механическую обработку массива и быстрее добраться до кандидатов, которых стоит изучить внимательнее.
Сам путь от брифа до найма и механику платформы подробно разбирал Ridus в отдельном материале о CareerGo. Для экономики процесса важнее понять, где такая автоматизация даёт измеримый результат.
Шорт-лист как первая точка экономии
Компании, которые уже используют AI в подборе, чаще всего отмечают экономию времени. По данным РБК, 73% называют основным эффектом сокращение времени на формирование шорт-листа. Рост релевантности кандидатов отмечают 32%, снижение стоимости закрытия вакансии – 30%.
На первичном этапе рекрутер работает с самым большим объёмом однотипной информации.
CareerGo не ограничивается итоговым баллом кандидата. После анализа резюме система показывает, каким требованиям человек соответствует, где есть расхождения и что стоит уточнить во время разговора. Для спорных кандидатов это важнее условных «87 из 100»: рекрутер видит причину рекомендации и может с ней не согласиться.
Пример разбора кандидата в CareerGo: система показывает совпадения с требованиями вакансии и отдельно отмечает вопросы, которые стоит проверить на собеседовании.
Такой подход снижает риск слишком жёсткой фильтрации. Человек может обладать релевантным опытом, но описать его другими словами или прийти из смежной отрасли. Если алгоритм ищет только буквальные совпадения, экономия времени оборачивается потерей сильных кандидатов.
Автоматизированный шорт-лист в этом случае не принимает решение за человека. Он сокращает объём информации до масштаба, с которым рекрутер может работать внимательно.
Интервью тоже имеет операционную стоимость
Рутина не заканчивается после первого отбора.
Во время интервью рекрутеру нужно одновременно вести разговор, задавать вопросы, делать заметки, а затем переносить результаты в карточку кандидата. Если интервьюеров несколько, информация ещё сильнее дробится между участниками процесса.
В CareerGo запись интервью можно загрузить в виде аудио, видео или готового транскрипта. Система распознаёт речь, распределяет ответы по вопросам индивидуального сценария и показывает конкретные цитаты, на которых основаны выводы. После разговора профиль кандидата дополняется новой информацией, а его положение относительно других претендентов может измениться.
Для экономики найма ценность здесь не только в транскрибации. Данные из разговора не приходится повторно превращать вручную в структурированную информацию.
Та же логика работает в аналитике. CareerGo считает конверсию между этапами, скорость прохождения воронки и производительность рекрутеров, а руководитель получает актуальный дашборд без отдельной выгрузки и подготовки отчёта.
Аналитический дашборд CareerGo объединяет воронку подбора, сроки найма, конверсии между этапами, источники кандидатов и показатели работы рекрутеров.
Разница между автоматизацией одной операции и всего процесса проявляется здесь особенно хорошо. Если AI разобрал сто резюме, но результаты приходится вручную переносить дальше, часть выигрыша исчезает. Когда данные последовательно переходят из брифа в рейтинг, из рейтинга в интервью, а затем в воронку и аналитику, сокращается уже целая цепочка повторяющихся действий.
ROI придётся считать
Массовой автоматизации рекрутинга пока нет.
По оценкам экспертов, опрошенных РБК, системно AI в найме используют примерно 5–12% российских компаний, а 42% по-прежнему ведут подбор вручную. Рынок AI-решений для рекрутинга в 2026 году разные участники оценивают примерно в 5–10 млрд рублей.
Один из основных барьеров – способность измерить эффект. Только 30% HR-специалистов, согласно данным того же исследования РБК, умеют оценивать ROI от внедрения AI; 67% не владеют методикой оценки по ключевым метрикам.
Обещания об «удешевлении найма» нужно проверять цифрами. Сколько времени проходит от публикации вакансии до шорт-листа? Сколько кандидатов рекрутер способен качественно обработать? Где возникает задержка? Сколько ручных операций требуется для одного закрытия? Сколько стоит сама вакансия до момента найма?
Для разных компаний ответ будет разным. Если рекрутер закрывает две узкие позиции в месяц и получает десять откликов, сложная автоматизация может не дать заметного финансового эффекта. Если команда ведёт десятки вакансий и обрабатывает тысячи откликов, несколько сэкономленных минут на каждой операции складываются в существенный ресурс.
Поэтому аналитика внутри HR-системы не менее важна, чем способность AI читать резюме. Без неё сложно понять, автоматизировала компания реальную проблему или просто купила ещё один сервис.
Как проверить эффект на своём найме
CareerGo предлагает проверить результат на собственных данных. Первым 10 компаниям, которые перейдут по ссылке из этого материала, команда предоставляет до трёх месяцев работы с платформой бесплатно.
В рамках пилота предлагается вместе замерить ключевые показатели до и после внедрения: время от публикации вакансии до шорт-листа, нагрузку на рекрутера, скорость прохождения воронки и другие метрики процесса. На основе этих данных затем можно собрать полноценный кейс.
Предложение действует для первых 10 компаний.
Оставить заявку на пилот с демо
Где заканчивается автоматизация найма
У автоматизации есть понятная граница.
Мотивацию кандидата, качество профессионального разговора, способность работать с конкретной командой или реакцию на нестандартную ситуацию трудно свести к одному скору. Чем выше уровень позиции и цена кадровой ошибки, тем опаснее передавать финальное решение алгоритму.
Finversia уже писала, что AI лучше всего работает в сценариях с большим объёмом однотипной информации и измеримым результатом, тогда как решения с серьёзными последствиями требуют участия человека.
CareerGo придерживается той же границы: платформа анализирует информацию, объясняет рекомендации и позволяет проверить вывод по исходным данным, но финальное решение оставляет рекрутеру.
Задача AI здесь не в том, чтобы заменить человека на последнем этапе, а в том, чтобы убрать рутину до него. Резюме можно структурировать автоматически. Интервью – расшифровать. Воронку – посчитать без Excel. Но решать, стоит ли конкретному человеку и конкретной компании работать вместе, по-прежнему должны люди.
, Comcast отчиталась за третий квартал 2026 года с превышением ожиданий по скорректированной прибыли и выручке. Прибыльность стриминга Peacock и рекордные кассовые сборы Universal помогли компенсировать слабость традиционного интернет-бизнеса и тематических парков. , Procter & Gamble начала 2027 финансовый год с уверенного роста продаж благодаря спросу на бытовую химию и средства ухода. Однако компания предупредила, что подорожание сырья и логистики может стоить ей около $1,4 млрд прибыли, а годовой прогноз по EPS разочаровал Уолл-стрит. , Согласно прогнозу металлургической компании, в четвертом квартале спрос на ее продукцию должен ослабнуть.
Стоимость найма легко недооценить. В бюджете видны зарплаты рекрутеров, подписки на площадки и услуги агентств, но хуже заметны часы на ручной разбор откликов, повторные согласования, интервью с неподходящими кандидатами и отчёты, которые приходится собирать из нескольких систем.
Расходы на подбор растут. По данным исследования российского рынка, которые приводит РБК, 74% компаний отметили их увеличение – в среднем на 10%. В 2025 году на найм приходилось уже 20–25% всех HR-затрат, а 40% HR-специалистов назвали подбор наиболее перспективным направлением для автоматизации.
Finversia ранее отмечала, что при снижении общей квартальной выручки HeadHunter его HRtech-направление в первом квартале 2026 года выросло на 32% год к году – до 698 млн рублей. Спрос на технологии вокруг найма растёт даже на более сдержанном рынке труда.
Но AI сам по себе не делает подбор дешевле. Важно, на каких этапах он убирает ручные операции и даёт измеримый эффект.
Найм дороже, чем кажется в бюджете
Возьмём обычную вакансию.
Сначала руководитель формулирует требования, рекрутер превращает их в описание позиции, публикует вакансию и разбирает отклики. Затем появляются звонки и интервью, результаты нужно зафиксировать, кандидатов – сопоставить между собой, а руководителю – показать шорт-лист и состояние воронки.
По отдельности эти операции не выглядят затратными. На масштабе картина меняется.
Если на вакансию приходит несколько сотен откликов, несколько минут ручной работы с каждым превращаются в часы. Если требования сформулированы неточно, часть времени уходит на неподходящих людей. Если результаты интервью остаются в заметках или разных сервисах, их приходится собирать заново перед следующим этапом.
Компания платит не только за доступ к кандидатам, но и за десятки мелких операций между запросом на сотрудника и оффером.
Один из наиболее практичных сценариев использования AI в рекрутменте поэтому связан с автоматизацией всей этой цепочки, а не с попыткой создать виртуального HR.
Не отдельный AI-инструмент, а процесс
Российская HRtech-платформа CareerGo строит автоматизацию именно по такому принципу. AI работает на нескольких последовательных этапах подбора – от формирования брифа до интервью и аналитики воронки.
В начале система помогает структурировать запрос нанимающего менеджера: разделить обязательные требования и пожелания, найти пробелы и собрать понятный бриф.
Дальше подключаются источники кандидатов. У CareerGo работает двусторонняя интеграция с hh.ru: из платформы можно публиковать вакансии, импортировать отклики и синхронизировать статусы. Avito уже подключено, следующей интеграцией станет Habr Карьера. О новых возможностях и развитии интеграций команда рассказывает в Telegram-канале CareerGo.
Смысл здесь не в самой интеграции. Перед импортом система может проверить отклики относительно требований вакансии, а загруженные резюме приводит к единой структуре и ранжирует. Дубли определяются по контактным данным, чтобы один кандидат не появлялся в базе несколько раз.
Рабочий список кандидатов в CareerGo: профили, основания для отбора и текущие этапы подбора собраны в одном представлении.
Задача практическая: сократить механическую обработку массива и быстрее добраться до кандидатов, которых стоит изучить внимательнее.
Сам путь от брифа до найма и механику платформы подробно разбирал Ridus в отдельном материале о CareerGo. Для экономики процесса важнее понять, где такая автоматизация даёт измеримый результат.
Шорт-лист как первая точка экономии
Компании, которые уже используют AI в подборе, чаще всего отмечают экономию времени. По данным РБК, 73% называют основным эффектом сокращение времени на формирование шорт-листа. Рост релевантности кандидатов отмечают 32%, снижение стоимости закрытия вакансии – 30%.
На первичном этапе рекрутер работает с самым большим объёмом однотипной информации.
CareerGo не ограничивается итоговым баллом кандидата. После анализа резюме система показывает, каким требованиям человек соответствует, где есть расхождения и что стоит уточнить во время разговора. Для спорных кандидатов это важнее условных «87 из 100»: рекрутер видит причину рекомендации и может с ней не согласиться.
Пример разбора кандидата в CareerGo: система показывает совпадения с требованиями вакансии и отдельно отмечает вопросы, которые стоит проверить на собеседовании.
Такой подход снижает риск слишком жёсткой фильтрации. Человек может обладать релевантным опытом, но описать его другими словами или прийти из смежной отрасли. Если алгоритм ищет только буквальные совпадения, экономия времени оборачивается потерей сильных кандидатов.
Автоматизированный шорт-лист в этом случае не принимает решение за человека. Он сокращает объём информации до масштаба, с которым рекрутер может работать внимательно.
Интервью тоже имеет операционную стоимость
Рутина не заканчивается после первого отбора.
Во время интервью рекрутеру нужно одновременно вести разговор, задавать вопросы, делать заметки, а затем переносить результаты в карточку кандидата. Если интервьюеров несколько, информация ещё сильнее дробится между участниками процесса.
В CareerGo запись интервью можно загрузить в виде аудио, видео или готового транскрипта. Система распознаёт речь, распределяет ответы по вопросам индивидуального сценария и показывает конкретные цитаты, на которых основаны выводы. После разговора профиль кандидата дополняется новой информацией, а его положение относительно других претендентов может измениться.
Для экономики найма ценность здесь не только в транскрибации. Данные из разговора не приходится повторно превращать вручную в структурированную информацию.
Та же логика работает в аналитике. CareerGo считает конверсию между этапами, скорость прохождения воронки и производительность рекрутеров, а руководитель получает актуальный дашборд без отдельной выгрузки и подготовки отчёта.
Аналитический дашборд CareerGo объединяет воронку подбора, сроки найма, конверсии между этапами, источники кандидатов и показатели работы рекрутеров.
Разница между автоматизацией одной операции и всего процесса проявляется здесь особенно хорошо. Если AI разобрал сто резюме, но результаты приходится вручную переносить дальше, часть выигрыша исчезает. Когда данные последовательно переходят из брифа в рейтинг, из рейтинга в интервью, а затем в воронку и аналитику, сокращается уже целая цепочка повторяющихся действий.
ROI придётся считать
Массовой автоматизации рекрутинга пока нет.
По оценкам экспертов, опрошенных РБК, системно AI в найме используют примерно 5–12% российских компаний, а 42% по-прежнему ведут подбор вручную. Рынок AI-решений для рекрутинга в 2026 году разные участники оценивают примерно в 5–10 млрд рублей.
Один из основных барьеров – способность измерить эффект. Только 30% HR-специалистов, согласно данным того же исследования РБК, умеют оценивать ROI от внедрения AI; 67% не владеют методикой оценки по ключевым метрикам.
Обещания об «удешевлении найма» нужно проверять цифрами. Сколько времени проходит от публикации вакансии до шорт-листа? Сколько кандидатов рекрутер способен качественно обработать? Где возникает задержка? Сколько ручных операций требуется для одного закрытия? Сколько стоит сама вакансия до момента найма?
Для разных компаний ответ будет разным. Если рекрутер закрывает две узкие позиции в месяц и получает десять откликов, сложная автоматизация может не дать заметного финансового эффекта. Если команда ведёт десятки вакансий и обрабатывает тысячи откликов, несколько сэкономленных минут на каждой операции складываются в существенный ресурс.
Поэтому аналитика внутри HR-системы не менее важна, чем способность AI читать резюме. Без неё сложно понять, автоматизировала компания реальную проблему или просто купила ещё один сервис.
Как проверить эффект на своём найме
CareerGo предлагает проверить результат на собственных данных. Первым 10 компаниям, которые перейдут по ссылке из этого материала, команда предоставляет до трёх месяцев работы с платформой бесплатно.
В рамках пилота предлагается вместе замерить ключевые показатели до и после внедрения: время от публикации вакансии до шорт-листа, нагрузку на рекрутера, скорость прохождения воронки и другие метрики процесса. На основе этих данных затем можно собрать полноценный кейс.
Предложение действует для первых 10 компаний.
Оставить заявку на пилот с демо
Где заканчивается автоматизация найма
У автоматизации есть понятная граница.
Мотивацию кандидата, качество профессионального разговора, способность работать с конкретной командой или реакцию на нестандартную ситуацию трудно свести к одному скору. Чем выше уровень позиции и цена кадровой ошибки, тем опаснее передавать финальное решение алгоритму.
Finversia уже писала, что AI лучше всего работает в сценариях с большим объёмом однотипной информации и измеримым результатом, тогда как решения с серьёзными последствиями требуют участия человека.
CareerGo придерживается той же границы: платформа анализирует информацию, объясняет рекомендации и позволяет проверить вывод по исходным данным, но финальное решение оставляет рекрутеру.
Задача AI здесь не в том, чтобы заменить человека на последнем этапе, а в том, чтобы убрать рутину до него. Резюме можно структурировать автоматически. Интервью – расшифровать. Воронку – посчитать без Excel. Но решать, стоит ли конкретному человеку и конкретной компании работать вместе, по-прежнему должны люди.
, Comcast отчиталась за третий квартал 2026 года с превышением ожиданий по скорректированной прибыли и выручке. Прибыльность стриминга Peacock и рекордные кассовые сборы Universal помогли компенсировать слабость традиционного интернет-бизнеса и тематических парков. , Procter & Gamble начала 2027 финансовый год с уверенного роста продаж благодаря спросу на бытовую химию и средства ухода. Однако компания предупредила, что подорожание сырья и логистики может стоить ей около $1,4 млрд прибыли, а годовой прогноз по EPS разочаровал Уолл-стрит. , Согласно прогнозу металлургической компании, в четвертом квартале спрос на ее продукцию должен ослабнуть.
Стоимость найма легко недооценить. В бюджете видны зарплаты рекрутеров, подписки на площадки и услуги агентств, но хуже заметны часы на ручной разбор откликов, повторные согласования, интервью с неподходящими кандидатами и отчёты, которые приходится собирать из нескольких систем.
Расходы на подбор растут. По данным исследования российского рынка, которые приводит РБК, 74% компаний отметили их увеличение – в среднем на 10%. В 2025 году на найм приходилось уже 20–25% всех HR-затрат, а 40% HR-специалистов назвали подбор наиболее перспективным направлением для автоматизации.
Finversia ранее отмечала, что при снижении общей квартальной выручки HeadHunter его HRtech-направление в первом квартале 2026 года выросло на 32% год к году – до 698 млн рублей. Спрос на технологии вокруг найма растёт даже на более сдержанном рынке труда.
Но AI сам по себе не делает подбор дешевле. Важно, на каких этапах он убирает ручные операции и даёт измеримый эффект.
Найм дороже, чем кажется в бюджете
Возьмём обычную вакансию.
Сначала руководитель формулирует требования, рекрутер превращает их в описание позиции, публикует вакансию и разбирает отклики. Затем появляются звонки и интервью, результаты нужно зафиксировать, кандидатов – сопоставить между собой, а руководителю – показать шорт-лист и состояние воронки.
По отдельности эти операции не выглядят затратными. На масштабе картина меняется.
Если на вакансию приходит несколько сотен откликов, несколько минут ручной работы с каждым превращаются в часы. Если требования сформулированы неточно, часть времени уходит на неподходящих людей. Если результаты интервью остаются в заметках или разных сервисах, их приходится собирать заново перед следующим этапом.
Компания платит не только за доступ к кандидатам, но и за десятки мелких операций между запросом на сотрудника и оффером.
Один из наиболее практичных сценариев использования AI в рекрутменте поэтому связан с автоматизацией всей этой цепочки, а не с попыткой создать виртуального HR.
Не отдельный AI-инструмент, а процесс
Российская HRtech-платформа CareerGo строит автоматизацию именно по такому принципу. AI работает на нескольких последовательных этапах подбора – от формирования брифа до интервью и аналитики воронки.
В начале система помогает структурировать запрос нанимающего менеджера: разделить обязательные требования и пожелания, найти пробелы и собрать понятный бриф.
Дальше подключаются источники кандидатов. У CareerGo работает двусторонняя интеграция с hh.ru: из платформы можно публиковать вакансии, импортировать отклики и синхронизировать статусы. Avito уже подключено, следующей интеграцией станет Habr Карьера. О новых возможностях и развитии интеграций команда рассказывает в Telegram-канале CareerGo.
Смысл здесь не в самой интеграции. Перед импортом система может проверить отклики относительно требований вакансии, а загруженные резюме приводит к единой структуре и ранжирует. Дубли определяются по контактным данным, чтобы один кандидат не появлялся в базе несколько раз.
Рабочий список кандидатов в CareerGo: профили, основания для отбора и текущие этапы подбора собраны в одном представлении.
Задача практическая: сократить механическую обработку массива и быстрее добраться до кандидатов, которых стоит изучить внимательнее.
Сам путь от брифа до найма и механику платформы подробно разбирал Ridus в отдельном материале о CareerGo. Для экономики процесса важнее понять, где такая автоматизация даёт измеримый результат.
Шорт-лист как первая точка экономии
Компании, которые уже используют AI в подборе, чаще всего отмечают экономию времени. По данным РБК, 73% называют основным эффектом сокращение времени на формирование шорт-листа. Рост релевантности кандидатов отмечают 32%, снижение стоимости закрытия вакансии – 30%.
На первичном этапе рекрутер работает с самым большим объёмом однотипной информации.
CareerGo не ограничивается итоговым баллом кандидата. После анализа резюме система показывает, каким требованиям человек соответствует, где есть расхождения и что стоит уточнить во время разговора. Для спорных кандидатов это важнее условных «87 из 100»: рекрутер видит причину рекомендации и может с ней не согласиться.
Пример разбора кандидата в CareerGo: система показывает совпадения с требованиями вакансии и отдельно отмечает вопросы, которые стоит проверить на собеседовании.
Такой подход снижает риск слишком жёсткой фильтрации. Человек может обладать релевантным опытом, но описать его другими словами или прийти из смежной отрасли. Если алгоритм ищет только буквальные совпадения, экономия времени оборачивается потерей сильных кандидатов.
Автоматизированный шорт-лист в этом случае не принимает решение за человека. Он сокращает объём информации до масштаба, с которым рекрутер может работать внимательно.
Интервью тоже имеет операционную стоимость
Рутина не заканчивается после первого отбора.
Во время интервью рекрутеру нужно одновременно вести разговор, задавать вопросы, делать заметки, а затем переносить результаты в карточку кандидата. Если интервьюеров несколько, информация ещё сильнее дробится между участниками процесса.
В CareerGo запись интервью можно загрузить в виде аудио, видео или готового транскрипта. Система распознаёт речь, распределяет ответы по вопросам индивидуального сценария и показывает конкретные цитаты, на которых основаны выводы. После разговора профиль кандидата дополняется новой информацией, а его положение относительно других претендентов может измениться.
Для экономики найма ценность здесь не только в транскрибации. Данные из разговора не приходится повторно превращать вручную в структурированную информацию.
Та же логика работает в аналитике. CareerGo считает конверсию между этапами, скорость прохождения воронки и производительность рекрутеров, а руководитель получает актуальный дашборд без отдельной выгрузки и подготовки отчёта.
Аналитический дашборд CareerGo объединяет воронку подбора, сроки найма, конверсии между этапами, источники кандидатов и показатели работы рекрутеров.
Разница между автоматизацией одной операции и всего процесса проявляется здесь особенно хорошо. Если AI разобрал сто резюме, но результаты приходится вручную переносить дальше, часть выигрыша исчезает. Когда данные последовательно переходят из брифа в рейтинг, из рейтинга в интервью, а затем в воронку и аналитику, сокращается уже целая цепочка повторяющихся действий.
ROI придётся считать
Массовой автоматизации рекрутинга пока нет.
По оценкам экспертов, опрошенных РБК, системно AI в найме используют примерно 5–12% российских компаний, а 42% по-прежнему ведут подбор вручную. Рынок AI-решений для рекрутинга в 2026 году разные участники оценивают примерно в 5–10 млрд рублей.
Один из основных барьеров – способность измерить эффект. Только 30% HR-специалистов, согласно данным того же исследования РБК, умеют оценивать ROI от внедрения AI; 67% не владеют методикой оценки по ключевым метрикам.
Обещания об «удешевлении найма» нужно проверять цифрами. Сколько времени проходит от публикации вакансии до шорт-листа? Сколько кандидатов рекрутер способен качественно обработать? Где возникает задержка? Сколько ручных операций требуется для одного закрытия? Сколько стоит сама вакансия до момента найма?
Для разных компаний ответ будет разным. Если рекрутер закрывает две узкие позиции в месяц и получает десять откликов, сложная автоматизация может не дать заметного финансового эффекта. Если команда ведёт десятки вакансий и обрабатывает тысячи откликов, несколько сэкономленных минут на каждой операции складываются в существенный ресурс.
Поэтому аналитика внутри HR-системы не менее важна, чем способность AI читать резюме. Без неё сложно понять, автоматизировала компания реальную проблему или просто купила ещё один сервис.
Как проверить эффект на своём найме
CareerGo предлагает проверить результат на собственных данных. Первым 10 компаниям, которые перейдут по ссылке из этого материала, команда предоставляет до трёх месяцев работы с платформой бесплатно.
В рамках пилота предлагается вместе замерить ключевые показатели до и после внедрения: время от публикации вакансии до шорт-листа, нагрузку на рекрутера, скорость прохождения воронки и другие метрики процесса. На основе этих данных затем можно собрать полноценный кейс.
Предложение действует для первых 10 компаний.
Оставить заявку на пилот с демо
Где заканчивается автоматизация найма
У автоматизации есть понятная граница.
Мотивацию кандидата, качество профессионального разговора, способность работать с конкретной командой или реакцию на нестандартную ситуацию трудно свести к одному скору. Чем выше уровень позиции и цена кадровой ошибки, тем опаснее передавать финальное решение алгоритму.
Finversia уже писала, что AI лучше всего работает в сценариях с большим объёмом однотипной информации и измеримым результатом, тогда как решения с серьёзными последствиями требуют участия человека.
CareerGo придерживается той же границы: платформа анализирует информацию, объясняет рекомендации и позволяет проверить вывод по исходным данным, но финальное решение оставляет рекрутеру.
Задача AI здесь не в том, чтобы заменить человека на последнем этапе, а в том, чтобы убрать рутину до него. Резюме можно структурировать автоматически. Интервью – расшифровать. Воронку – посчитать без Excel. Но решать, стоит ли конкретному человеку и конкретной компании работать вместе, по-прежнему должны люди.
, Comcast отчиталась за третий квартал 2026 года с превышением ожиданий по скорректированной прибыли и выручке. Прибыльность стриминга Peacock и рекордные кассовые сборы Universal помогли компенсировать слабость традиционного интернет-бизнеса и тематических парков. , Procter & Gamble начала 2027 финансовый год с уверенного роста продаж благодаря спросу на бытовую химию и средства ухода. Однако компания предупредила, что подорожание сырья и логистики может стоить ей около $1,4 млрд прибыли, а годовой прогноз по EPS разочаровал Уолл-стрит. , Согласно прогнозу металлургической компании, в четвертом квартале спрос на ее продукцию должен ослабнуть.
