HR‑tech без иллюзий: где ИИ реально экономит время, а где создает риски

По статистике международной профессиональной образовательной платформы AIHR, в 2026 году ИИ будет еще глубже интегрирован во все основные HR‑процессы, а 78% организаций в мире уже используют возможности искусственного интеллекта хотя бы в одной HR‑функции. Однако, среди HR‑команд, которые вообще не используют ИИ, 67% считают главной причиной затягивания сроков внедрений непонимание, с чего начать или как технологии могут помочь. Где HR‑tech действительно снижает нагрузку на команды, а где может не только не давать результата, но и приводить к рискам?

Где технология действительно освобождает команду

Попробовав внедрить технологии во все процессы и не получив измеримый эффект, компании постепенно переходят к избирательной модели. Лучше всего подходят процессы, где есть повторяемость и предсказуемость результата. По оценкам McKinsey, в будущем благодаря ИИ специалисты по кадрам будут тратить на административную работу на 60–70% меньше времени. Освободившееся время они смогут посвятить взаимодействию с людьми, что станет ключевым фактором эффективности HR‑подразделений.

Есть несколько зон, где экономия времени видна почти сразу. Основные направления HR‑tech внедрений стоит разделить на следующие подразделы: это работа с внутренними сотрудниками и операционное управление; рекрутмент и процесс поиска кандидатов, их анализ и последующая коммуникация с обратной связью, и третий масштабный блок работы — это образовательные программы и анализ качества знаний сотрудников.

В рекрутменте влияние HR‑tech одно из наиболее заметных. Вот некоторые процессы, которые уже сегодня помогает облегчить внедрение ИИ:

Написание текстов вакансий. Один из самых безопасных сценариев применения ИИ — помощь в создании и доработке вакансий: технология ускоряет подготовку текста и адаптирует формулировки под разные аудитории.

Мониторинг и аналитика найма. Интерактивные дашборды позволяют HR‑специалистам в режиме реального времени отслеживать ключевые показатели найма и анализировать воронку подбора.

Первичная коммуникация и координация встреч. На российском рынке это одна из самых болезненных точек. По нашим данным, больше всего времени у рекрутеров уходит на дозвоны до кандидатов, а также на организацию интервью — автоматизация только этой части рабочих коммуникаций экономит до 3 рабочих дней в месяц. Здесь технологии берут на себя организационную часть процесса: помогают согласовывать время интервью и координируют встречи между кандидатом и командой.

Внутренняя мобильность и реферальные программы. Этот блок часто недооценен, хотя именно здесь технология работает на удержание и улучшает опыт сотрудника. В MWS внутренние переходы и рекомендации уже покрывают заметную долю найма — в 2025 году 24% вакансий были закрыты через реферальную программу.

Аналитика воронки и работа с кадровым резервом. Когда HR видит воронку в реальном времени, резерв не лежит мертвым грузом.

Также инструменты ИИ используются HR‑специалистами во внутренних задачах. Например, при проведении stay‑интервью, где сотрудник беседует напрямую с руководителем, или для сбора обратной связи. Эти процессы очень важны для удержания ключевых сотрудников и повышения вовлеченности.

Следующая важная часть работы, где внедрение ИИ позволяет существенно сократить рутину и упростить для всех коммуникации — это индивидуальные планы развития и системное повышение экспертизы действующих сотрудников. Образовательный блок и оценка уровня знаний также зачастую является для HR‑департаментов компаний сложной для систематизации задачей.

При правильном внедрении ИИ результат будет внушительным — при этом не только в процессе поиска кандидатов, но и для работы с действующими сотрудниками. Согласно недавнему отчету Resume Now, 73% респондентов отмечают, что использование инструментов искусственного интеллекта ускорило процесс найма. Однако если ИТ‑ландшафт не готов к внедрению, данные разрозненные, персонал недостаточно квалифицирован в сфере ИИ и других технологий, а безопасность контролируется формально — внедрение становится не только неэффективным, но и рискованным.

Где ИИ нельзя оставлять одного

Риск №1: потеря контроля над решениями. Есть процессы, где скорость важна, но автоматизация опасна. Например, не стоит передавать ИИ финальную оценку кандидата, решение по офферу, выводы по сложным интервью, конфликты в команде, обсуждение увольнений, вопросы справедливости оплаты и управленческие решения, которые прямо влияют на права человека.

Более того: российское законодательство запрещает принимать решения, влияющие на права граждан, на основании исключительно автоматизированной обработки. Если ИИ оценил сотрудника как неэффективного и автоматически инициировал увольнение — это риск для компании: решение не соответствует требованиям закона.

В Европе правила тоже ужесточаются: Европейский союз относит ИИ в найме и управлении сотрудниками к высокорисковым системам. Случаи судейства из‑за робо‑увольнений уже есть. Один из самых показательных кейсов — практика Uber с автоматическим отключением водителей: алгоритмы выявляли «подозрительное поведение» (например, передачу аккаунта третьему лицу) и без участия человека отрезали таксистов от платформы. В результате суд обязал компанию восстановить работников, предоставив компенсацию.

Решение: выстраивать гибридную модель, в которой ИИ отвечает за административные процессы и первичный анализ данных, но финальные решения остаются за человеком. Такой подход называется human‑in‑the‑loop или «человек в контуре управления» — метод, при котором человек принимает активное участие в цикле работы алгоритма. В результате ИИ становится не заменой, а усилением экспертизы: снижает нагрузку на рутину, но не берет на себя ответственность там, где цена ошибки слишком высока.

Например, такой подход мы используем для оценки hard skills — как при найме, так и при внутренних ротациях. Процесс включает два этапа: интервью с экспертами и оценку кандидатов по его итогам.

Раньше эксперт самостоятельно оценивал уровень компетенций, а весь процесс занимал около двух часов: время уходило на расшифровку интервью и калибровку оценок между экспертами. Чтобы сократить временные затраты, мы внедрили модель, обученную на нашей матрице компетенций и базе прошлых оценок. Теперь она самостоятельно предлагает вывод по каждой компетенции, а эксперт подтверждает его или корректирует.

Сейчас оценка модели совпадает с экспертной в 75% случаев. При этом само интервью всегда проводит человек, а финальное решение о найме ИИ не принимает, лишь ускоряет подготовку вывода.

Риск №2: предвзятость ИИ‑моделей. Со стороны может казаться, что робот априори объективнее человека, однако не все так просто. Например, компания Amazon разрабатывала алгоритм для автоматического отбора резюме, но в процессе тестирования выяснилось, что система занижает оценки кандидатам женского пола. Причина оказалась в данных: модель обучалась на резюме, где большинство сотрудников были мужчинами. Как следствие — алгоритм начал понижать резюме с упоминанием женщин.

Проблема предвзятости не ограничивается отдельными компаниями — она подтверждается и статистикой. Исследование Университета Вашингтона выявило гендерную предвзятость: при одинаковых резюме алгоритм может по‑разному ранжировать кандидатов в зависимости от имени. В результате женщины могут оказываться ниже в списке, даже если их опыт не отличается. Есть еще один тип предвзятости: ИИ может отдавать предпочтение резюме, написанным с помощью ИИ. Такие кандидаты получают преимущество в отборе — вероятность пройти первичный скрининг может быть выше на десятки процентов.

Решение: проблему предвзятости можно решить еще до внедрения: дело в обучении решений под конкретные задачи и тестировании сценариев в реальной среде. Если этот аспект был качественно проработан, риск предвзятости ИИ‑моделей сводится к минимуму.

Решение: чтобы не повторить опыт WorkComposer, важно учитывать ключевой фактор внедрения ИИ: любая технология не может стабильно работать в условиях хаоса. Доступность и защищенность данных — фундамент автоматизации. В случае выбора вендора важно учитывать, чтобы решение работало в локальном контуре компании — так обеспечивается контроль над персональными данными сотрудников.

Риск №4: симметричная автоматизация. Есть еще одна граница, уже не юридическая, а человеческая. Когда обе стороны процесса включают автопилот, найм быстро превращается в разговор двух подсказок. Робот‑рекрутер задает стандартный вопрос, а кандидат читает ответ, собранный условным Chat GPT. По данным исследования Resume Genius 2026 года, 22% кандидатов признаются, что используют ИИ прямо во время интервью для генерации ответов в реальном времени. В результате возникает эффект «симметричной автоматизации»: кандидат отвечает не из опыта, а интервьюер оценивает не специалиста. Практика стала настолько массовой, что компании начали менять сам формат найма. Например, крупные игроки вроде Google возвращают офлайн‑интервью, потому что в онлайн‑формате стало сложнее отличить реальные навыки от ответов, сгенерированных ИИ.

Решение: сместить оценку с ответов на проверяемые навыки и выстроить найм вокруг skills‑based подхода. В MTS Web Services его применяют с 2023 года: сначала определяется набор навыков под задачи, затем кандидат проходит их проверку и только потом обсуждается опыт. В такой модели неважно, как сформулирован ответ — оценивается способность решать задачи, поэтому эффект «симметричной автоматизации» просто не работает.

Успех начинается там, где появляются простые метрики

Самая опасная ошибка в ИИ‑проектах для HR — верить в общие слова вместо конкретных показателей. Если система действительно полезна, это видно быстро: сокращается время для решения рабочих вопросов, снижается число зависших задач, ускоряется коммуникация с действующими и потенциальными сотрудниками, растет процент внутренней ротации. Мы проанализировали влияние ИИ на процесс закрытия вакансий в МТС Web Services и получили результаты, которые уже легко просчитываются и говорят за себя. Например, ИИ‑трансформация снизила нагрузку на рекрутера, повысила удовлетворенность работой HR‑команд на 10% и улучшила воронку найма. Внедрение ИИ в процессы поиска кандидатов через внутреннюю ротацию позволило увеличить закрытие вакансий с 9% до 15%. В аутстафф‑подборе ИИ снизил затраты времени рекрутера на скоринг резюме на 20%. Чат‑боты реферальной программы автоматизировали консультации сотрудников, проверку кандидатов и расчет вознаграждений, что позволило сэкономить до 12 часов ручной работы HR‑команды ежемесячно и закрывать 24% вакансий через рекомендации. Все эти цифры уже сейчас демонстрируют эффективность ИИ‑трансформации и сокращение рутины в работе HR‑департамента.

Обучать ИИ можно и на негативных кейсах

Позитивную динамику можно увидеть уже в первые месяцы. Важно непредвзято их оценить. У нас в MWS есть пример и неудачного кейса, когда эффективность ИИ оказалась низкой. На одном из курсов мы внедрили small language model — языковую модель, обученную на материалах курса. Цель — создать механизм, который отвечал бы на вопросы учеников о домашних заданиях и лекциях, снижая нагрузку на преподавателей. Но пилот не сработал сразу по трем причинам.

Первая: учебный контент постоянно обновляется. Модель, обученная до запуска курса, к его окончанию работала с уже неактуальными данными. Вторая причина отказа от этой ИИ‑интеграции — модель была ограничена в использовании внешней информации, из‑за чего ответы получались слишком общими. Большая часть ответов не проходила внутреннюю проверку преподавателей перед отправкой ученикам. Третья, и самая обидная причина неудачи нашего тестового внедрения — ученики и без этого инструмента искали ответы в поисковике или нейросети. За год внедрения пилота его ценность попросту устарела.

В итоге мы решили не отказываться от small language model, а пересобрать ее периметр применения — сузить до организационных вопросов. Здесь данные не меняются в процессе обучения, а внешние источники для качественных ответов не требуются.

Есть еще один важный критерий, который повышает процент «нужности» ИИ‑внедрения. Проект успешен только тогда, когда он меняет не только скорость, но и качество работы команды. Поэтому цель ИИ в HR‑tech — не сократить штат, а помочь команде не вязнуть в рутине, получив время на более важные задачи. Например, удержание сильных сотрудников, работу с менеджерами и развитие внутреннего рынка талантов.

HR‑tech — это не гонка за самым умным ботом и не соревнование по числу внедренных систем. Это дисциплина выбора. Автоматизировать стоит то, что повторяется, измеряется и не требует человеческого суждения в финальной точке. Все остальное должно усиливать человека. Если помнить это правило, технологии действительно экономят время, но если его забыть, цифровизация быстро превращается в имитацию, а HR остается там же, где был, только с большим количеством вкладок на экране.