Як насправді працює AI-підбір кандидатів: двошаровий підхід

Ви чули цей пітч сотні разів: “AI-підбір кандидатів.” Але що це означає на практиці? Більшість інструментів видають відсоток — “78% відповідності” — і очікують, що ви повірите. Без доказів, без пояснень. Зрозуміти, чи AI влучає в ціль, чи просто галюцинує, неможливо.

Це не підбір, а магічне число.

Справжній підбір кандидатів потребує двох речей: швидкості і пояснюваності. Треба оцінювати 20+ кандидатів на день, не витрачаючи 10 хвилин на кожного. І водночас розуміти чому кандидат отримав саме таку оцінку — щоб ухвалювати обґрунтовані рішення та проводити змістовні скринінг-дзвінки.

Двошаровий підхід вирішує обидві проблеми.

Проблема одношарового підбору

Коротко: Більшість систем підбору використовують або ключові слова (швидко, але сліпо до синонімів, контексту і перенесених навичок), або тільки AI (нюанси є, але дорого, повільно і непослідовно). Окремо обидва підходи мають критичні вади: ключові слова пропускають все цікаве, чистий AI надмірний для очевидних перевірок.

Більшість систем підбору використовують один із двох підходів, і обидва провалюються в важливих місцях.

Тільки ключові слова

Найпростіший підхід: витягти ключові слова з опису вакансії, перевірити їх наявність у профілі кандидата. “React” у JD? Шукаємо “React” у резюме. Знайшли? Бал зараховано.

Це швидко ламається:

Синоніми невидимі. Кандидат, який вказав “React.js”, не збігається з пошуком “ReactJS”. Хтось із “frontend development” не збігається з “front-end engineering”.
Контекст втрачено. “5 років Python” у профілі може означати 5 років маленьких скриптів автоматизації, а не 5 років продакшн-бекенду.
Рівень — це здогадка. Ключові слова не скажуть, чи кар’єра кандидата йде в правильному напрямку. Senior Engineer у стартапі з 5 людей і Senior Engineer у Google мають однакову назву, але різний досвід.
Перенесених навичок не існує. Scala-інженер даних з 6 роками розподілених систем не збігається з пошуком “Python data engineer”, хоча, ймовірно, виконає цю роботу.

Ключові слова ловлять очевидне. Все цікаве — пропускають.

Тільки AI

Протилежний підхід: надіслати повний профіль кандидата і опис вакансії в LLM, запитати “наскільки ця людина підходить?”, і розібрати відповідь.

Це краще працює з нюансами: AI розуміє, що “Series A company” — це стартап. Але створює нові проблеми:

Вартість накопичується. Повний профіль у LLM на кожного кандидата — це $0.05-0.15 за оцінку. При 20 кандидатах на день виходить $1-3 на самий матчинг.
Затримка помітна. Повний AI-аналіз займає 5-15 секунд. На пайплайні з 30 кандидатів ці секунди складаються в хвилини.
Надмірність для очевидних невідповідностей. JD вимагає 8+ років, а кандидат має 2 — AI тут не потрібен. Достатньо порівняти числа.
Непослідовність. Та сама LLM на те саме питання може дати різні оцінки.

AI-матчинг потужний, але дорогий і іноді ненадійний для базових перевірок.

Двошарове рішення

Коротко: Шар 1 (детерміністичний) обробляє збіг ключових слів, роки досвіду, локацію, зарплату і обов’язкові вимоги миттєво й без витрат. Шар 2 (AI) додає аналіз кар’єрної траєкторії, релевантність домену, розпізнавання перенесених навичок і генерує цільові питання для скринінгу — все за менш ніж 5 секунд.

Відповідь — не вибір між ключовими словами та AI. Треба використовувати обидва, в правильному порядку.

Шар 1: Детерміністичний підбір (безкоштовний, миттєвий)

Перший шар обробляє все, що можна оцінити правилами та порівняннями. Без AI. Нульова вартість. Миттєві результати.

Що перевіряє Шар 1:

Збіг ключових слів. Витягує навички та технології з JD. Перевіряє кожну у парсених даних резюме. Рахує відсоток збігу. Це не семантика — це буквальне зіставлення рядків з нормалізацією (React = React.js = ReactJS).

Роки досвіду. JD каже “5+ років бекенду”. Резюме показує першу бекенд-роль у 2021. Проста математика: 5 років. Перевірено.

Відповідність локації. Роль — “Берлін, гібрид”. Кандидат у “Мюнхені, відкритий до релокації”. Шар 1 позначає часткову відповідність: та сама країна, інше місто, релокація згадана.

Зарплатна відповідність. Бюджет €70-85k. Очікування кандидата €80k. Зелений прапорець, в межах діапазону.

Обов’язкові вимоги. JD має 3 обов’язкові: React, TypeScript і 3+ роки. Шар 1 перевіряє кожну окремо, видає бінарний результат: пройшов/не пройшов.

Результат — базова оцінка, що миттєво виявляє очевидні невідповідності. Якщо кандидат не пройшов 3 з 5 обов’язкових у Шарі 1, Шар 2 вам не потрібен — це слабка відповідність. Шар 1 знає свої обмеження: усе, що не може оцінити, він позначає як “потребує AI-перегляду”.

Шар 2: AI-аналіз нюансів (швидкий, контекстний)

Шар 2 вмикається там, де закінчуються правила і починається судження.

Аналіз кар’єрної траєкторії. Чи росте кандидат у правильному напрямку? Junior Frontend → Mid → Senior → Lead — це чіткий IC-трек. Developer → Team Lead → Engineering Manager — менеджерський. Якщо JD на Staff Engineer, AI розпізнає, яка траєкторія підходить.

Релевантність домену. JD для фінтех-компанії. Кандидат 4 роки в платіжному стартапі. Шар 1 не зловить “payments” як релевантне до “fintech”. Шар 2 розуміє, що платежі — це піддомен фінтеху, і оцінює відповідно.

Перенесені навички. Кандидат з 6 роками Scala та Apache Spark подається на “Python + PySpark”. Шар 1 бачить нуль збігу за мовою. Шар 2 розпізнає, що перехід Scala → Python для дата-інженерів поширений і легкий, а досвід Spark переноситься напряму, незалежно від мовної обгортки.

Ідентифікація прогалин зі скринінговими питаннями. Замість того щоб просто позначити “відсутній: Kubernetes”, Шар 2 генерує уточнювальне питання: “Резюме не згадує Kubernetes, але є 3 роки Docker і AWS ECS. Запитайте: чи працювали ви з Kubernetes у будь-якому вигляді — навіть особисті проєкти чи сертифікації?”

AI не просто оцінює. Він підказує, що запитати далі.

Як виглядає картка оцінки

Коротко: Двошарова картка оцінки дає загальний бал з вердиктом, розбивку по вимогах із зазначенням, який шар оцінив кожен пункт, кольорові прапорці (зелений/жовтий/червоний) і готові питання для скринінгу. Все генерується за менш ніж 5 секунд.

Коли обидва шари завершують роботу — зазвичай менш ніж за 5 секунд — ви отримуєте структуровану картку:

Загальна оцінка

Поле	Значення
Бал	82 / 100
Вердикт	Сильна відповідність
Рекомендація	Провести скринінг цього кандидата

Розбивка за вимогами

Вимога	Статус	Джерело	Обґрунтування
React, 3+ роки	✅ Зелений	Шар 1	”React” знайдено у 3 ролях, найраніше 2022 (4 роки)
TypeScript	✅ Зелений	Шар 1	Вказано в навичках, використовується у 2 останніх ролях
Node.js бекенд	🟡 Жовтий	Шар 2	Node.js не вказано, але є Express.js в одній ролі — ймовірно має досвід Node
Фінтех домен	✅ Зелений	Шар 2	4 роки у PayTech (платіжний стартап) — сильна фінтех-релевантність
Лідерство в команді	🟡 Жовтий	Шар 2	Керував командою з 2 осіб на проєкті, але без формальної лідерської ролі
Kubernetes	🔴 Червоний	Шар 1	Не знайдено в резюме. Є досвід Docker + ECS — може мати перенесені знання

Прапорці

Зелені прапорці:

Сильна фронтенд-траєкторія (Junior → Mid → Senior за 5 років)
Досвід у фінтех-домені відповідає ролі
Зарплатне очікування (€78k) в межах бюджету (€70-85k)

Жовті прапорці:

Досвід Node.js бекенду незрозумілий — потребує скринінгу
Лідерський досвід неформальний — уточнити очікування

Червоні прапорці:

Kubernetes не згадується — якщо це жорстка вимога, може бути блокером

Питання для скринінгу

“У вашому резюме великий досвід Docker та AWS ECS. Чи мали ви будь-який досвід з Kubernetes — на роботі, в сайд-проєктах або через сертифікації?”
“Я бачу, ви керували командою з 2 осіб у проєкті міграції платежів. Чи цікавить вас перехід на більш формальну роль технічного ліда?”
“У вас вказано Express.js у ролі в Acme Corp. Скільки бекенд-роботи на Node.js ви робили щодня порівняно з фронтенд-роботою на React?”

Чому жоден шар окремо не працює

Коротко: Шар 1 окремо відхиляє хороших кандидатів з перенесеними навичками та не бачить доменну релевантність. Шар 2 окремо повільніший, дорожчий і надмірний для простих перевірок. Разом вони коштують $0.01 за оцінку, працюють за 3-5 секунд і ловлять як очевидні невідповідності, так і приховані можливості.

Швидке порівняння:

Сценарій	Тільки Шар 1	Тільки Шар 2	Обидва шари
Відсутнє обов’язкове ключове слово	✅ Ловить	✅ Ловить	✅ Ловить
Scala-інженер на Python-роль	❌ Немає збігу → відхилено	✅ Бачить перенесені навички	✅ Ш1 позначає прогалину, Ш2 додає нюанс
Кандидат має 2 роки, JD вимагає 5	✅ Проста математика	✅ Але повільніше і дорожче	✅ Ш1 ловить миттєво, AI не потрібен
”Платіжний стартап” для фінтех-ролі	❌ Ключові слова не збігаються	✅ Розуміє домен	✅ Ш2 додає доменну релевантність
Вартість за оцінку	$0.00	$0.01-0.02	$0.01 (Ш1 безкоштовний)
Швидкість	Миттєво	3-5 секунд	3-5 секунд загалом

Шар 1 — швидкий, безкоштовний і надійний для структурних перевірок. Шар 2 — нюансований, контекстний, пояснює свої міркування. Разом вони створюють картку оцінки, якій можна довіряти, і яку можна використовувати.

Перевага пояснюваності

Коротко: Кожна оцінка підкріплена конкретним доказом з профілю кандидата, а не «відчуттям» AI. Картка показує, які вимоги пройдені, які прогалини знайдено і що потребує скринінгу — ви йдете на кожний дзвінок, точно знаючи, що запитати і валідувати.

Що відрізняє хорошу систему підбору від генератора магічних чисел — обґрунтування.

Кожна оцінка в двошаровій картці підкріплена доказом з профілю. “82/100” не означає, що AI “відчув” 82. Це означає:

5 з 6 вимог пройшли перевірки Шару 1 ✅
Шар 2 знайшов сильну доменну релевантність (+бали)
Шар 2 виявив 2 прогалини для скринінгу (−бали, але відновлювані)
Зарплата та локація — обидва зелені прапорці (+бали)

На скринінг-дзвінку ви знаєте не лише бал. Ви знаєте що запитати, що валідувати і що важливо для наймаючого менеджера.

Це різниця між AI-підбором, який корисний, і AI-підбором, який просто число.

Що це означає для вашого робочого процесу

Коротко: Двошаровий підбір скорочує перегляд кандидата з 5-15 хвилин до 30 секунд. Ви сортуєте за кольором (зелений/жовтий/червоний), починаєте з сильних відповідностей, перевіряєте відновлювані прогалини жовтих і пропускаєте червоних з впевненістю — економлячи 2+ години щодня.

З двошаровим підбором ваш щоденний перегляд змінюється кардинально:

Відкрийте пайплайн — бачите 15 кандидатів, призначених на роль
Оцініть бали — 3 зелені (85+), 7 жовтих (60-84), 5 червоних (нижче 60)
Почніть із зелених — відкрийте картку, перегляньте прапорці, запишіть питання для скринінгу
Перевірте жовтих — картка каже, що відсутнє і чи це відновлювано
Пропустіть червоних з впевненістю — Шар 1 зловив невідповідність жорстких вимог, без здогадок

Те, що раніше займало 5-15 хвилин на кандидата, тепер займає 30 секунд. При 20 кандидатах на день це 2+ години щодня — не на AI-хайпі, а на структурованому процесі.

Хочете побачити двошаровий підбір у дії? Спробуйте Recrudoc CRM безкоштовно — призначте кандидата на вакансію та отримайте першу картку оцінки менш ніж за 5 секунд.