ИИ-агент против рынка труда: почему высокая оценка вакансии не гарантирует собеседование

Habr AI · оригинал

Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

В ходе восьминедельного эксперимента пользователь обнаружил, что алгоритмический скоринг вакансий часто ошибается из-за поверхностного анализа текста. Несмотря на детальную настройку фильтров, конверсия в интервью осталась нулевой, что указывает на ограничения ИИ в оценке скрытых факторов.

Материал демонстрирует реальные границы применения LLM в рекрутинге: алгоритмы хорошо обрабатывают формальные критерии, но плохо интерпретируют контекст нагрузки и корпоративную культуру, что критично для понимания эффективности автоматизации поиска работы.

Третий этап восьминедельного эксперимента по поиску работы с помощью ИИ-агента выявил существенное расхождение между алгоритмической оценкой вакансий и реальными ожиданиями кандидата. За неделю агент проанализировал около сотни предложений, но отправил лишь один отклик, который закончился отказом. Ключевой инцидент произошел с вакансией в финтехе: система присвоила ей 7 баллов из 10 за совпадение стека и управленческой роли, однако детальный разбор обязанностей показал, что на одного тимлида возложены функции нескольких специалистов, включая операционную нагрузку и дежурства. Это привело к пересмотру правил скоринга: появились штрафные баллы за on-call и роль единственного процессного лида, в результате чего оценка снизилась до 5 баллов.

Автор эксперимента подчеркивает, что формула оценки не является линейным уравнением с фиксированными весами. Вместо этого агент работает в три слоя: сначала отсекает неподходящие компании и уровни, затем проверяет наличие обязательных технологий, а на финальном этапе субъективно оценивает «вкус» вакансии. Сложность заключается в том, что положительные критерии, такие как интересность продукта или зрелость процессов, не имеют жестких числовых эквивалентов. Два разных наблюдателя могут поставить разную оценку одному и тому же тексту, так как ИИ интерпретирует описание через призму контекста, а не просто сверяет ключевые слова.

Анализ других примеров показывает пределы возможностей алгоритма. Вакансия в медтехе получила 8 баллов за чистую управленческую роль и гибрид, но потеряла полбалла из-за требования к мобильной разработке, которой у кандидата нет. Онлайн-ритейл с продуктовым бизнесом оценили в 6,5 балла: удаленка подтверждена, но требуются Laravel, Kafka и Elasticsearch, с которыми автор не работал. Порог в 6,5 баллов установлен эмпирически: ниже этого уровня письмо приходится начинать с оправданий несоответствия стека, что считается неэффективным использованием времени.

Важно понимать, что балл агента отражает только то, что написано в тексте вакансии. Он не видит внутренних процессов компании, реальные причины закрытия позиции или вкусы нанимающего менеджера. В одном случае вакансия с высокой оценкой была закрыта мгновенно после просмотра резюме, а в другом — отказ пришел через шесть дней без открытия профиля. Эти факторы находятся за пределами компетенции текстового анализа. Кроме того, правила скоринга постоянно эволюционируют: агент извлекает забытые навыки кандидата и добавляет их в систему, открывая доступ к новым категориям вакансий.

На контрольной точке 16 ноября статистика остается скромной: 13 откликов за весь период, три отказа и ноль приглашений на собеседования. Автор предполагает, что проблема может крыться не в зарплатных ожиданиях, а в жестких требованиях к конкретным фреймворкам, которые не совпадают с опытом кандидата. Если к 23 ноября ситуация не изменится, эксперимент рискует стать отчетом о невозможности найти работу исключительно через ИИ-агента в текущих рыночных условиях. Тем не менее, процесс настройки алгоритма помог автору лучше понять свои предпочтения и ограничения рынка.