AI скоринг резюме: как он работает, где ошибается и как проверить его на своих данных

Про AI в подборе сейчас говорят двумя способами: либо «нейросеть заменит рекрутёра», либо «это всё маркетинг, работает плохо». Оба утверждения одинаково бесполезны, потому что не отвечают на практический вопрос: что именно алгоритм делает с резюме, где ему можно верить и где — точно нет.

Разберём механику. И сразу главный тезис, который стоит держать в голове до конца статьи: AI скоринг резюме — это инструмент приоритизации, а не принятия решения. Он отвечает на вопрос «кому позвонить первым», а не «кого не брать».

Как устроен AI скоринг: четыре шага

За словом «скоринг» скрывается конвейер из четырёх этапов. Ошибка на любом из них ломает итоговую оценку — и чаще всего сбой происходит на первом, а не на «умном» последнем.

1. Извлечение текста. Из PDF, DOCX или фотографии достаётся текст. С цифровым PDF проблем нет; со сканом и фото включается распознавание, и качество зависит от освещения, разворота и шрифта.
2. Разбор на поля. Текст раскладывается в структуру: ФИО, контакты, города, места работы с датами, должности, навыки, образование, документы и допуски. Здесь же считается стаж и находятся перерывы.
3. Сопоставление с вакансией. Требования вакансии превращаются в набор критериев, и по каждому проверяется, есть ли подтверждение в резюме: опыт по профилю, нужный разряд или удостоверение, гео, готовность к графику.
4. Оценка и объяснение. Формируется балл (в Lumi.CRM — от 0 до 100) и расшифровка: что закрыто, что нет, где пробел. Именно расшифровка делает балл полезным.

Практический вывод: если в вашей базе много сканов и фотографий резюме, ограничителем качества будет шаг 1, а не «интеллект» модели. Проверять систему надо на своих худших файлах, а не на аккуратном PDF с hh.ru.

Из чего складывается балл

Универсальной формулы нет, но у вменяемых систем набор факторов примерно такой:

Важный нюанс: у линейных позиций и офисных вес факторов принципиально разный. Для сварщика наличие действующего удостоверения НАКС — не «плюс к баллу», а условие допуска на объект. Хорошая система различает стоп-факторы и взвешиваемые критерии; если она складывает всё в один котёл, вы получите кандидата с 85 баллами и без допуска.

Почему объяснение балла важнее самого балла

Балл без расшифровки бесполезен и даже вреден: рекрутёр либо слепо доверяет ему, либо игнорирует. Работающий формат — когда рядом с цифрой видно конкретику: закрыт опыт, подтверждён допуск, есть вопрос по графику.

Это даёт три эффекта:

• Рекрутёр за 5 секунд понимает, о чём спрашивать на первом звонке — разговор начинается не с нуля.
• Ошибку алгоритма видно сразу: если система «не увидела» опыт, который в резюме есть, это заметно в расшифровке, а не остаётся скрытым.
• Решение можно объяснить заказчику и самому кандидату человеческими словами.

8 сценариев, где алгоритм ошибается

Честный список — то, чего не пишут в рекламных материалах.

1. Плохие сканы и фото. Смятый лист, тень, снимок под углом — текст извлекается частично, кандидат уходит вниз списка не по своей вине.
2. Синонимы профессий и регионализмы. «Стропальщик» и «такелажник», «комплектовщик» и «сборщик заказов», «оператор ПРУ» — если система не знает синонимов вашей отрасли, она недооценит профильный опыт.
3. Короткие резюме линейных рабочих. В них часто три строки: «работал на стройке, 5 лет». Формально закрывать нечем, а человек при этом подходит идеально. На массовом потоке это самая частая ошибка.
4. Перерывы в стаже. Декрет, уход за родственником, служба, лечение — алгоритм видит «пробел», хотя причина уважительная и на работу не влияет.
5. Смена отрасли. Человек с сильными переносимыми навыками из смежной сферы получает низкий балл, потому что формально «нет опыта на такой позиции».
6. Свежие данные, которых нет в резюме. Кандидат получил допуск месяц назад, но резюме не обновил. Алгоритм оценивает бумагу, а не человека.
7. Ошибки в требованиях вакансии. Если в заявке написано «высшее образование обязательно» там, где реально не нужно, скоринг честно отранжирует по ошибочному критерию. Мусор на входе — мусор на выходе.
8. Редкие и уникальные профили. Чем нестандартнее позиция, тем меньше у алгоритма опоры и тем ближе оценка к случайной.

Отсюда практическое следствие: пограничную зону нужно смотреть глазами. Если вы работаете с топ-списком, задайте себе правило просматривать не только верх, но и 10-15 кандидатов ниже отсечки — именно там живут ошибки первого рода. Подробнее о том, как AI встраивается в общий процесс подбора, — в статье про AI в подборе персонала.

Резюме, написанные под алгоритм

Отдельная и растущая проблема 2026 года: кандидаты (и особенно посредники) научились писать резюме под автоматический разбор. Приёмы известные:

• Переспам ключевых слов — блок «навыки» на 60 позиций, половина из которых никогда не применялась.
• Скрытый текст — белые буквы на белом фоне или нулевой кегль с перечислением требований вакансии. Для человека невидимо, для парсера — видимо.
• Инструкции для модели в теле документа: попытка подсказать системе, какой балл поставить.
• Копирование текста вакансии в описание опыта почти дословно.

Что с этим делать на практике: проверять подозрительно «идеальные» резюме глазами и открывать исходный файл, а не только карточку; сверять ключевые факты на первом же звонке; относиться к слишком гладкому совпадению с требованиями как к поводу задать больше вопросов, а не как к признаку идеального кандидата. В Lumi.CRM в модуле рекрутинга AI-парсинг резюме дополнен проверкой на подлог — но и она не отменяет живого разговора.

152-ФЗ и почему автоотказ — плохая идея

Юридическая рамка простая, но её часто игнорируют.

• Резюме — это персональные данные. Их обработка требует согласия и должна вестись в контуре 152-ФЗ: хранение в РФ, ограниченный доступ, срок хранения, возможность удаления по запросу.
• Кандидат вправе получить содержательное объяснение отказа. «Так решил алгоритм» — не объяснение ни для него, ни для проверяющего.
• Скоринг не должен опираться на признаки, не связанные с деловыми качествами. Пол, возраст, семейное положение, национальность в критериях оценки — прямой путь к дискриминационной практике.

Технически это означает конкретные требования к системе: логировать, кто и когда принял решение по кандидату; хранить причину отказа текстом; собирать согласия на обработку данных внутри системы, в том числе при отклике через портал или QR-код.

Как проверить скоринг на своих данных

Не верьте цифрам точности из презентаций — проверьте на своей базе. Процедура на один день:

1. Возьмите 50-100 закрытых вакансий за последние полгода, по которым известен результат: кого наняли, кто прошёл, кому отказали.
2. Загрузите резюме этих кандидатов и прогоните скоринг вслепую — не подсказывая системе исход.
3. Посчитайте долю попадания: сколько реально нанятых оказалось в верхних 20% списка.
4. Отдельно посчитайте ошибки первого рода — сильные кандидаты внизу списка. Это дороже, чем лишний слабый вверху: слабого отсеет звонок, а пропущенного сильного вы не увидите никогда.
5. Разберите 10 худших расхождений руками. Почти всегда обнаружится системная причина: не распознан скан, не учтён синоним, кривая формулировка требований в заявке.
6. Повторите проверку через 2-3 месяца работы — качество должно расти по мере наполнения базы.

Как встроить скоринг в работу команды

Технология сама по себе ничего не улучшает — работает регламент. Схема, которая приживается:

• Скоринг задаёт очередь, а не фильтр. Рекрутёр обзванивает сверху вниз, но список не обрезается автоматически.
• Стоп-факторы отделены от баллов. Нет обязательного допуска — кандидат помечается отдельно, а не просто «получает меньше очков».
• Пограничная зона проверяется глазами — фиксированное число кандидатов ниже отсечки каждый день.
• Причина отказа заполняется всегда и текстом, а не выбором «не подходит».
• Раз в месяц — сверка: совпадали ли высокие баллы с реальными выходами на работу. Это же и обратная связь для настройки требований в заявках.

И помните про порядок величин: разбор 100 резюме, который у команды занимает часы, система делает за минуты. Но выигрыш реализуется только если освободившееся время уходит на звонки и переговоры, а не растворяется. Как это выглядит на потоке, разбирали в материале про автоматизацию массового подбора.

Частые вопросы

Как работает AI скоринг резюме?

Четыре шага: извлечение текста из файла, разбор на поля, сопоставление с требованиями вакансии, выставление балла с расшифровкой. Балл нужен для сортировки потока, а не для автоматического отказа.

Можно ли доверять AI-оценке?

Приоритизации — да, решению — нет. В Lumi.CRM совпадение с решением рекрутёра около 87%, то есть каждый седьмой-восьмой кандидат требует человеческого взгляда.

Где алгоритм ошибается чаще всего?

Плохие сканы, синонимы профессий, короткие резюме линейных рабочих, перерывы в стаже, смена отрасли, устаревшие данные и ошибки в самих требованиях вакансии.

Можно ли автоматически отказывать по баллу?

Не стоит: это и риск потерять сильных кандидатов, и слабая позиция с точки зрения работы с персональными данными. Причина отказа должна быть содержательной и зафиксированной человеком.

Как проверить качество скоринга?

Прогоните вслепую 50-100 закрытых вакансий с известным результатом и посмотрите, попали ли нанятые в верхнюю часть списка. Отдельно разберите сильных кандидатов, оказавшихся внизу.