Нейросеть за 20–30 минут сортирует пачку из полусотни резюме по заданным критериям: HR задаёт требования к опыту, навыкам и образованию, а модель — GigaChat, YandexGPT, ChatGPT, Claude или DeepSeek — размечает каждое резюме по совпадению с критериями и выносит спорные случаи отдельным списком. Итоговое решение по каждому кандидату принимает HR вручную.
Что делает модель
По нашему опыту, разметка пятидесяти резюме по заданным критериям занимает у модели 20–30 минут вместо двух-трёх часов ручного просмотра каждого файла.
HR задаёт модели критерии отбора — обязательный опыт, ключевые навыки, уровень образования, — и модель проходит по каждому резюме из пачки, отмечая совпадение или расхождение с каждым критерием. Спорные случаи, где резюме частично подходит под критерий, модель выносит отдельным списком с пояснением, в чём именно расхождение.
- Разметка каждого резюме по совпадению с заданными критериями
- Вынос спорных случаев отдельным списком с пояснением
- Сортировка пачки резюме по числу совпавших критериев
- Короткая выжимка ключевых фактов по каждому кандидату
Резюме нередко приходят сразу с нескольких площадок — HeadHunter, Superjob, отклики через сайт компании — и формат карточки кандидата на каждой площадке немного отличается. Перед разметкой стоит привести резюме к единому формату полей, иначе модель тратит часть внимания на разбор структуры вместо самого содержания.
Часть компаний практикует обезличенный скрининг — из резюме перед отправкой модели убирают имя, фотографию и иногда название вуза, чтобы решение опиралось только на опыт и навыки. Модель в этом случае получает обезличенную версию резюме вместо полного текста, собранную по тем же критериям отбора.
Резюме приходят в разных форматах — PDF с текстовым слоем, скан без текстового слоя, DOCX, иногда просто текст в теле письма. Модели с распознаванием изображений разбирают скан напрямую, для остальных форматов текст стоит извлекать заранее, иначе часть резюме в пачке остаётся для модели нечитаемой.
Вопрос, что можно загружать в нейросеть при работе с резюме кандидатов без нарушения закона, разобран отдельно в статье про загрузку резюме кандидатов в нейросеть. Здесь модель уже получила резюме на легальных основаниях и сортирует их по критериям отбора.
Модель для скрининга
GigaChat и YandexGPT держат данные внутри страны, что снимает часть вопросов при работе с персональными данными кандидатов на регулярной основе. ChatGPT и Claude точнее разбирают резюме со сложной структурой — несколько мест работы подряд, смешанный опыт из разных отраслей. DeepSeek — самый дешёвый вариант при разметке большой пачки резюме по простым критериям.
- GigaChat — данные внутри страны, подходит для регулярного скрининга
- YandexGPT — быстрая разметка на простых и понятных критериях
- ChatGPT (GPT-5) — точнее разбирает резюме со сложной структурой опыта
- Claude — лучше держит большую пачку резюме в одном диалоге
- DeepSeek — дешёвый токен для разметки по простым критериям
При разовом подборе на одну позицию решающим фактором остаётся точность разметки, при потоковом найме на несколько десятков позиций в квартал заметнее становится разница в цене токена между моделями, по прайсам сервисов на сентябрь 2026.
Критерии стоит делить на обязательные и желательные ещё на этапе постановки задачи модели — обязательный критерий сразу отсеивает резюме при несовпадении, желательный только добавляет вес при сортировке пачки. Без такого разделения модель нередко ставит одинаковый вес всем критериям подряд, и итоговая сортировка выходит менее точной.
Отдельно стоит фиксировать версию критериев в самом промпте с датой — требования к позиции иногда меняются в процессе найма, и старая версия критериев, случайно оставленная в промпте, размечает новые резюме по уже неактуальным условиям.
Шаблон промпта
Хороший промпт для скрининга резюме состоит из четырёх частей: роль модели, список критериев отбора, формат вывода результата и правило для спорных случаев.
- Опишите роль: «Ты рекрутер, размечаешь резюме по заданным критериям»
- Перечислите обязательные критерии — опыт, навыки, образование
- Задайте формат вывода: совпадение, расхождение, спорный случай
- Попросите пояснение к каждому спорному случаю отдельной строкой
- Задайте порядок сортировки итоговой пачки по числу совпадений
Пачка из полусотни резюме обычно укладывается в один диалог с моделью без потери качества разметки, пачка на несколько сотен резюме сразу — точнее разбивать на партии по пятьдесят-семьдесят штук, иначе модель начинает путать критерии между разными резюме ближе к концу длинного диалога.
Формат вывода с явным разделением на совпадение, расхождение и спорный случай сразу показывает HR, с какого резюме начинать проверку вручную, а с какого вопрос снимается по формальному критерию.
Что проверяет HR
| Категория | Что делает модель | Что проверяет HR |
|---|---|---|
| Совпадение | Отмечает точное совпадение с критерием | Точечную проверку на пачке из десяти резюме |
| Расхождение | Отмечает резюме без нужного критерия | Причину расхождения — критичная или второстепенная |
| Спорный случай | Выносит отдельным списком с пояснением | Каждый спорный случай перед итоговым решением |
| Сортировка | Ранжирует пачку по числу совпадений | Порядок для собеседований по фактическому приоритету |
Сколько резюме в месяц просматривает ваша команда?
Итоговую сортировку удобно сразу передавать в календарь собеседований — модель ранжирует кандидатов по приоритету, а HR распределяет слоты собеседований по этому же порядку вместо повторной пересборки списка вручную.
Если скрининг идёт на потоке — несколько десятков резюме в неделю по разным позициям, — шаблон промпта стоит закрепить в HR-команде через курс по обучению сотрудников работе с ИИ, вместо разбора метода заново каждым новым рекрутером.
Частые ошибки
- Критерии отбора формулируются расплывчато, без конкретных цифр опыта
- Спорные случаи закрываются моделью без пояснения причины расхождения
- Итоговое решение по кандидату принимается без просмотра резюме человеком
- Один и тот же набор критериев применяется к разным по сложности позициям
- Пачка резюме размечается без предварительной проверки на дубли одного кандидата
Если скрининг ведут несколько рекрутеров одновременно, разным людям стоит давать один и тот же промпт с критериями — иначе разметка одной и той же пачки резюме у разных рекрутеров расходится просто из-за разной формулировки запроса модели.
Возьмите одну пачку из десяти резюме и сверьте разметку модели с решением, которое рекрутер принял бы вручную по тем же критериям. Только после совпадения по сути переносите метод на полную пачку и на массовый поток.
Общий обзор задач, которые нейросеть решает в работе HR, и с чего начать автоматизацию, — в статье про автоматизацию HR без программистов.