Поиск резюме: ключевые слова против смысла – разбор на примерах hh.ru и SuperJob

Каждый рекрутер знаком с ситуацией: новая вакансия открыта пару дней, а на почте уже сотня откликов. Из этой горы резюме лишь единицы подходят под требования, остальные — мимо кассы. По статистике до 80–88% полученных резюме сразу отправляются в корзину как неподходящие (источник naimee.ai). Более того, на каждую корпоративную вакансию в среднем приходит около 250 откликов — уйма времени уходит на ручное просеивание тех самых «золотых самородков».

Пока вы вручную перебираете пачки CV в надежде найти нужного специалиста, конкуренты могут увести лучших кандидатов. В чём же проблема? Во многом — в том, как мы ищем и фильтруем резюме.

Поиск по ключевым словам: когда отличные кандидаты остаются “в тени”. Традиционные системы подбора персонала и job-сайты долгие годы работали по принципу ключевых слов. Алгоритм сопоставляет термины из вакансии с текстом резюме и выводит тех кандидатов, у кого есть совпадения. На бумаге звучит логично, но на практике такой прямолинейный подход часто игнорирует смысл. Если идеальный кандидат описал свой опыт другими словами, без точных фраз из вакансии, он рискует вообще не появиться в результатах поиска.

Например, вакансия названа «бухгалтер-аудитор», а в резюме претендента нет слова «аудитор», зато перечислены навыки «ревизия», «проверка», «контроль». Кандидат-то идеально подходит, но система может не распознать этого, ведь ориентируется только на буквальное совпадение (источник careermanager.ru). Ещё пример: работодатель ищет опыт в аудите, а соискатель описывает тот же функционал термином «финансовый контроль». Классический фильтр решит, что резюме не подходит, и исключит сильного кандидата, хотя его навыки полностью соответствуют требуемым. Такие кейсы — не редкость: алгоритм без «интеллекта» не понимает синонимы и формулировки, разные слова для него не связаны одной идеей.

Проблема усугубляется многоязычностью и терминологией. Российский рынок труда пестрит резюме на русском и английском, с разными обозначениями должностей. Поиск по ключевым словам требовал от рекрутера предусмотреть все варианты запросов и синонимов, иначе часть кандидатов ускользала.

Отсюда лайфхаки вроде составления длинных булевых запросов: HR-специалисты вручную добавляют OR-синаонимы («PR-менеджер» OR «специалист по связям с общественностью» и т.д.) или фильтруют по разным написаниям навыка (SQL, Sql, Structured Query Language). Это сложно и требует опыта. Соискатели тоже подстраиваются: их учат включать в резюме побольше ключевых слов из вакансии, чтобы ATS-программа не отсеяла анкету по формальному признаку (источник hh.ru).

В результате в базе рекрутеров тысячи шаблонных резюме с одинаковым набором слов, и сложно понять, кто реально владеет навыком, а кто просто добавил его «для галочки». Согласно опросам, около 45% соискателей уже используют нейросети (например, ChatGPT), чтобы штамповать отклики и автоматически вставлять нужные ключевые слова в сопроводительные письма. Такая гонка вооружений приводит к сотням однотипных откликов, за которыми трудно разглядеть действительно сильных кандидатов. Ключевое слово есть – а компетенция? В итоге HR-специалист тратит время, разбираясь, релевантен кандидат или просто прошёл фильтр, нашпиговав резюме требуемыми терминами.

Семантический поиск: когда алгоритм понимает суть, а не только слова. Решение этой проблемы пришло с развитием машинного обучения и обработки естественного языка. Семантический поиск резюме — это подход, при котором система пытается “понять” смысл запроса и текста резюме.

Алгоритм не ограничивается простым сравнением буквальных совпадений, а анализирует контекст, синонимы, даже намерение, стоящее за запросом. Технологически это реализуется через NLP-модели и векторные представления текста: нейросеть превращает описание вакансии и резюме в многомерные векторы и сравнивает их по схожести значений, а не по совпадению символов. Благодаря этому становятся возможны неожиданные находки.

Система распознаёт, что фраза «готов обучаться продажам» по сути близка к «нет опыта в продажах» — и считает такого кандидата релевантным для стажёрской позиции в продажах (источник naimee.ai), тогда как простой поиск по словам мог бы упустить новичка. Алгоритм учитывает морфологию и опечатки: “developer” и “разработчик”, SQL и “эс-кью-эль” больше не разные сущности, а вариации одного навыка. Заложенные словари синонимов расширяют запрос автоматически: например, поиск по слову «менеджер» может захватить и «руководителя», и «manager». А самые продвинутые решения используют нейросетевые модели вроде BERT, которые “читают” резюме иVacancy целиком и выделяют связь по смыслу: так называемый векторный поиск позволяет находить кандидатов даже при полном отсутствии прямых совпадений по ключевым словам. Иначе говоря, если кандидат обладает нужным опытом, но описал его нестандартно, умная система это поймёт и покажет его рекрутеру.

Чтобы ощутить разницу, вернёмся к предыдущим примерам, но уже с семантическим подходом. Вакансия «аудитор» vs. резюме с «финансовым контролем»: алгоритм анализирует контекст и понимает, что “контроль финансов” по сути означает опыт аудита – такое резюме появится в выдаче.

Хороший семантический поиск распознаёт синонимы и контекст в описаниях вакансий и резюме: даже если кандидат не использовал точные слова из требований, но описал нужный опыт, система его найдёт (источник feedback.hh.ru). Это подтвердили и разработчики HeadHunter: их алгоритм “понимает”, что фразы вроде «ревизия документов» близки к «аудиторская проверка», и не упустит кандидата, который не написал слово “аудитор”. Более того, такие системы учитывают множество факторов сразу.

Например, умный поиск HeadHunter автоматически оценивает свыше 700 параметров каждого резюме (опыт работы, набор навыков, ожидания по зарплате, локация и др.), сопоставляя их с вакансией. Кандидаты, которые лучше соответствуют по совокупности критериев, покажутся выше в результатах. Если два претендента равны по опыту, но один живёт ближе к офису, он получит более высокий ранг.

Важно, что такой алгоритм постоянно самообучается на действиях рекрутера: учитывает, чьи резюме вы приглашаете или отклоняете, и со временем начинает точнее подбирать именно “ваших” специалистов. В результате релевантные кандидаты всегда на виду, а экзотические совпадения где-то внизу списка или вовсе отсеяны. По данным HeadHunter, внедрение рекомендаций умного поиска уже сократило время поиска кандидатов примерно в 6 раз – впечатляющий результат, который ощущают на себе и работодатели, и соискатели.

Кейс HeadHunter: “умный поиск” вместо ручного фильтра. Крупнейший российский job-портал hh.ru несколько лет назад осознал ограничения ключевого поиска и инвестировал в собственные ML-алгоритмы. Команда HeadHunter разработала «Умный поиск», который защищён патентом и даже стал финалистом конкурса «Успешный патент». Эта система на базе машинного обучения анализирует и ранжирует миллионы резюме и вакансий, подбирая наиболее подходящие пары.

Для каждого запроса она определяет релевантные результаты и показывает их в топе выдачи. Алгоритм распознаёт синонимы, связанные термины и контекст. “Даже если кандидат не использовал точные ключевые слова вакансии, но описал нужный опыт, система его найдёт”, – поясняет команда hh.ru.

Например, умный поиск понимает, что “MS Excel” и “электронные таблицы” – одно и то же требование, или что “team lead” близко по смыслу к “руководителю группы”. Кроме того, HeadHunter применяет персонализированное ранжирование: на основе откликов и действий работодателя система учится, какие резюме тому нравятся. Если вы чаще приглашаете кандидатов с определёнными навыками и опытом, алгоритм “поймёт”, какой профайл для вас идеальный, и начнёт показывать похожие резюме выше.

Фактически, платформа старается сэкономить ваше время и снять рутину — как шутят в HR-среде, “хотим, чтобы умный поиск сразу выдавал того самого кандидата на первой странице”. Полностью мечта ещё не достигнута, но прогресс очевиден: качественная подборка вместо тысячи откликов вслепую. Не случайно рекрутеры отмечают рост точности поиска на hh.ru и снижение доли нерелевантных резюме в выдаче.

Кейс SuperJob: борьба с нерелевантными откликами через AI-скоринг. Другой гигант, SuperJob, пошёл своим путём в решении проблемы поиска. Многие работодатели работают на SuperJob по схеме: публикуют вакансию и получают отклики, а не вручную ищут в базе. И здесь боль та же — горы нерелевантных резюме.

По данным SuperJob, 15% вакансий получают более 100 откликов в сутки (источник habr.com), причём далеко не все кандидаты утруждают себя чтением требований. Ведущий разработчик SuperJob Сергей Сайгушкин вспоминал, что на вакансию «Ведущий PHP-разработчик» стабильно откликаются кто угодно: и программист 1С, и технический писатель, и даже директор по маркетингу. Это сильно замедляет подбор: пока отсмотришь и отсеешь лишнее, можешь упустить подходящих людей. Чтобы помочь рекрутерам, SuperJob ещё в 2017 году внедрил у себя алгоритм машинного обучения для скоринга откликов.

Модель автоматически выделяет резюме, которые совсем не подходят к вакансии, и пессимизирует их в списке откликов работодателя. Проще говоря, система обучилась различать релевантные и нерелевантные отклики на основе огромной истории действий HR-менеджеров (кого приглашали, кого сразу отклоняли). Теперь отклики от людей с совсем неподходящим профилем могут автоматически попадать в конец списка или специальную папку, куда рекрутер заглядывает по остаточному принципу. Это экономит массу времени: вместо 200 резюме вручную HR видит сначала топ-20 наиболее подходящих, а остальное — по желанию.

Конечно, идеальных решений не бывает: у SuperJob тоже находились случаи, когда алгоритм ошибался, и их разбирали отдельно (например, когда рекрутер массово приглашал всех подряд, сбивая модель). Тем не менее, такой AI-фильтр заметно облегчает жизнь: “мусорных” резюме в ручной обработке становится меньше. SuperJob фактически решил задачу с обратной стороны — не во время поиска, а на этапе откликов — но цель та же: отсеять нерелевант и быстрее добраться до ценных кандидатов.

Боль бизнеса: цена упущенных кандидатов и часы ручной работы. Зачем вообще все эти сложности с AI, синонимами и контекстом? Потому что ставка высока. Если алгоритм найма отсекает «не тех» людей и теряет потенциальные таланты, компания платит упущенными возможностями. В условиях дефицита специалистов (особенно в IT, инженерии, науке) хороший кандидат на вес золота — его могут нанять через несколько дней после выхода на рынок.

Представьте, что резюме такого специалиста было некорректно отфильтровано и даже не попало на глаза рекрутеру, потому что в нём стояла необычная должность или пропущено ключевое слово. Бизнес теряет время (пока найм затягивается, проект буксует) и деньги. Классический пример: вакансия висит несколько месяцев, потому что HR ждёт “того самого” резюме, а оно всё это время было в базе, просто система его не показывала из-за жёстких фильтров. Или наоборот: рекрутер погряз в сотнях нерелевантных резюме и тратит дни, вычленяя вручную подходящих.

В это время кандидаты не ждут — они находят работу у шустрого конкурента. Вспомним цифру: 80% откликов обычно летят в корзину. Это значит, существенная доля работы HR – это перебирать заведомо неподходящие заявки. Отсюда выгорание специалистов по найму: их рабочий день уходит на рутину, вместо стратегических задач вроде развития бренда работодателя или работы с персоналом.

Использование семантического поиска и умных фильтров напрямую влияет на эффективность бизнеса. Меньше шума — быстрее найм, а скорость найма сейчас критична. По оценке экспертов, каждая неделя незакрытой вакансии — это упущенная прибыль, недоделанный функционал, перегружённая команда. Так стоит ли позволять устаревшим алгоритмам поисковиков тормозить ваш рекрутинг?

Новые решения: когда нейросеть встаёт на сторону рекрутера. К счастью, рынок HR-tech не стоит на месте. Мы уже видим целую волну сервисов и инструментов, которые помогают компаниям преодолеть ограничения ключевого поиска. Во многих современных ATS (Applicant Tracking Systems) появился функционал семантического подбора. Например, платформы Workable, Eightfold.ai, Oracle Recruiting Cloud и др.

От семантического поиска — к полноценным AI-рекрутерам. Логичный следующий шаг в эволюции найма — поручить алгоритмам не только поиск, но и часть коммуникации. Ведь как мы выяснили, мало найти резюме, важно ещё и отсеять лишнее и собрать информацию, прежде чем позвать человека на интервью. Здесь на помощь приходят интеллектуальные чат-боты для рекрутинга.

Например, российский сервис Naimee AI предлагает своего рода виртуального рекрутера на базе GPT-чатбота (источник vc.ru). Он интегрируется с крупнейшими площадками (HeadHunter, SuperJob, Avito и др.) и сам делает практически всю рутинную работу: ищет релевантные резюме, анализирует отклики, вступает в переписку с кандидатами, проводит короткое скрининг-интервью и договаривается о времени встречи. По сути, нейросеть берёт на себя первичный контакт. Такой бот способен задать уточняющие вопросы по опыту, проверить soft skills, ответить на вопросы соискателя о вакансии — и всё это в любое время суток, без задержек и выходных.

В результате рекрутер получает от бота уже готовый short-list кандидатов с нужными навыками, плюс краткие резюме по каждому и даже объяснение, почему они подходят (или не подходят) (источник naimee.ai). Ему не нужно читать десятки диалогов и резюме — только принять решение по финалистам. На практике это выглядит так: добавляете вакансию в систему, запускаете AI-поиск, и через короткое время бот отдаёт вам, скажем, 5–7 отобранных кандидатов вместо 300 откликов. Дальше одним кликом приглашаете понравившихся на собеседование, а бот автоматически согласует с ними время и добавит встречу вам в календарь.

Вся воронка найма — от поиска до записи на интервью — может занять считанные дни, а то и часы, вместо растянутых недель. Как отмечают пользователи, такие AI-рекрутеры снимают до 80% рутины с HR-отдела, позволяя ему сконцентрироваться на общении и финальной оценке кандидатов. Кандидаты тоже выигрывают: они получают быстрый фидбэк и “живое” общение (пусть и с ботом) без длительного ожидания ответа. Конечно, есть нюансы — ИИ может ошибаться или задавать неидеальные вопросы, не все соискатели готовы беседовать с роботом, — но технология стремительно улучшается.

Стоит подчеркнуть, что роль человека в рекрутменте остаётся решающей. Ни семантический поиск, ни даже самый умный чат-бот не заменят человеческого решения на финальном этапе. Задача AI – усовершенствовать инструменты, избавить от рутины и дать аналитическую поддержку, а не принимать критические решения за людей. Как образно заметил один HR-менеджер, “ИИ – это как служебная собака: вынюхает кандидатов по следу, но привести за руку на работу должен хозяин”. Лучшие результаты достигаются, когда человек и алгоритм работают в тандеме: машина обеспечивает широту охвата и скорость, человек – оценку по мягким факторам, культурный фит, интуицию.

Вывод: смысловой подход окупается. Противостояние “поиск по словам vs поиск по смыслу” в найме уже явно решается в пользу второго. Практика показывает, что компании, внедряющие семантические инструменты, закрывают вакансии быстрее и качественнее. Например, HeadHunter заявляет о сокращении time-to-hire благодаря своему умному поиску, а AI-рекрутеры позволяют нанимать в несколько раз эффективнее, экономя до 40% бюджета на подбор за счёт снижения расходов на рекламу и агентства.

Семантический поиск не только находит “спящих” кандидатов, которых не видно при поверхностном сканировании, но и способствует объективности: решения меньше зависят от того, как именно соискатель сформулировал свой опыт. Для бизнеса это означает более широкий талант-пул и шанс заполучить тех специалистов, которых раньше могли пропустить. А экономия времени HR-менеджеров трансформируется в другие полезные активности – построение сильной команды, развитие бренда работодателя, улучшение процессов адаптации.

Сегодня мы находимся на переломном этапе: старые инструменты поиска уже не справляются с возросшим потоком данных и требований, и на смену им приходят умные алгоритмы. От фильтров по ключевым словам мы эволюционируем к персональным рекомендациям и AI-помощникам в подборе. Можно сказать, семантический поиск резюме – это шаг к тому, чтобы каждая вакансия встречала “своего” кандидата быстрее и точнее, без перегрузки информационным шумом.

А как у вас обстоят дела с подбором персонала? Пользуетесь ли вы умными поисковыми алгоритмами или, возможно, уже доверили чат-боту часть работы рекрутера? Поделитесь опытом в комментариях – сообществу HR-tech интересно узнать, какие подходы реально сработали и какие боли ещё остаются. Вместе мы найдём лучшие решения, ведь, в конце концов, цель у всех одна – чтобы нужные люди и нужная работа находили друг друга как можно проще и быстрее.