От моделей к агентам: как эволюционируют системы найма и почему важнее доказательства, чем метрики
Искусственный интеллект в рекрутинге переживает фундаментальный сдвиг. Если раньше алгоритмы просто сопоставляли резюме с вакансиями, то современные системы трансформируются в сложные рабочие процессы (workflow), способные собирать доказательства, оценивать кандидатов на основе их поведения и даже выполнять действия от их имени. Обзор исследований, проведенный учеными Чжао и Вэй, показывает, что переход от простого ранжирования к многоэтапным агентам создает новые требования к этике, прозрачности и качеству данных.
# От сопоставления профилей к управляющим агентам
Искусственный интеллект в сфере кадрового делопроизводства больше не ограничивается поиском «правильного» резюме для конкретной вакансии. Как показывают результаты систематического обзора, опубликованного в сентябре 2026 года, область автоматизации смещается от статичного сопоставления пар профилей (кандидат-вакансия) к динамическим многоэтапным рабочим процессам. Эти новые системы способны извлекать контекст, сравнивать компетенции и поддерживать принятие решений, а иногда и принимать их самостоятельно.
Работа авторов — Чжи Чжао (Ziyi Zhao) и Гуанчжэна Вэй (Guanzheng Wei) — представляет собой синтез 40 ключевых исследований, дополненных промышленными примерами и юридическими источниками. Авторы описывают этот переход как эволюцию от простого машинного обучения к использованию больших языковых моделей (LLM) и созданию «агентов найма», которые используют инструменты для решения реальных бизнес-задач.
Три coupled трансформации
В основе новой парадигмы лежат три взаимосвязанных перехода, которые кардинально меняют ландшафт рекрутинга:
1. От сходства к взаимной пригодности: Ранние системы искали кандидатов, похожих на идеального сотрудника (similarity). Современные подходы стремятся найти кандидатов, чьи навыки и потенциальная траектория развития наилучшим образом соответствуют текущим потребностям бизнеса и его стратегии (reciprocal suitability). 2. От модели к составному рабочему процессу: Вместо единого алгоритма, выдающего один прогноз, используются сложные цепочки действий (compound workflows). Эти процессы включают поиск информации, проверку документов и оценку кандидата на разных этапах. 3. От офлайн-прогнозов к оценке на основе доказательств: Оценки кандидатов перестают быть черными ящиками. Теперь важна способность системы работать с доказательствами: понимает ли она документы, правильно ли извлекает факты из истории кандидата и насколько ее выводы согласуются с реальными результатами работы (продуктивностью).
Авторы отмечают, что в новых системах различаются уровни доказательств: от анализа целых полей знаний до оценки конкретных траекторий поведения кандидата и итоговых результатов.
Проблемы данных и этики
Несмотря на технологический прогресс, обзор выявляет серьезные системные проблемы. Одним из главных препятствий является несоответствие метрик реальности. Поведенческие данные часто искажаются: система может путать высокую активность кандидата на платформе (экспозицию) с его реальными предпочтениями или квалификацией.
Кроме того, использование закрытых и синтетических данных снижает внешнюю валидность моделей — то есть, успех системы в лабораторных условиях не гарантирует её эффективность в реальной жизни. Итоговые баллы кандидатов могут скрывать сбои на промежуточных этапах воронки отбора.
Самой острой проблемой авторы называют отсутствие комплексной оценки. В большинстве изученных работ вопросы приватности, справедливости, полезности и безопасности рассматриваются разрозненно. Нет единых рамок, которые бы позволяли одновременно измерить эти четыре аспекта.
Критерии будущего развития
Авторы предлагают новый подход к оценке прогресса. Вместо слепого доверия высоким баллам или точности предсказаний, развитие должно измеряться способностью системы: * Извлекать действительно релевантные доказательства; * Сохранять и передавать неопределенность (uncertainty) в своих выводах; * Обеспечивать возможность оспаривания решений (contestability); * Давать лучшие результаты при учете явных ограничений по стоимости и рискам.
В заключение, ученые призывают к созданию систем, которые являются взаимозависимыми (reciprocal), основанными на доказательствах, временными (управляемыми по времени), селективными и полностью аудируемыми. Истинный прорыв наступит тогда, когда рекрутинговый ИИ станет не просто фильтром, а надежным партнером, ответственным за каждое свое действие.
*«Прогресс следует оценивать не тем, насколько точно система предсказывает будущее, а тем, насколько надежно она управляет процессом принятия решений, сохраняя при этом контроль над рисками»*, — отмечают авторы в работе, подчеркивая необходимость сдвига от поиска узоров к управлению workflow.
Источник: Ziyi Zhao & Guanzheng Wei, "From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance", arXiv:2609.04286, September 3, 2026.