Разбор резюме — задача, в которой нейросеть выигрывает у человека не качеством, а объёмом: двадцать файлов она держит одновременно, а рекрутер к пятнадцатому забывает первые пять. Модель раскладывает пачку по вашим критериям в таблицу с цитатами из каждого резюме, делит кандидатов на группы, выносит красные флаги отдельным списком и готовит вопросы на скрининг по резюме каждого. Критерии задаёт рекрутер, решение принимает рекрутер — модель только позволяет посмотреть на всех сразу. Работает из России без VPN, таблицу можно забрать файлом Excel.
Критерии — первое, что нужно модели
«Найди лучшего» — запрос, после которого модель придумает критерии сама и выберет кандидата с самым красивым резюме. Пять-шесть критериев из вакансии и брифа руководителя — опыт, инструменты, отрасль, чек, стабильность — превращают разбор в таблицу, которую можно проверить. Больше десяти критериев — таблица перестаёт читаться.
Цитата под каждой оценкой
Оценка «да» без цитаты — это мнение модели, которое нечем проверить. Оценка «да: вёл базу в amoCRM, 2021–2024» — это факт из резюме, который можно открыть и сверить за десять секунд. Просите цитаты всегда: это единственный способ доверять таблице, не перечитывая все файлы.
Группы вместо баллов
Оценка 7,5 из 10 выглядит точно и ничего не значит. Три группы — «проходит по всем», «проходит с вопросами», «не рассматривать» — ближе к тому, как решает рекрутер, и у каждой группы есть действие: звать, звонить и уточнять, писать отказ. Группа «с вопросами» — самая полезная: там кандидаты, которых иначе отсеяли бы по формальному признаку.
Красные флаги — вопросы, а не отказ
Разрыв в опыте, три места за год, пересечение дат — модель видит это лучше уставшего глаза. Но разрыв может быть декретом или переездом, а пересечение дат — совместительством. Поэтому флаги выносятся отдельным списком как вопросы к кандидату, а не как основание для группы «не рассматривать». Решение по каждому — за человеком.
Где модель опасна
В отраслевом контексте: «работал в дистрибуции» в фарме и в стройматериалах — разный опыт, и модель может этого не знать. И в критериях: если критерий задан неудачно, таблица тоже будет неудачной — быстро и уверенно. Поэтому первые пять строк таблицы стоит сверить с резюме руками, а потом доверять остальным пятнадцати.
