Google DeepMind обходит ИИ-фильтры при найме: нейросети отсекают лучших специалистов
Google DeepMind создала обходной путь для соискателей, гарантирующий рассмотрение резюме человеком вместо автоматической обработки нейросетью. Это признание системных ошибок ИИ, которые из-за «подхалимства» моделей и скрытых предубеждений массово отсекают квалифицированных специалистов.
В августе 2026 года стало известно, что подразделение Google DeepMind, занимающееся оптимизацией искусственного интеллекта, создало для соискателей альтернативный путь подачи резюме. Внутренняя переписка компании подтвердила наличие специальной формы, которая гарантировала рассмотрение анкеты человеком, минуя автоматическую обработку нейросетью.
Данный шаг стал реакцией на системные ошибки алгоритмов отбора. ИИ-скрининг ускоряет процесс: системы обрабатывают свыше 150 резюме в час, тогда как ручной анализ 200 откликов занимает более восьми часов. Автоматизация сокращает время найма на 38–52% и снижает его стоимость до 41%. Однако скорость не гарантирует точности, а скрытые дефекты алгоритмов приводят к потере квалифицированных специалистов.
Использование ИИ для первичного отбора создает системный риск: ошибки алгоритма тиражируются по рынку труда, так как крупные работодатели часто применяют одни и те же платформы. Это приводит к тому, что достойные кандидаты получают отказы не из-за реального несоответствия, а из-за технических сбоев модели.
Почему нейросети ошибаются в отборе
Алгоритмы рекрутинга страдают от нескольких устойчивых когнитивных искажений, характерных для больших языковых моделей (LLM).
«Подхалимство» и взаимное доверие моделейЕсли в процессе найма задействовано несколько ИИ-систем, они могут слепо соглашаться друг с другом. Одна модель отклоняет кандидата, а вторая, на этапе контроля, принимает это решение за истину, не перепроверяя факты. Это явление называется «подхалимством» (sycophancy). Чем детальнее аргументация первой модели, тем сильнее вторая склонна подчиниться ей. В результате ошибка закрепляется в системе и приводит к массовым несправедливым отказам.
ИИ-нарциссизм: предпочтение «своих» текстовМодели оценивают резюме, сгенерированные нейросетями, выше, чем человеческие, даже при одинаковом качестве. Эксперимент Университета Мэриленда, Национального университета Сингапура и Университета штата Огайо показал: когда кандидаты использовали ту же модель ИИ для оформления резюме, что и система скрининга компании, их шанс попасть в шорт-лист возрастал на 23–60%. Алгоритм просто распознавал собственный стиль как более качественный.
Галлюцинации и отсутствие контекстаНейросети склонны «додумывать» недостающие данные (галлюцинировать) или буквально интерпретировать текст, игнорируя смысл.
- Пример галлюцинации: Кандидат указал «знаком с облачными сервисами AWS». Система домыслила это до «сертифицированный специалист AWS» и отклонила анкету из-за отсутствия подтверждения сертификата.
- Пример формального подхода: Тимлид не прошел фильтр на собственную вакансию, потому что в резюме было написано «React», а алгоритм искал строго «React.js». Для машины это разные технологии.
Юридические риски и дискриминация
Скрытые ошибки ИИ становятся причиной судебных исков, так как компании не могут объяснить логику отказа.
- США, 2026 год: Несколько соискателей подали иск к вендору Eightfold AI. Они утверждали, что платформа систематически выставляла им низкие баллы на протяжении нескольких лет, несмотря на релевантный опыт и образование.
- США, 2025 год: Иск о дискриминации против системы найма Workday. Соискатель Дерек Мобли направил более 100 заявок с 2017 года, получая отказы в течение нескольких часов. По версии истцов, алгоритм обучался на исторических данных и систематически отсекал пожилых кандидатов, темнокожих соискателей и людей с инвалидностью. Суд признал, что ИИ-инструмент мог выносить дискриминационные оценки по возрасту.
Дискриминационный потенциал ИИ растет вместе с качеством модели: чем точнее нейросеть считывает скрытые паттерны в исторических данных (хобби, район проживания, формулировки), тем выше риск неосознанного исключения целых групп кандидатов на основе косвенных признаков.
Практические шаги для работодателей
Чтобы минимизировать риски и сохранить эффективность автоматизации, компаниям необходимо внедрить контроль за алгоритмами.
- Аудит логики работы. Запросите у вендора список полей резюме, влияющих на оценку, а также промпты (инструкции) для модели. HR-специалист должен уметь объяснить причину отказа без помощи разработчика системы.
- Оставление финального решения за человеком. Алгоритмы должны выполнять первичный отсев, но специалист обязан выборочно проверять вердикты и отменять те, которые не подтверждаются фактами из резюме.
- Контроль на дискриминацию. Убедитесь, что модель не использует в качестве критериев пол, возраст, вуз или район проживания, если это не является прямой профессиональной необходимостью.
- Правильная постановка задачи. Если система отклоняет всех кандидатов, проблема часто кроется в описании вакансии или настройках фильтров, а не в качестве соискателей. Необходимо указывать обязательные требования и давать модели инструкции на случай дефицита подходящих анкет.
- Прозрачность для кандидата. Соискатель имеет право знать критерии оценки. Отказ без объяснения причин повышает риск жалоб и репутационных потерь.
Внедрение ИИ-рекрутинга требует инвестиций в качество моделей и инфраструктуру. Стоимость аренды сервера с моделью начинается от 300–400 тыс. руб. в месяц, а закупка собственного оборудования — от 3 млн руб. Экономия на качестве алгоритма приводит к росту затрат на закрытие вакансии из-за потери сильных кандидатов и увеличения сроков поиска.
Подтверждение: lanit.ru