Тренд был очевиден: откликов стало слишком много, чтобы разбирать их вручную. По данным hh.ru, среднее число откликов на вакансию для синих воротничков выросло в два раза с 2024 по 2026 год, для белых — почти в три раза. А 44% российских компаний уже использовали ИИ в HR-процессах*.
Поэтому HeadHunter решил создать специализированный инструмент для найма на основе больших данных hh.ru. Его основная задача — упростить работу рекрутера и помочь ему справиться с растущим масштабом и сложностью найма.
В основу ИИ-помощника легла технология больших языковых моделей (LLM — Large Language Model). Если обычные алгоритмы работают по жёстким правилам «если A, то B», то LLM понимают смыслы и контекст так, как их понимает человек. Модель улавливает подтекст, интерпретирует неоднозначные формулировки и работает с живым языком. Именно поэтому качество работы помощника зависит не только от модели, но и от того, как и на каких данных она обучалась.
ИИ-помощник должен был решать задачи, с которыми не справляются обычные алгоритмы. Например, они не могут осмысленно общаться с кандидатами или объяснить человеческим языком, почему один соискатель подходит больше другого. Именно для этих задач нужна технология LLM.
При этом мы закладывали в продукт несколько универсальных принципов:
Главное преимущество ИИ-помощника — уникальные данные и экспертиза hh.ru: накопленные паттерны найма, большие данные о рынке труда, вакансиях и кандидатах, исследования и контекст поведения пользователей.
Одна из самых давних сложностей работодателей — составить описание вакансии. На это уходит много времени и ресурсов, не все умеют работать с текстами, особенно с чистого листа. LLM решают эту проблему, так как умеют писать на уровне опытного копирайтера. Именно поэтому мы выбрали навык генерации описания вакансии для проверки работоспособности модели.
Первое, что нужно было проверить, — способна ли LLM давать стабильно качественный результат по одному запросу, с минимумом вводных и без долгой настройки со стороны пользователя.
Модель проверяли на разных кейсах и типах данных. На старте сразу обнаружили повторяющиеся проблемы:
— Недостаток контекста. У рекрутера есть специфические знания о компании, которых нет у LLM. Однако вводных данных от рекрутера было недостаточно для качественного ответа. Ей нужен был контекст отрасли и рынка труда в целом.
Чтобы повысить качество работы, к модели подключили внутренние данные hh.ru. При каждом запросе модель получает релевантный контекст из накопленных паттернов найма, профессиональной терминологии и поведения соискателей на российском рынке. Это позволило модели понимать не только слова рекрутера, но и то, что за ними стоит в рыночном контексте.
Например, менеджер по продажам в B2B в химической промышленности и менеджер по продажам кухонь — формально одна и та же позиция, но навыки, ожидания и терминология будут разными. Общая LLM этого не знает, поэтому данные hh.ru существенно повышают качество выдаваемого результата.
— Специфика разных профессий. Единый промпт не учитывал особенности разных профессий. Например, требования к бухгалтеру и водителю будут разными по структуре, терминологии и ожиданиям. Чтобы определить отличия в этих типах вакансий, команда использовала накопленные данные hh.ru и сделала шесть версий промпта для наиболее распространённых категорий на платформе: белых и синих воротничков, менеджеров по продажам, поваров, водителей и бухгалтеров.
— Стабильность результата. Команде было важно, чтобы ответы всегда были качественными и одинаково структурированными. Например, в вакансиях для синих воротничков в первых строчках должна содержаться информация о графике работы, а для белых воротничков — об обязанностях. Команда настроила для LLM строгую структуру ответа, чтобы модель стабильно возвращала результат в нужном формате.
После доработки подключили продуктовую команду и HR-экспертов — они вручную оценивали ответы на применимость в реальных задачах. По итогам A/B- теста 98% реальных пользователей были довольны результатом генерации, хотя целевой показатель качества был 95%. ИИ-помощник создавал описание, которое соответствовало ожиданиям работодателя, и команда приняла решение о дальнейшей разработке.
На этом этапе тестировали следующий навык помощника — холодный поиск кандидатов по базе резюме. Помощник сам подбирает релевантных, связывается с ними и предлагает рассмотреть вакансию. Если генерация описания — это диалог рекрутера с ИИ, то первичное общение с кандидатом — принципиально другая и менее предсказуемая механика.
Здесь возник новый класс сложностей, которые не проявлялись на предыдущем этапе.
— Непонимание культурного контекста и особенностей разговорного русского языка. Например, когда соискатель отказывается от вакансии не прямым текстом, а саркастическим выражением.
Чтобы помощник выдавал более корректные ответы даже на обычную речь, команда донастроила LLM на данных hh.ru и анализе реальных диалогов, а также научила распознавать саркастические ответы соискателей. В промпт добавили раздел с лингвистическими маркерами сарказма на русском языке: типичные конструкции, интонационные паттерны, примеры конкретных фраз — и изменили сценарии завершения диалога.
Накопленная аналитика платформы научила модель понимать российский HR-контекст: паттерны найма, терминологию рынка труда, поведение соискателей. Это позволило корректно интерпретировать то, что для опытного рекрутера очевидно, но для общей LLM — нет.
— Галлюцинации. LLM работают на основе вероятностей, поэтому модель может выдавать уверенные, но неверные ответы. Например, упоминать детали или условия вакансии, которые на самом деле рекрутер не указывал. В диалоге с кандидатом это недопустимо: человек принимает решение об отклике на основе того, что написал ассистент.
Чтобы снизить риск галлюцинаций, команда сильно ограничила зону ответов модели. Помощник говорит только о том, что явно указано в вакансии, и возвращает диалог в контекст, если кандидат спрашивает о чём-то за его пределами.
Затем команда разработки вручную донастраивала продуктовое поведение LLM-модели. На этом этапе устранили ещё три проблемы:
— Спам. Некоторые пользователи отправляли несколько сообщений подряд, не дожидаясь ответа помощника. ИИ отвечал на каждое, и диалог превращался в хаос. Было решено блокировать чат до ответа ассистента, чтобы выстроить последовательный диалог.
— Ночные сообщения. ИИ-помощник работает 24/7, без перерывов и выходных. Однако ночные сообщения пользователи воспринимали как спам или неуважение к личному времени. Поэтому команда изменила сценарий работы: ИИ-помощник больше не начинает переписку ночью, но остаётся на связи, если кандидат написал первым.
— Использование помощника для сторонних задач. LLM-модель по умолчанию старалась быть полезной и отвечала на любой вопрос. Чтобы это исправить, ИИ-помощнику запретили выходить за рамки темы найма: вместо этого он вежливо возвращает диалог в нужный контекст.
На следующем этапе нужно было убедиться в безопасности инструмента.
— Персональные данные. Команда минимизировала объём данных, передаваемых в модель, и исключила из этого объёма персональные данные. А если это невозможно — добавили маскировку персональных данных при передаче в модель.
— Предубеждения. Минимизировали риск предвзятых ответов: задали жёсткие условия работы модели и добавили системные скрипты, которые блокируют диалоги с признаками дискриминации. Также ограничили зоны применения ИИ-помощника с учётом этики и трудового законодательства РФ.
Итоговую модель проверила и утвердила команда кибербезопасности.
В ноябре 2025 года команда запустила бета-тестирование ИИ-помощника и открыла доступ для 5% работодателей на hh.ru. Команда тщательно следила, как модель работает в полевых условиях, отслеживала проблемы и дорабатывала промпты.
К июлю 2026 года ИИ-помощника использовали более 22 тысяч работодателей на hh.ru. Всего он провёл уже более 14,5 миллиона диалогов. Команда ведёт непрерывный мониторинг помощника до сих пор, проводит многочисленные тесты и доработки.
В результате пользователи получили специализированный инструмент для найма, который:
Чего не делает ИИ-помощник:
Рекрутер задаёт критерии для работы ИИ-помощника, проверяет логику ответов и принимает финальное решение. Это ускоряет найм, позволяет работать с большей воронкой без роста ручной нагрузки и принимать решения на основе структурированной информации.
Человек незаменим там, где есть неоднозначность, контекст бизнеса, интерпретация мотивации кандидата, поведенческие и культурные факторы
ИИ-помощник hh.ru — инструмент, который продолжает развиваться вместе с рекрутерами. Попробуйте и расскажите, что думаете.
* Данные внутренней статистики hh.ru