Как ИИ-помощник в ХАХА оценивает кандидатов: первые выводы 😎

Я разобрала оценки 30 резюме из папки "Подходят" по 6 критериям вакансии Product Marketing Manager. Предварительный вывод:
перед нами вероятно связка из четырёх механизмов.

1️⃣ Правила и словари находят знакомые сигналы: должности, даты, CustDev, CAC, LTV, SEO, УТП.
2️⃣ Семантический поиск вытаскивает подходящие по смыслу фрагменты резюме.
3️⃣ LLM-классификатор решает, подтверждает ли фрагмент критерий и хватает ли уверенности.
4️⃣ Активный механизм снижения false negative: если доказательств мало, чат задаёт уточняющий вопрос. После ответа модель пересматривает оценку и формирует объяснение: «в резюме сказано…» или «в переписке выяснилось…».

То есть алгоритм отвечает не на вопрос:
«Насколько кандидат сильный, релевантный моей позиции?»

А на другой:
«Есть ли в тексте достаточно доказательств, чтобы засчитать каждый критерий?»

👻 И это 2 очень разные задачи.

👉 Лучше всего машина считывает метрики, каналы, анализ конкурентов и позиционирование. Там есть удобные маркеры: CAC, ROMI, retention, SEO, Telegram, SimilarWeb, УТП.

💀 Сложнее всего ей даются стаж именно в продуктовом маркетинге и исследования пользователей. Поэтому по ним ИИ чаще идёт в чат.

Что хорошо работает:

- прямой ответ;
- конкретный метод;
- личная роль;
- причинно-следственный кейс;
- результат в цифрах.

🙂 Формула, которую система понимает лучше всего: Контекст → метод → действие → результат.🍸

Но есть подстава. ИИ неплохо замечает наличие опыта и плохо определяет его глубину. 👀
«Да, формировал УТП»
и
«большой кейс с исследованиями, репозиционированием и ростом конверсии» могут одинаково закрыть критерий 🤬🤬🤬

Мои предварительные выводы:

🤓 Сильный кандидат может пройти хуже среднего, если его опыт приходится раскапывать. Потому что система чувствительна к формулировкам и «правильному» словарю.

⌛ Задача - правильно оформить резюме, чтобы пройти ИИ. Но вот пройдет ли такое резюме человека - совсем другой вопрос.

#аи_в_найме #резюме #ats