Все началось с отпуска HR.

Нужно было срочно нанять сотрудников, а времени на десятки одинаковых переписок просто не было. Поэтому я написал небольшой Telegram‑бот для первичного отбора кандидатов.

Но каждая решенная проблема открывала следующую. Сначала появились анкеты и скоринг. Потом автоматическая запись на собеседования. Затем аналитика, триггерные сообщения, LLM, база знаний и собственный визуальный конструктор сценариев.

Если вы занимаетесь подбором персонала, автоматизируете HR‑процессы или разрабатываете Telegram‑ботов, возможно, мой опыт поможет избежать нескольких ошибок и сэкономить время.

Что получилось в итоге

Для компании:

• затраты на подбор персонала сократились примерно на 40%

• скорость закрытия вакансий выросла примерно в 3 раза

• появилась прозрачная аналитика всей воронки найма в режиме реального времени

• вместо потока случайных откликов HR начал получать уже отобранных кандидатов, готовых к интервью

Для кандидатов:

• путь от отклика до записи на интервью сократился примерно до 10 минут;

• появилась возможность пройти первичный отбор в любое время суток, не дожидаясь ответа рекрутера.

Технологии: Telegram, PHP, LLM.

Интеграции: HeadHunter, Google Sheets, Bitrix24, amoCRM.

Все началось с отпуска HR

Наш HR ушел в отпуск, а искать сотрудников пришлось мне. На тот момент я руководил отделом продаж. Нужно было срочно найти двух менеджеров, при этом мои основные обязанности никто не отменял. Клиенты продолжали приходить, отдел работал в обычном режиме, планы продаж никто не снижал.

Я разместил вакансию на HeadHunter. Уже через пару дней стало понятно: найти кандидатов — не проблема. Проблема оказалась в другом — их было слишком много.

Каждый новый отклик превращался в один и тот же сценарий. Я открывал чат, просматривал резюме, задавал несколько уточняющих вопросов и пытался понять, подходит кандидат или нет. Если подходил — приглашал на интервью, если нет — переходил к следующему. 

Через несколько часов такой работы я поймал себя на мысли, что практически перестал заниматься продажами. День превратился в бесконечную проверку однотипных кандидатов.

В какой‑то момент я задал себе простой вопрос: почему вообще человек делает эту работу? Практически каждое решение принималось по понятным правилам: если кандидат соответствует требованиям вакансии — продолжаем, если нет — заканчиваем общение.

Получалось, что большую часть этой работы можно описать алгоритмом. А если алгоритм существует, значит его можно автоматизировать.

Так я решил написать небольшой Telegram‑бот для первичного отбора кандидатов. Тогда я еще не предполагал, что со временем этот небольшой проект превратится в полноценную платформу для автоматизации HR‑процессов.

Сначала нужно было понять, как я принимаю решение

Прежде чем писать код, пришлось разобраться с критериями отбора и выписать все вопросы, по которым я скринил сотни резюме.

Получился примерно такой список:

• есть ли опыт работы в продажах

• какое гражданство

• когда человек готов выйти на работу

• какие зарплатные ожидания

• есть ли компьютер для удаленной работы

• знаком ли кандидат с CRM

• подходит ли график

• есть ли мотивация

• знает ли основные модели продаж. И еще несколько параметров. 

Когда список оказался перед глазами, я заметил простую закономерность: я проверял один и тот же набор критериев. Значит, вместо просмотра резюме можно предложить кандидату самостоятельно ответить на эти вопросы. Так появилась первая версия анкеты для первичного отбора кандидатов. Каждый вопрос содержал заранее подготовленные варианты ответа.

▶ Видео: прохождение анкеты глазами кандидата

Как я связал HeadHunter и Telegram

На тот момент мы размещали вакансии в основном на HeadHunter, поэтому следующей задачей было перевести кандидатов в Telegram, где уже работал HR‑бот.

В HeadHunter есть функция авто разбора, которая работает по всем непрочитанным чатам. После отклика кандидат автоматически получает сообщение в чате, и именно ее я решил использовать.

В тексте автоответа я предлагал сразу перейти в Telegram‑бота. Там кандидат мог записаться на интервью, пройти первичный отбор, уточнить детали вакансии и получить ответы на основные вопросы, не дожидаясь, пока я освобожусь и отвечу вручную.

Такое решение оказалось гораздо эффективнее, чем я ожидал.

Во‑первых, Telegram‑бот работал круглосуточно. Около 18–20% всех кандидатов проходили первичный отбор ночью, в выходные или в нерабочее время — то есть тогда, когда я не работал.

Во‑вторых, кандидат попадал в воронку подбора сразу после отклика. Ему не нужно было ждать моего ответа: за 5–10 минут HR‑бот проводил первичный отбор кандидатов полностью в автоматическом режиме.

И наконец, меня интересовал главный показатель — сколько кандидатов вообще переходят из HeadHunter в Telegram.

В среднем более 85% кандидатов переходили в Telegram‑бота после получения автоответа. Более того, были кандидаты, которые уже по второму кругу откликались на вакансию, но не могли повторно пройти отбор, так как попытка была только одна.

Для меня это стало неожиданно высоким результатом. Потери были минимальными, а с учетом того, что Telegram‑бот работал 24/7 и моментально начинал взаимодействие с кандидатом, ими можно было практически пренебречь.

Балльная система

Следующая задача была очевидной — понять, что делать после заполнения анкеты.

Открывать ее вручную и снова принимать решение самому? Тогда получалась странная автоматизация рекрутинга. Если на этапе первичного отбора кандидатов я больше не просматривал глазами резюме, то теперь открывал каждую заполненную анкету. По сути что изменилось для меня?

Поэтому я решил перенести в систему и сам процесс принятия решения.

Настройка оценки ответов выглядела так.

Каждому варианту ответа был присвоен собственный вес:

• ответ, противоречащий обязательным требованиям вакансии −100 баллов.

• подходящий ответ +1 балл

• нейтральный 0 баллов

Минимальный проходной балл составлял 8 баллов. После штрафа в −100 кандидат уже не мог пройти дальше независимо от остальных ответов.

Например, если человек не знает, когда сможет выйти на работу, или у него нет оборудования для удаленной работы, дальнейшая проверка просто теряет смысл. В таких случаях HR‑бот автоматически отсеивал кандидата.

Чтобы получать данные заполненных анкет, я настроил уведомления в рабочую группу в Telegram. Как только кандидат завершал прохождение анкеты, я получал все его ответы и результат отбора.:

▶ Видео: бот постит анкету кандидата в рабочую группу Telegram

В случае успешного прохождения отбора кандидатом, я также получал уведомление об этом и полную анкету кандидата.

▶ Видео: бот постит анкету кандидата в рабочую группу Telegram

Последнее решение тоже пришлось убрать

После внедрения балльной системы автоматизация подбора персонала была почти готова. Почти. Последнее решение по‑прежнему принимал человек: я открывал итоговую анкету, смотрел сумму баллов и решал, приглашать кандидата на интервью или нет.

Этот этап тоже просился в автоматизацию. Так появился отдельный блок, который внутри конструктора я назвал «Роутер»

Его задача была максимально простой — сравнить итоговый балл с проходным значением. 

Если кандидат набирал необходимое количество баллов, сценарий продолжался.

▶ Видео: прохождение анкеты глазами кандидата

Если нет — HR‑бот автоматически завершал процесс отбора.

После этого первичный отбор кандидатов действительно перестал требовать моего участия.

Первые результаты

К этому моменту система уже умела самостоятельно проводить первичный отбор кандидатов. Кандидат отвечал на вопросы анкеты, Telegram‑бот подсчитывал баллы, принимал решение и отправлял результат в рабочую группу.

На первый взгляд основная задача была решена. Мне больше не приходилось открывать десятки переписок, просматривать поток резюме и вручную принимать однотипные решения. Вместо потока откликов я получал уже готовые анкеты с итоговым вердиктом.

Но оставался один вопрос: насколько хорошо работает такая автоматизация рекрутинга? 

Для этого мне потребовалось настроить сбор данных за счет гибкой системы переменных в сценарии и применить Cron. Выглядело это вот так: 

Telegram‑бот автоматически пересчитывал показатели каждые пять минут и публиковал их в рабочей Telegram‑группе. Теперь, чтобы понять, что происходит с подбором, достаточно было открыть рабочий чат.

• 415 человек откликнулись на вакансию

• 353 кандидата (85%) перешли из HeadHunter в Telegram

• 182 человека (52%) автоматически не прошли первичный отбор

• 104 кандидата (29% от общего числа откликов) успешно прошли отбор.

Больше половины всех откликнувшихся кандидатов не соответствовали требованиям вакансии и отсеивались еще до интервью. Раньше именно на них уходила половина времени: нужно было открыть чат, посмотреть резюме, задать несколько вопросов и только потом понять, что кандидат все равно не подходит.

Теперь эту работу полностью выполнял HR‑бот. Автоматизация массового подбора персонала избавила меня от самой однообразной части процесса и позволила сосредоточиться только на кандидатах, которые действительно могли выйти на работу.

Казалось, что цель достигнута. Но одна цифра не давала покоя — 67 человек. Именно столько кандидатов начали проходить анкету, но так и не дошли до конца. Почти каждый пятый.

Стало ясно, что следующая проблема находится уже не в первичном отборе кандидатов, а в самой анкете.

Почему кандидаты бросали анкету

Если смотреть только на количество успешно прошедших кандидатов, можно решить, что система работает отлично. Но воронка подбора персонала рассказывала совсем другую историю.

Часть кандидатов просто исчезала. Они открывали анкету, отвечали на несколько вопросов и переставали выходить на связь. Никто не нажимал кнопку «Отмена» и не писал, что передумал — люди просто закрывали Telegram.

Сначала я решил, что это нормально. Возможно, кандидатам действительно становилась не интересна вакансия. Но чем дольше я смотрел на статистику, тем меньше меня устраивало такое объяснение.

Тогда я несколько раз самостоятельно прошел собственную анкету и довольно быстро понял причину. Каждый следующий экран выглядел почти так же, как предыдущий. Никакой обратной связи, никакого ощущения прогресса.

Кандидат не понимал, сколько вопросов уже позади, сколько осталось и когда анкета наконец закончится. Стало очевидно, что недостаточно просто задавать вопросы. Нужно помочь человеку дойти до конца.

Первое улучшение — прогресс‑бар

Самым простым решением оказался прогресс‑бар.

Теперь на каждом шаге кандидат видел, сколько вопросов уже пройдено и сколько осталось впереди. Дополнительно сверху отображалась шкала прогресса, которая постепенно заполнялась по мере прохождения анкеты.

Изменение казалось незначительным, но с точки зрения пользователя разница была огромной. Когда понимаешь, что до конца осталось всего два‑три вопроса, желание закрыть анкету становится намного меньше. Вот как это выглядело.

▶ Видео: прохождение анкеты глазами кандидата с прогресс‑баром

После внедрения прогресс‑бара я снова посмотрел статистику. Конверсия действительно выросла, но не настолько, чтобы считать проблему решенной. Часть кандидатов по‑прежнему бросала анкету.

Стало понятно, что одного прогресс‑бара недостаточно. Нужно было научиться возвращать тех, кто уже остановился, обратно, в воронку подбора.

Триггерные сообщения

Я задумался, почему кандидат вообще перестает отвечать. Но быстро понял для себя, что это не имеет никакого значения. Важнее было настроить механизм, который бы возвращал кандидатов в воронку подбора персонала и снижал количество брошенных анкет.

Поэтому я решил попробовать простую идею: если человек долго не отвечает, Telegram‑бот должен напомнить ему о незавершенной анкете. Так появились триггерные сообщения в отдельном блоке конструктора. Настройка триггеров выглядела так.

Если кандидат задерживался на одном из вопросов больше трех минут, HR‑бот
автоматически отправлял первое напоминание. Если реакции не было — повторял его через десять минут, затем через час.

▶ Видео:триггерное напоминание по бездействию кандидата

После этого интервалы увеличивались: один день, два дня, четыре дня и шесть дней. Такой график позволял регулярно возвращать кандидатов, не превращая чат‑бота в источник навязчивых сообщений.

Я добавил еще одну небольшую функцию. Каждый раз, когда после напоминания кандидат возвращался к анкете, Telegram‑бот отправлял уведомление в рабочую группу. Мне было важно понять, действительно ли триггеры работают или сообщения просто уходят «в пустоту».

▶ Видео: бот постит отчет в рабочую группу Telegram о возврате кандидата в отбор

Именно тогда появилась следующая идея.

Где именно теряются кандидаты

После появления прогресс‑бара и триггерных сообщений общая конверсия действительно выросла. Но меня по‑прежнему не устраивал один момент.

Я видел только итог: кандидат либо дошел до конца анкеты, либо нет. А вот на каком именно вопросе он остановился, понять было невозможно.

Почему человек бросил анкету? Вопрос оказался слишком сложным? Не понравилась формулировка? Его просто отвлекли? Или проблема вообще находилась на предыдущем шаге?

Пока ответов на эти вопросы не было, любые изменения приходилось делать почти наугад.

Поэтому следующим шагом стала детальная аналитика прохождения анкеты. После каждого ответа бот сохранял текущий шаг кандидата, а отдельный модуль собирал статистику по каждому вопросу. Раз в пять минут данные автоматически пересчитывались и публиковались в рабочей Telegram‑группе.

Получился небольшой дашборд, который показывал движение кандидатов по анкете практически в реальном времени.

Теперь анкета перестала быть «черным ящиком». Стало видно:

• сколько человек находится на каждом шаге

• где кандидаты начинают задерживаться

• какие вопросы проходят без проблем

• на каких этапах чаще всего бросают анкету

Самое главное — теперь любое изменение можно было проверить цифрами.

Неожиданная проблема оказалась в самом начале

Стало видно, что часть кандидатов вообще не начинала проходить анкету. Они переходили в Telegram, открывали стартовый экран… и исчезали.

Сначала я решил, что это ошибка в статистике. Но после нескольких проверок стало ясно, что данные верны. Причина оказалась очень простой. Все триггерные сообщения начинали работать только после первого вопроса. Если человек закрывал Telegram сразу после запуска HR‑бота, система никак не пыталась его вернуть.

Получалось, что часть кандидатов просто выпадала из воронки подбора персонала. Исправление заняло буквально несколько минут. Я добавил такие же триггерные сообщения и на стартовый экран. После этого кандидаты начали возвращаться даже в тех случаях, когда закрывали бота сразу после открытия.

Этот случай еще раз показал, что проблема не всегда скрывается в сложной логике системы. Иногда она находится буквально на первом экране.

Стоило ли это делать?

Ответ снова дали цифры.

До появления прогресс‑бара и триггерных сообщений около 19% кандидатов начинали проходить анкету, но не доходили до конца.

После изменений эта цифра снизилась до 7%.

Другими словами, количество брошенных анкет уменьшилось почти в 3 раза. 

Оказалось, что далеко не каждый потерянный кандидат — это кандидат, который передумал. 

Очень часто это кандидат, которому никто вовремя не напомнил закончить начатое действие.

В какой‑то момент бот перестал быть просто анкетой

Изначально вся идея была очень простой — автоматизировать первичный отбор.

Но постепенно система начала превращаться в инструмент для улучшения самого процесса найма. Каждая новая метрика подсказывала, где именно можно улучшить воронку, а любое изменение сразу отражалось в цифрах. 

По сути, автоматизация рекрутинга перестала быть способом экономить время и превратилась в способ принимать решения на основе данных.

Казалось, что теперь система умеет почти все. Она самостоятельно проводила первичный отбор, фильтровала неподходящих кандидатов, возвращала тех, кто бросил анкету, и показывала статистику по каждому этапу.

Но оставалась еще одна задача, которую невозможно было решить обычными баллами.

Когда баллов стало недостаточно

Представим двух кандидатов. Оба успешно прошли анкету, набрали одинаковое количество баллов и полностью соответствовали требованиям вакансии. С точки зрения системы они были одинаковыми. Но после интервью выяснялось, что один оказывается сильным продавцом, а второй — нет.

Причина была очевидной. Балльная система отлично проверяла формальные критерии, но почти ничего не говорила о профессиональных навыках. Во время интервью я по‑прежнему задавал вопросы, которые невозможно оценить обычным скорингом. 

Например: как кандидат будет работать с возражениями клиента, что сделает, если клиент попросит скидку, или как определит критерии выбора клиента. Именно ответы на такие вопросы чаще всего помогали понять реальный уровень специалиста.

Тогда и появилась мысль: если HR‑бот уже научился автоматически оценивать формальные требования, почему бы не попробовать оценивать и развернутые ответы? 

Так в проекте впервые появился искусственный интеллект.

ИИ как дополнение

Когда сегодня рассказываешь, что в системе используется LLM, почти всегда слышишь вопрос: «А зачем вообще здесь искусственный интеллект?»

На самом деле изначально использовать его я не планировал. К этому моменту бот уже автоматически проводил первичный отбор, фильтровал неподходящих кандидатов, возвращал тех, кто бросил анкету, и показывал аналитику по всей воронке.

Но интервью по‑прежнему оставались полностью ручными.

Причина была простой. Балльная система отлично работала с формальными критериями, но не позволяла оценить навыки, которые проверяются только в разговоре: работу с возражениями, выявление потребностей или аргументацию цены.

Именно тогда возникла идея попробовать использовать ИИ — не вместо интервью, а как инструмент предварительной оценки кандидата.

Первый эксперимент

Для начала я решил не усложнять систему. В анкету были добавлены три открытых вопроса. Не тест и не варианты ответа, а именно вопросы, которые требовали развернутых текстовых ответов.

Я выбрал три навыка, которые считал наиболее важными для менеджера по продажам:

• работа с критериями выбора клиента;

• работа с возражениями;

• переговоры о скидке.

Каждый ответ вместе с инструкцией отправлялся в языковую модель. Инструкция подробно описывала, что именно необходимо оценить. В результате модель выставляла оценку по каждому навыку от 1 до 10, после чего рассчитывался общий балл кандидата.

Получалось что‑то вроде ИИ‑скрининга кандидатов еще до личной встречи.

▶ Видео: бот получает текстовые ответы кандидата для оценки с помощью ИИ

Почему ИИ ничего не решал

Ожидаемо, что следующим шагом бот начал автоматически отказывать кандидатам с низкой оценкой. Но именно этого я делать не стал.

Во‑первых, это был эксперимент.
Во‑вторых, я не понимал, насколько таким оценкам вообще можно доверять. Поэтому первое время модель не принимала никаких решений. Его задача была гораздо проще — помочь мне подготовиться к интервью.

Теперь вместе с обычной анкетой я получал:

• общий балл;

• краткий вывод;

• сильные стороны кандидата;

• слабые стороны;

• оценку каждого ответа.

▶ Видео: бот постит анкету кандидата с ИИ оценкой в рабочую группу Telegram

Это оказалось намного полезнее, чем я ожидал. 

Еще до разговора было понятно, на что обратить внимание. Если модель считала слабым умение работать с возражениями, именно эту тему я разбирал подробнее. Если, наоборот, отмечала сильные стороны — проверял их уже на интервью.

Искусственный интеллект не заменял собеседование. Он помогал сделать его гораздо более предметным.

Совпадают ли оценки с реальностью?

Следующие несколько недель я сознательно ничего не менял. Мне было важно понять, насколько выводы LLM совпадают с реальными результатами интервью.

После каждой встречи я открывал отчет искусственного интеллекта и сравнивал его со своими впечатлениями. Совпадение оказалось довольно высоким. Если модель отмечала сильную работу с возражениями, это обычно подтверждалось и во время разговора. Если писала о слабой аргументации, интервью тоже быстро это показывало.

Постепенно доверие к системе росло. Казалось, что задача снова решена.

Но именно в этот момент появилась новая проблема.

Когда кандидат и рекрутер используют один и тот же ИИ

Поначалу я вообще не воспринимал это как проблему. Если кандидат использовал ИИ при заполнении анкеты — что в этом плохого? Наоборот, умение пользоваться современными инструментами сегодня скорее плюс, чем минус.

Но после нескольких интервью стало понятно, что ситуация сложнее. Некоторые кандидаты присылали практически идеальные ответы. LLM ставила им высокие оценки, и я приглашал человека на интервью, ожидая сильного специалиста.

Однако уже через несколько минут разговора ожидания начинали расходиться с реальностью. Кандидат не мог объяснить собственные ответы, путался в простых вопросах, а иногда вообще не понимал, почему ответ должен быть именно таким.

Получалась довольно необычная ситуация: искусственный интеллект оценивал текст, который, скорее всего, тоже был подготовлен с помощью искусственного интеллекта.

Если ничего не менять, качество предварительной оценки неизбежно начнет снижаться.

Второй анализ

Идея была очевидной — попробовать определить, написал человек ответ самостоятельно или нет.

Но довольно быстро я отказался от этой мысли. Ни одна современная LLM не умеет достоверно определять авторство текста. Даже вероятность в 95% не является доказательством. Поэтому автоматически помечать кандидатов как «использовал ИИ» я не хотел.

Вместо этого появился второй анализ.

Первый запрос по‑прежнему оценивал содержание ответа.

Второй анализировал сам стиль текста, обращая внимание на признаки, которые часто встречаются в полностью сгенерированных ответах:

• слишком правильная структура

• большое количество общих фраз

• отсутствие собственного опыта

• чрезмерно академичный стиль

• однотипные речевые конструкции

• отсутствие конкретных примеров и личного опыта

Важно понимать, что модель не выносила окончательный вердикт. Она лишь показывала вероятность того, что ответ полностью или частично подготовлен с помощью искусственного интеллекта.

В результате рядом с основной оценкой появился еще один показатель — вероятность использования ИИ с кратким объяснением причин.

Такой подход оказался намного полезнее категоричных выводов.

Что изменилось после этого

Самое интересное, что новая проверка никак не влияла на итоговое решение системы.

Бот не отказывал таким кандидатам, не снижал им баллы и не переносил их в отдельную категорию. Я сознательно этого не делал.

Во‑первых, использование искусственного интеллекта само по себе не говорит об отсутствии компетенций. Во‑вторых, современные специалисты все чаще используют нейросети в работе, и постепенно это становится обычным рабочим инструментом.

Поэтому показатель использовался только как дополнительный контекст перед интервью. Если вероятность использования ИИ была высокой, менялся не результат отбора, а сценарий разговора.

Вместо стандартных вопросов я просил кандидата подробнее разобрать собственный ответ.

Например:

— Почему вы выбрали именно такой подход?

— Какие еще варианты решения могли быть?

— Что изменится, если поменять условия задачи?

— Можете привести пример из собственного опыта?

Человек, который действительно понимает тему, обычно без труда продолжает рассуждение. Если же ответ был просто сгенерирован нейросетью без понимания сути, это становилось заметно уже через несколько минут.

В итоге искусственный интеллект не заменил интервью. Он помог сделать интервью гораздо точнее.

Оставалась еще одна проблема

Пока развивалась система автоматизации рекрутинга, я заметил еще одну закономерность. 

Большинство сообщений от кандидатов вообще не были связаны с прохождением анкеты. Люди снова и снова спрашивали одно и то же: какая зарплата, какой график, удаленная ли работа, как оформляют сотрудников, есть ли обучение и что вообще входит в обязанности.

Каждый день приходилось отвечать практически одинаковыми сообщениями.

Самое интересное, что почти вся эта информация уже была в описании вакансии. Но, как показала практика, большинство кандидатов либо не читали его полностью, либо просто забывали после отправки отклика.

Получалась странная ситуация. Кандидат тратил время на заполнение анкеты, ждал интервью и только во время разговора начинал выяснять самые базовые вещи. Иногда уже на этом этапе становилось понятно, что вакансия ему не подходит.

Время теряли обе стороны.

Мне хотелось, чтобы к интервью кандидат уже понимал, куда устраивается, какие условия его ждут и чем предстоит заниматься.

База знаний для FAQ

Мы подготовили небольшую базу знаний по вакансии.

В нее вошли:

• информация о компании;

• обязанности;

• условия работы;

• график;

• система оплаты;

• оформление;

• обучение;

• ответы на самые частые вопросы.

Теперь вместо того, чтобы искать нужный раздел, кандидат мог просто написать вопрос своими словами. Искусственный интеллект находил нужную информацию в базе знаний и сразу формировал ответ.

Со стороны это выглядело как обычная переписка.

▶ Видео: ИИ бот отвечает на вопросы кандидата о вакансии

Неожиданно этот раздел оказался полезен не только кандидатам.

Мы начали сохранять все вопросы, которые они задавали, причем отдельно отмечали те, на которые база знаний не смогла ответить.

Фактически сами кандидаты начали помогать улучшать систему.

Если какой‑то вопрос повторялся несколько раз, мы добавляли его в базу знаний. Со временем она становилась полнее, а количество одинаковых вопросов на интервью постепенно сокращалось.

Стали ли кандидаты лучше понимать вакансию?

После запуска базы знаний мне стало интересно, насколько активно кандидаты вообще ей пользуются. Сначала казалось, что это просто удобное дополнение. Но, как и в предыдущих случаях, хотелось опираться не на ощущения, а на цифры.

Поэтому я добавил еще один блок HR‑аналитики. Теперь Telegram‑бот фиксировал не только прохождение анкеты, но и то, какие разделы базы знаний открывали кандидаты.

Отдельно учитывались:

• сколько человек спросили о вакансии

• сколько спросили об оплате

• сколько спросили о графике работы

• сколько спросили об обучении

Получился еще один небольшой дашборд аналитики рекрутинга.

Результаты оказались интересными.

Из 542 кандидатов, записавшихся на интервью:

• 411 человек (76%) задали вопросы о вакансии;

• 315 человек (58%) полностью изучили основную информацию.

Это означало, что больше половины кандидатов приходили на интервью уже понимая, куда устраиваются и чего ожидать от работы. И это было заметно. Вопросов вроде: «Чем вообще занимается компания?» или «А какая у вас вакансия?» становилось все меньше.

Конечно, полностью они не исчезли. Но интервью постепенно переставали начинаться с двадцати минутной презентации вакансии. Вместо этого можно было гораздо быстрее переходить к разговору о самом кандидате.

Для меня это оказалось не менее ценным результатом, чем автоматизация ответов на вопросы.

Когда отчетов стало слишком много

К этому моменту HR‑бот уже умел довольно многое. Он проводил первичный отбор кандидатов, анализировал ответы, возвращал кандидатов в анкету, отвечал на вопросы, публиковал уведомления и аналитику подбора персонала.

Почти каждое действие сопровождалось сообщением в рабочей Telegram‑группе. Поначалу это было удобно: любое важное событие сразу появлялось перед глазами.

Но по мере развития системы уведомлений становилось все больше. В какой‑то момент рабочая группа превратилась в бесконечную ленту сообщений, в которой найти нужную информацию становилось все сложнее.

Парадоксально, но автоматизация снова создала новую проблему. Теперь информации стало слишком много. Именно тогда появилась идея хранить все события отдельно и уже на их основе строить отчеты.

Почему появились Google Sheets

Можно было сразу использовать BI‑систему или разрабатывать собственный интерфейс аналитики (который сейчас уже есть). Но мне хотелось получить рабочий инструмент максимально быстро.

Поэтому первым хранилищем стали обычные Google Sheets.

После каждого завершения анкеты чат‑бот для подбора персонала автоматически добавлял новую строку. Туда записывались дата и время, данные кандидата, ответы на вопросы, итоговый балл, результат отбора, текущий статус и оценки искусственного интеллекта.

На первый взгляд решение выглядело довольно простым. Но именно таблицы позволили быстро строить практически любые выборки без написания дополнительного кода.

Например, можно было:

• найти кандидатов с определенным количеством баллов

• посмотреть, на каком вопросе чаще всего прекращают заполнение анкеты

• посчитать конверсию любого этапа

• построить собственные отчеты

• быстро проверить гипотезу без изменения системы

Фактически Google Sheets стали журналом событий всей платформы и основой для дальнейшей HR‑аналитики.

Что получилось в итоге

Для компании:

• затраты на подбор персонала сократились примерно на 40%

• скорость закрытия вакансий выросла примерно в 3 раза

• появилась прозрачная HR‑аналитика всей воронки найма в режиме реального времени

• вместо потока случайных откликов HR начал получать уже отобранных кандидатов, готовых к интервью

Для кандидатов:

• путь от отклика до записи на интервью сократился примерно до 10 минут;

• появилась возможность пройти первичный отбор в любое время суток, не дожидаясь ответа рекрутера.

Если оглянуться назад, интересно посмотреть, насколько сильно изменился первоначальный замысел.

Все начиналось с очень простой задачи. Я хотел перестать вручную просматривать сотни откликов на HeadHunter. Тогда мне казалось, что достаточно написать небольшой Telegram‑бот для подбора персонала, который будет задавать кандидатам несколько вопросов.

Но каждая решенная проблема открывала следующую. Сначала появилась балльная система. Потом — роутер, который начал принимать решения без моего участия. Следом возникла аналитика рекрутинга. После нее — прогресс‑бар и триггерные сообщения. Затем — искусственный интеллект для оценки открытых ответов. Позже — дополнительная проверка на использование ИИ. Потом появилась база знаний. Затем — Google Sheets.

Вместо заключения

Автоматизация подбора начинается не с выбора технологии, а с последовательного описания решений, которые рекрутер принимает вручную. Каждая новая функция появилась после анализа реального поведения кандидатов и данных воронки. Поэтому наиболее полезным результатом стала не сама система, а возможность проверять изменения цифрами и постепенно улучшать процесс найма.