Собеседование остаётся самым дорогим этапом найма: час рекрутера, час нанимающего руководителя, а на выходе — заметки в свободной форме, которые через неделю невозможно сравнить между кандидатами. ИИ-ассистент на интервью решает именно эту задачу: он не заменяет человека, а превращает разговор в структурированные данные. Майский пилот — удобный формат проверки гипотезы: 3–4 недели, ограниченный периметр, измеримые метрики.

Что делает ассистент на интервью

Технически это конвейер из четырёх блоков. Сначала — распознавание речи с диаризацией: система понимает, кто говорит, и разделяет реплики кандидата и интервьюера. Затем — RAG-слой, который держит перед моделью профиль вакансии, компетенционную модель, регламенты и стоп-вопросы (например, запрещённые к обсуждению темы).

Дальше — работа в реальном времени: подсказки интервьюеру по ещё не раскрытым компетенциям, напоминание уточнить детали кейса, таймер по блокам. И финальный артефакт — отчёт: скоринг по каждой компетенции, прямые цитаты кандидата как обоснование, красные флаги, список вопросов на следующий этап.

Российская практика

В крупном ритейле и банках такие пилоты запускают прежде всего на массовых позициях — продавцы, операторы контакт-центра, курьеры, где поток интервью измеряется сотнями в месяц. В промышленности и ИТ ассистента чаще ставят на технические и инженерные роли: он помогает не пропустить обязательные технические блоки и фиксирует ответы по единому шаблону.

По инфраструктуре есть два рабочих варианта. Первый — on-premise: локальные модели (Qwen, Llama, GigaChat в закрытом контуре) плюс ASR на Vosk или GigaAM, если запись голоса не должна покидать периметр. Второй — облачные API российских провайдеров, когда важнее скорость запуска. Интеграции делают с Хантфлоу, Потоком, E-staff и 1С:ЗУП, чтобы отчёт падал прямо в карточку кандидата, а не в отдельную папку.

Как провести пилот за месяц

Практический план выглядит так. Выберите одну-две позиции с высоким потоком и понятной компетенционной моделью. Соберите 30–50 записей прошлых интервью с уже известным итогом — это станет эталоном. Разметьте вручную 10–15 из них: кто прошёл дальше и почему.

Затем настройте пайплайн на исторических данных и прогоните его вслепую. Сравните скоринг ассистента с решением рекрутера: важна не абсолютная точность, а доля совпадений по ключевым компетенциям. Только после этого включайте систему на живых интервью — сначала в режиме «только отчёт», без подсказок в моменте.

Риски, которые нужно закрыть заранее

Первое — 152-ФЗ и согласие кандидата на запись и автоматизированную обработку. Второе — хранение: определите срок жизни аудио и расшифровок, лучше с автоматическим удалением. Третье — предвзятость: модель не должна скорить по полу, возрасту, акценту или названию вуза, это проверяется отдельным тестом на исторических данных.

Четвёртое — галлюцинации. Ассистент обязан ссылаться на цитату из транскрипта; если цитаты нет, оценка не выставляется. И главное: финальное решение всегда за человеком, ИИ-отчёт — это аргумент, а не приговор.

Что считать результатом пилота

Смотрите на четыре числа: время рекрутера на подготовку отчёта (обычно падает с 30–40 до 5–10 минут), доля отчётов, принятых без правок, совпадение скоринга с решением нанимающего, и стоимость обработки одного интервью. Если доля правок выше 40%, проблема чаще в компетенционной модели, а не в модели языковой.

Как мы можем помочь

Мы в АПС внедряем приватные LLM, RAG-системы и ИИ-агентов, включая ассистентов для HR: разворачиваем контур on-premise или в облаке, настраиваем ASR и диаризацию, собираем RAG по вакансиям и регламентам, интегрируем отчёты с 1С:ЗУП, Хантфлоу и CRM. Начинаем с пилота на одной позиции и измеримых метрик, чтобы вы увидели эффект до масштабирования. Обсудить проект