Scovai Scovai
Hiring 2026-10-31 1 min read

Когда кандидат приходит с агентом, ваше решение о скрининге перестаёт повторяться

DSL

Dr. Sarah Liu

Когда кандидат приходит с агентом, ваше решение о скрининге перестаёт повторяться

На самых сложных заявках, которые вы получаете — пограничных, где скрининг одним вызовом говорит «нет», а человек мог бы сказать «да», — доля прохождения выросла с 4,5% до 26,2%, когда кандидата представлял агент. Это почти шестикратное изменение доступа, и оно возникло без каких-либо изменений модели, резюме или описания вакансии. Оно возникло от смены процедуры.

Цифра взята из исследования Гао и Цзяна об агентно-опосредованном найме (arXiv, 2026), принятого на воркшоп REALM конференции EMNLP 2026. Для Head of Operations оно значимо по причине, не имеющей ничего общего с риторикой справедливости и имеющей всё общее с тем, можно ли защитить ваш ИИ-скрининг резюме дважды. То же исследование показало: заявки, отобранные двухагентной процедурой, повторялись реже при повторном прогоне кейсов. Воронка сдвинулась — и сдвинулась непоследовательно.

Исследование: 600 пар, две стороны, один пограничный пул

Автоматизированный скрининг обычно представляет собой статичное суждение. Один вызов модели читает резюме против вакансии и выдаёт вердикт. Гао и Цзян указывают, что найм устроен иначе — работодатели оценивают соответствие, а кандидаты предъявляют и защищают доказательства своей квалификации, — и строят двустороннюю версию: агент на стороне работодателя и агент на стороне кандидата обмениваются доказательствами и обновляют суждения, прежде чем решить, кто проходит дальше.

Процедуру прогнали на 600 сконструированных парах «резюме–вакансия» с двумя передовыми моделями, GPT-5.5 и Claude Opus 4.7, и сравнили с базовым однократным вызовом на том же материале.

ПоказательGPT-5.5Claude Opus 4.7
Доля прохождения, один вызов → два агента33,3% → 39,3%34,0% → 35,5%
Доля прохождения в пограничном пуле, 3 прогона4,5% → 26,2%6,5% → 16,1%

Прочитайте две строки одну против другой. Общая доля прохождения сдвинулась максимум на шесть пунктов — такой дрейф операционный руководитель поглотит, не заметив. Пограничный пул, 191 пара, общая для обеих процедур, сдвинулся в несколько раз. Эффект концентрируется именно там, где работает ваш порог.

Если ваш скрининг откалиброван на отсечке, кандидат, пришедший с агентом, не получает незначительного преимущества. Его оценивает другая процедура.

Это не ослабление — и в этом проблема

Очевидное прочтение: двухагентный скрининг просто мягче — кандидаты получают адвоката, проходит больше людей, вы перекалибруете порог и идёте дальше. Статья закрывает этот выход прямо: «двухагентный скрининг отклоняет заявки, которые однократный вызов пропускает, меняя решения в обе стороны».

Отсюда два следствия, и второе — дорогое.

При сопоставимых объёмах прохождения две процедуры пропускают разные заявки. Вы не воспроизведёте результаты двухагентной процедуры, ослабив однократный скрининг, потому что никакой порог однократного вызова не возвращает заявки, которые двухагентный скрининг отбирает устойчиво. Это не две позиции одного регулятора. Это две разные функции отбора, которые просто пропускают схожее число людей.

А среди кейсов, отобранных на этапе обнаружения и перезапущенных в новых прогонах, уникальные для двухагентной процедуры отборы повторялись реже, чем общие для обеих процедур — отчётливо на GPT-5.5, менее уверенно на Opus 4.7, — тогда как отдельная проверка на однократном вызове сопоставимого снижения не показала. Кандидаты, которых агентно-опосредованная процедура находила самостоятельно, с наименьшей вероятностью находились снова.

Решение, которое не воспроизводится, невозможно объяснить. Ни отклонённому кандидату, который спрашивает, ни внутренней апелляции, ни регулятору. По EU AI Act подбор и оценка кандидатов относятся к Приложению III, а обязанности для систем высокого риска и обязанности оператора по ст. 26 применяются теперь с 2 декабря 2027 года (EU AI Act explorer, 2026). Требование человеческого надзора по ст. 14 предполагает, что есть нечто устойчивое, за чем надзирать. Запись скрининга, которая говорит этот кандидат прошёл в этом прогоне, — не журнал надзора. Это лотерейный билет с отметкой времени.

В ИИ-скрининге резюме процедура, а не модель — переменная, которой вы управляете

Этот результат не единичен, и именно это должно перевести его из «интересного» в «операционное». Отдельный аудит более 30 000 LLM-оценок резюме на трёх моделях — коммерческих и с открытыми весами — показал, что демографические эффекты пренебрежимо малы во всех протестированных условиях, но одна лишь формулировка промпта возвращала предпочтение по стажу. При идентичном опыте структурированный оценочный промпт обрушил возрастной эффект до d=0,02 (p=0,90); неформальный промпт «на глаз» сохранил d=0,41 (p=0,03) (Pavlopoulos, 2026). Те же модели, те же резюме, те же кандидаты. Другая процедура — другой ответ.

В более богатых условиях направление разворачивается, что усиливает, а не смягчает вывод. Когда Карвонен и Маркс добавили реалистичный контекст развёртывания — настоящие названия компаний, описания культуры с публичных карьерных страниц, селективные ограничения вида «принимать только верхние 10%», — они вызвали демографические эффекты до 12 процентных пунктов в долях приглашений на интервью на шести моделях, а антипредвзятые инструкции в промптах, работающие на чистых бенчмарках, перестали работать (arXiv, 2025).

Три исследования, три метода, один вывод: ваша вариативность живёт не в модели скоринга. Она живёт в процедуре вокруг неё.

Почему это важно сейчас, а не в 2028-м

Потому что половина на стороне кандидата уже развёрнута. ManpowerGroup и Everest Group выяснили, что 54% работодателей говорят: сгенерированные ИИ резюме, заявки и подготовка к интервью сделали оценку реальной способности кандидата сложнее, при том что более 90% применяют ИИ в сорсинге и скрининге, а менее 5% называют результаты трансформационными (ManpowerGroup, 2026).

Этот разрыв — почти всеобщее внедрение и почти нулевая реализованная ценность — обычно читают как проблему инструментов. Гао и Цзян предполагают, что это проблема процедуры. Обе стороны автоматизированы, процедура ни одной из них не задана, и поведение воронки стало эмерджентным свойством двух договаривающихся систем.

Честные границы

Держите результат в его реальном весе. Это 600 сконструированных пар «резюме–вакансия», а не реальные наймы с реальными исходами — нет никакой оценки того, показали ли результативность кандидаты, пропущенные двухагентным скринингом. Две модели, обе передовые, в один момент времени. И это воркшоп-статья, а не рецензируемая журнальная публикация, поэтому результат по повторяемости в особенности стоит воспринимать как сильный сигнал, а не как устоявшуюся оценку.

Что выживает после этих оговорок — структурное утверждение, и именно оно стоит денег: процедуры скрининга различаются тем, насколько надёжно повторяются их решения, и сейчас этого никто не измеряет. Если эффект реален хотя бы вполовину заявленного размера, ваши пограничные решения — наименее устойчивая часть воронки и наиболее вероятный предмет оспаривания.

Что с этим делать в этом квартале

Полезный ответ — не запрещать агентов кандидатов: надёжно обнаружить их нельзя, а попытка обойдётся вам теми кандидатами, которые соблюдают инструкции. Ответ — сделать объектом управления процедуру, а не модель. Четыре шага, по возрастанию стоимости:

  1. Проведите тест на повторяемость на пограничных решениях прошлого месяца. Возьмите пятьдесят заявок, попавших в пару пунктов от вашей отсечки, прогоните их через идентичный скрининг и посчитайте, сколько вердиктов устояло. Это число — ваша доля воспроизводимости; почти наверняка у вас её нет, а получить её можно за один день.
  2. Зафиксируйте промпт как конфигурацию, а не как привычку отдельного рекрутера. Результат Pavlopoulos говорит: структурированный оценочный промпт и неформальный — разные инструменты. Если ваши рекрутеры могут свободно редактировать то, о чём спрашивает скрининг, вы запускаете неизвестное число процедур и приписываете их вывод одной модели.
  3. Отделите детерминированную долю балла от доли суждения и логируйте их по отдельности. Компонент, рассчитанный арифметически из заявленных требований роли, воспроизводится по построению; суждение модели — нет. Скоринг Scovai работает на фиксированном бюджете весов, поделённом 50/50 между ними, причём половина-суждение возвращается как четыре отдельных подбалла при низкой температуре, каждый со своим письменным обоснованием — один из способов увидеть, как это разделение выглядит на практике, — архитектура скоринга.
  4. Поместите человеческую проверку туда, где вариативность, а не туда, где объём. Сейчас ваши проверяющие размазаны по всей воронке. Исследование говорит, что нестабильность концентрируется в пограничной полосе — значит, небольшой бюджет человеческой проверки, нацеленный на эту полосу, покупает больше защитимости, чем больший, распределённый равномерно.

Ни один из этих шагов не требует новых закупок. Все четыре — решения по конфигурации, и это хорошая новость и одновременно причина, по которой их продолжают не принимать.

Решение, которое стоит перед вами

Агентно-опосредованный найм не объявит о себе. Ни демо вендора, ни строки в бюджете, ни интеграции на согласование. Он приходит, когда достаточное число кандидатов приносит собственные инструменты и ваша воронка перестаёт вести себя так, как утверждает ваш дашборд, — и по имеющимся данным первой ломается не точность, а повторяемость.

Поэтому вопрос, который стоит внести в повестку этого квартала, — не точен ли ваш ИИ-скрининг резюме. Он уже и гораздо более отвечаем: если завтра перезапустить отказы прошлого месяца, сколько вернётся такими же? Если вы не знаете — это первое, что нужно измерить. Всё, что вы могли бы захотеть утверждать о своём скрининге — что он справедлив, что он объясним, что человек осмысленно его контролирует, — зависит от ответа, которого у вас сейчас нет.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.