Пятьдесят четыре процента руководителей по талантам теперь говорят, что сгенерированные ИИ резюме, заявки и подготовка к собеседованиям сделали труднее оценку реальной компетентности кандидата — и говорят это на том же дыхании, на котором более 90% из них сообщают об использовании ИИ во всём сорсинге и отборе, тогда как менее 5% называют результаты трансформационными (ManpowerGroup, 2026). Прочтите эти три числа вместе — и история не «ИИ помогает нам нанимать». История такая: вы два года автоматизировали одну сторону воронки, ваши кандидаты те же два года автоматизировали другую, и чистый эффект на то, что действительно важно — прочитать, кто способен выполнять работу, — пошёл назад.
Это ловушка, в которой сейчас сидит большинство операций найма среднего рынка. Инстинкт, когда отбор кажется сломанным, — купить лучшую applicant tracking system или прикрутить ещё один ИИ-фильтр. Данные ManpowerGroup и Everest Group говорят, что этот инстинкт целится не в тот слой. Это не пробел в инструментах. Это проблема сигнала, и никакой объём автоматизации отбора не чинит сигнал, сделанный подделываемым в масштабе.
Обе стороны воронки автоматизированы одновременно
Начните с симметрии, потому что это часть, которую почти никто не учитывает. Когда вы развернули ИИ для сорсинга, ранжирования и отбора, вы предположили, что входные данные с другой стороны остаются постоянными — что резюме несёт примерно ту же информацию, что и в 2022 году. Не несёт. У кандидата теперь тот же класс инструмента, что и у вас. Генеративный ИИ пишет резюме, подгоняет сопроводительное письмо под вашу вакансию, составляет ответы на ваши отборочные вопросы и репетирует собеседование.
Исследование ManpowerGroup/Everest Group — опрос 80 руководителей уровня C-suite, CHRO и старших специалистов по подбору талантов в США и Великобритании — ставит число на следствии: 54% сообщают, что поведение кандидатов с поддержкой ИИ затрудняет точную оценку реальной компетентности (ManpowerGroup, 2026). Это большинство старших руководителей найма говорят вам, что вход деградировал. Обе стороны автоматизировались вместе, и гонка вооружений закончилась там, где обычно заканчиваются гонки вооружений — гораздо больше трат с обеих сторон и никакого устойчивого преимущества ни для кого.
Сигнал не стал более шумным — он стал подделываемым
Здесь есть критическое различие, которое меняет то, что с этим делать. Проблема не в том, что в воронке больше шума. Проблема в том, что слой резюме и заявки теперь раздуваем ИИ — и как только сигнал можно дёшево сфабриковать, ранжирование кандидатов по нему перестаёт измерять то, что вам важно.
Подумайте, что на самом деле оптимизирует ваш ИИ отбора. Он оценивает и ранжирует кандидатов по силе их письменной заявки: ключевые слова, формулировки, кажущееся соответствие описанию роли. Когда этот письменный слой создавался усилием самого кандидата, он был слабым, но реальным индикатором старательности и соответствия. Когда его создаёт модель за девять секунд, ранжирование всё больше вознаграждает беглость в промптинге — насколько хорошо кандидат (или его инструмент) провёл обратную инженерию вашей вакансии — а не соответствие роли. Вы всё ещё получаете чёткий, уверенный ранжированный список. Просто он измеряет не ту переменную. Это самый опасный режим отказа в отборе: не система, которая видимо ломается, а та, что продолжает выдавать уверенные результаты после того, как измеряемое ею тихо стало бессмысленным.
Именно поэтому «менее 5% трансформационных» — не проблема зрелости, которую решит ещё один квартал внедрения (ManpowerGroup, 2026). Нельзя извлечь трансформационный результат из слоя, чей сигнал выхолощен. Больше мощности отбора, применённой к подделываемому входу, даёт лишь более быструю и более уверенную сортировку шума.
Проблема объёма, скрытая под этим
Проблема сигнала едет поверх проблемы объёма, и обе накапливаются. Поскольку подавать заявки теперь почти бесплатно, число заявок оторвалось от подлинного интереса. Один рекрутер сообщил о вакансии бизнес-аналитика, которая исторически привлекла бы 100–150 заявок, а на этот раз собрала более 2000 — скачок в 13–20 раз для одной позиции (The Irish Times, 2026). Это не волна квалифицированного интереса. Это механический выход кандидатов, запускающих ту же автоматизацию, что и вы.
Издержки ложатся на время вашей команды. В том же материале опрос Greenhouse обнаружил, что 38% рекрутеров теперь тратят половину своих усилий на отсев мусорных, спамовых и совершенно неквалифицированных заявок (The Irish Times, 2026). Наложите это на проблему сигнала — и получите полную картину: больше заявок, чем когда-либо, каждая — более слабый индикатор, чем когда-либо, и команда найма сжигает половину своей ёмкости, отделяя машинно-сгенерированный объём от человеческого намерения. Купить больше ИИ отбора, чтобы обрабатывать это быстрее, проблему не уменьшает. Оно её индустриализирует.
Почему лучшая ATS этого не исправит
Соблазнительный ответ — умнее ATS, острее модель парсинга резюме, ИИ, который «обнаруживает ИИ», — проигрывает гонку вооружений по своей конструкции. Каждый детектор, который вы разворачиваете, — это цель, против которой оптимизируются инструменты генерации, а эти инструменты итерируют быстрее и используются миллионами кандидатов. Вы направили бы свой бюджет на защиту ровно того слоя, что уже скомпрометирован.
Более глубокая причина провала в том, что он принимает сломанную предпосылку: что резюме — это место, где живёт компетентность. Полностью там она никогда не жила — а теперь доказуемо не живёт. Решение — не читать подделываемый слой хитрее. Решение — перестать так тяжело взвешивать подделываемый слой и перенести вес решения на входы, которые кандидат не может дёшево сфабриковать в масштабе. Это изменение дизайна в том, как вы отбираете, а не покупка.
Есть и более тихая цена пребывания в гонке вооружений: ошибочные отказы. Когда ваше ранжирование вознаграждает беглость в промптинге, действительно сильный, но посредственный в самопрезентации кандидат — или тот, кто отказался прогонять свою заявку через оптимизатор, — тонет под тем, кто это сделал. Вы не только не ловите раздутые заявки; вы активно понижаете реальную компетентность, не потрудившуюся сыграть на слое. На рынке, где одна вакансия теперь привлекает тысячи заявок, эти ложноотрицательные невидимы и невосстановимы. Вы никогда не узнаете, какого квалифицированного человека похоронил ваш подделываемый сигнал.
Перевзвесьте в сторону входов, которые кандидаты не могут подделать в масштабе
Здесь исследование необычно устоявшееся, и оно на десятилетия предшествует ИИ-панике. Точка отсчёта — метаанализ Schmidt и Hunter, обобщающий примерно 85 лет исследований отбора, который обнаружил, что тесты рабочих образцов, структурированные интервью и меры когнитивных способностей входят в число сильнейших предикторов производительности труда — тогда как близкие к резюме сигналы образования и лет опыта сравнительно слабы (Schmidt & Hunter, 1998). Структурированная, репрезентативная для работы оценка несёт куда больше прогностической валидности, чем документ заявки — и была лучшим инструментом даже тогда, когда документ заявки писался честно.
ИИ переводит это из аргумента о лучшей практике в срочный. Методы, которые выдерживают, — именно те, что дорого подделать в масштабе. Модель может сгенерировать безупречное резюме за секунды; она не может усадить вашего реального кандидата за репрезентативный рабочий образец и произвести его подлинное рассуждение в структурированных условиях. Валидированная психометрическая оценка измеряет черты и способности, которых отполированная заявка попросту не раскрывает. Сигнал, потерянный вами на слое резюме, восстановим — но только переносом измерения туда, куда автоматизация не дотягивается.
Конкретно «входы, которые кандидаты не могут подделать в масштабе» означают две вещи, которые команда ops среднего рынка действительно может развернуть. Во-первых, структурированный рабочий образец: короткая, репрезентативная для роли задача, оцениваемая по единой рубрике, так что вы наблюдаете, как человек выполняет срез реальной работы, а не читаете его утверждение об этом. Во-вторых, валидированная психометрическая оценка: измеренное прочтение способностей и черт, которые предсказывают производительность в роли, проведённое в условиях, которые кандидат не может передать на аутсорс. Оба переносят решающий сигнал с документа на поведение — и оба, что примечательно, юридически защитимее отбора по резюме, потому что напрямую берут образец работы.
Единственный шаг на этот квартал
Вам не нужно вырывать ATS или перепроектировать найм, чтобы действовать по этому поводу. Вам нужно изменить, где лежит вес решения в одной роли.
Итак, конкретный шаг узок и проверяем: возьмите вашу открытую вакансию с наибольшим объёмом — ту, что тонет в раздутых ИИ заявках, — и вставьте один репрезентативный рабочий образец плюс валидированную оценку на раннем этапе процесса, затем перевзвесьте ваше ранжирование так, чтобы эти результаты перебивали балл резюме. Используйте слой резюме только чтобы отсеять очевидно неквалифицированных; пусть неподделываемые входы решают, кто проходит дальше. Затем измерьте это против сопоставимой роли, оставленной на отборе «резюме прежде всего», и наблюдайте два числа в течение квартала: сигналы качества найма, такие как скорость выхода на продуктивность и ранняя производительность, и долю времени рекрутера, отвоёванную у отсева мусора.
Если перевзвешенная роль даёт лучшие найма при меньших впустую потраченных усилиях отбора, вы докажете, внутри вашей же воронки, то, на что указывают данные ManpowerGroup: ответом на выхолощенный сигнал никогда не был лучший отборщик для подделываемого слоя. Ответом было перестать доверять слою, который ваши кандидаты научились автоматизировать, — и измерять единственное, что они всё ещё не могут. 54%, говорящие, что больше не могут прочитать компетентность, правы насчёт проблемы. Они ищут её в единственном месте, где ИИ гарантировал, что её больше не будет.
