Шестьдесят три процента активных соискателей уже прошли ИИ-интервью — на 13 процентных пунктов больше, чем полгода назад. Семидесяти процентам не сказали прямо, что их будет оценивать ИИ, а 21 процент узнал об этом только после начала интервью (Greenhouse, 2026).
Эти два числа описывают большинство воронок найма среднего бизнеса. Новая работа в Information Systems Research объясняет, во что вам обходится второе.
Кандидаты, которые не видят, как их оценивают, преувеличивают. Балл ИИ не способен это распознать. А человек-проверяющий, которого вы добавили как предохранитель, смотрит на балл и перестаёт пользоваться собственным суждением.
Это не три проблемы. Это один сценарий отказа из трёх стадий, и средняя стадия не видна с вашего дашборда.
Парадокс прозрачности, проверенный на восьми исследованиях
Акшат Лакхивал (University of Georgia), Че-Вэй Лю (Arizona State), Хиллол Бала (Indiana) и Хун-Юэ Суэн (National Taiwan Normal University) опубликовали работу "From Opacity to Transparency: User Behavior and Downstream Effects in Algorithmic Evaluation" в Information Systems Research 30 июля 2026 года. Восемь исследований, включая два основных эксперимента и квазиполевую репликацию, все в контексте односторонних асинхронных видеоинтервью (Lakhiwal и др., Information Systems Research, 2026).
Исходное противоречие реально, и именно поэтому большинство работодателей молчали о своих инструментах. Раскройте, что измеряет алгоритм, и вы, возможно, снизите тревожность кандидата — или просто выдадите ему ответы на тест. Авторы называют это парадоксом прозрачности, а затем идут и измеряют, какая сторона перевешивает.
Эксперимент I: алгоритмическая оценка по сравнению с человеческой повысила стресс и обманчивое управление впечатлением (impression management) у интервьюируемых. Прозрачность противодействовала обоим эффектам, «приведя их в тесное соответствие с человеческой оценкой».
Раскрытие, которое дало этот результат, не было техническим брифингом. Кандидатам сообщили, что система будет смотреть на выражения лица, вербальную тональность и конкретные ключевые слова и оценивать их по работе в команде, профессиональным способностям, стилю работы и личностным качествам. Эта группа затем продемонстрировала тот же уровень аутентичного поведения, что и кандидаты, считавшие, что их проверяет человек (UGA Today, 2026).
Объяснение Лакхивала, почему непрозрачность бьёт по самому работодателю, стоит запомнить:
«Если вы подаёте заявку в компанию своей мечты, а компания вашей мечты хочет провести интервью с помощью ИИ, у вас на самом деле немного выбора. Вы не хотите отказываться, но и не знаете, как это работает.»
Кандидаты заполняют этот пробел догадками. «Преувеличений было много», — сказал Лакхивал. «Казалось, они бросают в дело всё что есть, чтобы дать „оценщику" то, что, по их представлению, он искал.»
Возражение о том, что кандидаты начнут обыгрывать систему, оказывается перевёрнутым. Сокрытие критериев не предотвратило обыгрывание. Оно его породило, потому что кандидат, оптимизирующийся под воображаемую рубрику, перебирает сразу во всех направлениях.
Балл вашего ИИ-интервью не отличал честное от преувеличенного
Вот та часть, которая должна изменить то, как вы читаете отчёты по отбору.
Самый популярный в отрасли ИИ-агент, использованный в исследовании, не понизил оценку кандидатам, которые приукрашивали правду. Он оценил их так же высоко, как кандидатов, честно описывавших те же квалификации (UGA Today, 2026).
Когда те же видео посмотрели люди-оценщики, они сумели это различить. Они в целом понижали оценку приукрашивающим и ставили высшие оценки тем кандидатам, чьё поведение выглядело наиболее аутентичным.
Значит, человеческое суждение работает. Это обнадёживающая половина результата, и она держится ровно до того момента, когда вы сообщаете человеку, что подумала машина.
А потом люди перестали смотреть
Эксперимент II сместился ниже по процессу и сравнил три конфигурации принятия решений: только человек, ИИ-дополненная — люди, принимающие решения с опорой на баллы ИИ — и полностью автоматическая.
Прозрачность продолжала работать на стороне кандидата во всех трёх. На стороне оценщика она исчерпала себя. По словам авторов, её корректирующий эффект на результативность интервью «был ограничен на стороне оценки». Когда баллы ИИ были доступны, оценщики привязывались к ним, обесценивая собственное суждение, даже притом что баллы ИИ не позволяли отличить честное поведение от обманчивого (Lakhiwal и др., Information Systems Research, 2026).
Прочитайте эти конфигурации в порядке их распространённости в среднем бизнесе. Полностью автоматический отбор редок и широко признан рискованным. Чисто человеческий отбор — это то, от чего вы пытаетесь уйти по стоимости. А ИИ-дополненная — балл, затем человек-проверяющий, который подписывает — это то, что почти все на самом деле купили, и это именно та конфигурация, в которой человек, способный распознать преувеличение, надёжно перестаёт это делать.
Предохранитель не нейтрален. Он отмывает балл.
Тот же сбой проявился в полевом эксперименте
Это не результат одной статьи. Лейн, Буссиу, Аюби и коллеги провели полевой эксперимент с 228 оценщиками, рассматривавшими 48 реальных заявок, сравнив чисто человеческую оценку, рекомендацию модели «чёрного ящика» и ту же рекомендацию, обёрнутую в нарративное объяснение (Lane и др., HBS Working Paper 25-001).
Рекомендации «чёрного ящика» улучшили качество решений. Те же рекомендации с приложенным объяснением — нет, хотя и вызвали более высокую готовность следовать им. Оценщики непропорционально часто следовали рекомендациям об отказе, существенно увеличивая ложноотрицательные решения, причём эффект был сильнее всего в пограничных случаях.
Две разные исследовательские группы, две разные предметные области, один механизм: гладкий машинный вывод подменяет этап человеческой проверки вместо того, чтобы его питать. А ложноотрицательные — единственный класс ошибок, который воронка структурно не способна увидеть. Неудачный найм проявится через полгода. Отвергнутый хороший кандидат не проявится никогда.
То, что просят кандидаты, — не то, что вас защищает
Теперь положите данные опроса со стороны кандидатов рядом с экспериментами, потому что пересечение неудобное.
Тридцать восемь процентов кандидатов говорят, что хотят знать: человек проверяет оценку ИИ прежде, чем принимается любое решение. Тридцать девять процентов хотят ясного объяснения того, что именно измеряет ИИ (Greenhouse, 2026).
Второй запрос — тот, за которым стоят доказательства. Прозрачность измеримо восстановила аутентичное поведение.
Первый запрос — человеческая проверка оценки ИИ — описывает почти в точности ту ИИ-дополненную конфигурацию, в которой человек уступает машине. Это предохранитель, которого хотят кандидаты, предохранитель, который вам с удовольствием продаст поставщик, и предохранитель, который эксперимент признал несостоятельным. Не потому, что человеческая проверка бесполезна, а потому что порядок имеет значение: проверять оценку — иная познавательная задача, чем оценивать запись.
Между тем 38 процентов кандидатов уже бросили процесс найма из-за того, что он включал ИИ-интервью, и крупнейший отдельный триггер — предзаписанное видео, оцениваемое ИИ без участия человека (33 процента). Вы теряете реальных кандидатов из-за конфигурации, которая вдобавок не работает.
Честное возражение
Четыре ограничения, названные прямо.
Здесь намеренно нет размеров эффекта. Полный текст за платным доступом, а опубликованная аннотация и пресс-релиз сообщают направления, а не величины — «значительный рост», «сотни онлайн-соискателей». Любой, кто называет вам процент из этого исследования, его выдумывает. Установлены направление и порядок эффектов; величину считайте неизвестной.
Один агент, один поставщик, один момент. Сбой в оценивании наблюдался у конкретного, самого популярного в отрасли агента, которого использовали исследователи. Другой инструмент мог бы лучше различать обман. Никто из них сегодня не заявляет такой способности, что само по себе показательно, но не обобщайте способность с одной системы.
Предшествующие исследования поддерживают возражение об обыгрывании. Лакхивал признаёт это прямо: есть работы, показывающие, что если сообщить кандидатам, как их оценивают, они смогут манипулировать оценкой. Это исследование находит в данном контексте обратный чистый эффект. Одно хорошо спланированное исследование не закрывает целую литературу.
Lane и др. — рабочий документ на смежной территории. Он оценивает инновационные заявки, а не соискателей работы, и рукопись предшествует её распространению в 2026 году. Он подтверждает механизм привязки; это не репликация в найме.
Что изменить до следующего раунда отбора
Четыре шага. Ни один не требует новой строки бюджета, а два — изменения последовательности, которые можно внести на этой неделе.
- Опубликуйте простым языком, что измеряет система. Не название модели и не архитектуру поставщика — Лакхивал прямо говорит, что кандидатам это не нужно. Скажите им, какое поведение наблюдается и какие качества оцениваются. Раскрытие в экспериментальном условии занимало четыре строки и восстановило аутентичное поведение. Вы заодно решаете проблему 70 процентов нераскрытия, которая выталкивает кандидатов из вашей воронки.
- Сделайте так, чтобы человеческая оценка шла первой. Пусть проверяющий оценит запись до того, как станет виден балл ИИ, и сохраняйте оба значения. Это единственное изменение, которое напрямую адресует результат о привязке, и оно не стоит ничего, кроме порядка в интерфейсе. Учтите: это вывод Scovai из результата, а не условие, проверенное исследователями — работа показывает привязку, а не лечение.
- Перестаньте считать, что «человек подписал» — это аудиторский след. Если человек сначала увидел балл, его подпись несёт ошибки балла с приложенным к ним именем. Защищаемым решение по отбору делает независимо зафиксированное человеческое суждение, протоколируемое по каждому найму — корпоративная позиция Scovai, включая журнал человеческого решения по статье 14 EU AI Act, описывает один способ это структурировать.
- Проверяйте ложноотрицательные, а не точность. Возьмите выборку кандидатов, которых ваш ИИ-отбор отклонил на границе, и дайте кому-нибудь оценить записи «слепым» методом. Результат Лейна говорит, что ошибки на стороне отказа — там, где концентрируется следование машине, а ваши метрики к ним структурно слепы.
В вашем стеке ИИ-интервью, вероятно, человек уже есть. Исследовательский вопрос не в том, присутствует ли он — а в том, сформировал ли он суждение прежде, чем машина сказала ему, что думать.
Посмотрите на экран вашего проверяющего. Если балл загружается над записью, у вас нет человека в контуре. У вас есть свидетель.
