Кейс: ИИ HR-менеджер для HR-компании — автоматизация обзвона кандидатов

Проблема

HR-компания генерирует лиды для вакансий и вынуждена тратить огромное количество средств на найм и обучение менеджеров, обзвон кандидатов на вакансии и планирование последующих собеседований.

Решение

Автоматизация процесса путём создания бота, имитирующего звонок, голос и алгоритм предварительного отбора кандидата с последующим приглашением на собеседование.

Логика процесса

1. Звонок транскрибируется постоянно.
2. Уже созданные части редактируются моделью, готовятся возможные варианты ответа.
3. Выявляется законченное предложение в звонке, выбирается лучший вариант.
4. Генерируется ответ либо вопрос к кандидату.
5. Созданный ответ озвучивается и добавляется в звонок.

Техническая реализация

Результаты

Как устроен звонок: от гудка до приглашения на собеседование

Бот звонит кандидату по обычной телефонной линии. Распознавание речи идёт потоково: Whisper и SpeechRecognition от Яндекса транскрибируют слова по мере произнесения, не дожидаясь конца фразы. Mystem приводит слова к нормальной форме — поэтому система понимает «работал кладовщиком два года» и «опыт работы: кладовщик» как один и тот же факт, а не как разные строки.

Пока кандидат договаривает, YandexGPT и ChatGPT уже готовят несколько вариантов следующей реплики. Когда детектор пауз фиксирует законченное предложение, из подготовленных вариантов выбирается подходящий — и RHVoice озвучивает его в линию. Именно предгенерация ответов держит паузы между репликами на уровне обычного телефонного разговора. Это критично: кандидаты бросают трубку, когда обзвонщик «зависает» после каждой фразы, и весь эффект автоматизации теряется.

Сценарий разговора — не жёсткое дерево «нажмите 1». Скрипт отбора задаёт обязательные точки: опыт по профилю вакансии, график, зарплатные ожидания, готовность приехать на собеседование. Формулировки вопросов модель строит по контексту разговора. Если кандидат отвечает не по порядку — например, сразу называет зарплатные ожидания, — бот помечает этот пункт закрытым и не переспрашивает.

Интеграция с hh.ru: вакансия закрывается за 7 дней вместо 18

Отклики с hh.ru автоматически попадают в очередь обзвона. До внедрения между откликом и первым звонком проходили часы, а в пиковые дни — дни: менеджеры физически не успевали, и сильные кандидаты за это время принимали другие предложения. Бот начинает обзвон, как только отклик появился в системе, и не зависит от загрузки штата.

По итогам разговора каждый кандидат получает статус: «приглашён на собеседование», «не прошёл по формальным критериям», «перезвонить позже». Рекрутер утром открывает не сырой список откликов, а отфильтрованную воронку с расшифровками разговоров — и тратит время только на тех, кто уже подтвердил соответствие требованиям и интерес к вакансии.

Итог по скорости: среднее время закрытия вакансии сократилось с 18 до 7 дней.

Откуда взялись +3,38 млн рублей в год

HR-компания зарабатывает на закрытых вакансиях, и узким местом был первичный обзвон: его ёмкость ограничена штатом менеджеров. Чтобы обрабатывать больше заявок, раньше требовалось нанимать и обучать новых людей — а на позициях первичного обзвона текучка съедала заметную часть этого бюджета.

После запуска бота количество обработанных заявок выросло на 50% при том же штате. Дополнительно закрытые вакансии компания оценила в 3,38 млн рублей выручки в год. Вторая составляющая эффекта — прекратился постоянный донабор и обучение менеджеров обзвона: люди переключились на собеседования и работу с заказчиками, где автоматизация не заменяет человека.

Для проектов такого класса это типичная картина: в среднем внедрения ИИ-ассистентов у наших клиентов окупаются за 3 месяца. Посчитать экономику для своей воронки найма можно через калькулятор экономии, а разбор вопроса окупаемости — в статье «Окупается ли ИИ-ассистент».

Зачем в стеке две языковые модели

В проекте параллельно используются YandexGPT и ChatGPT, и это не дублирование. Во-первых, реплики разного типа по-разному даются разным моделям: короткие типовые вопросы по скрипту и разбор свободных ответов кандидата — разные задачи, и пайплайн позволяет выбирать модель под конкретный шаг. Во-вторых, это страховка: при недоступности или деградации одного провайдера обзвон не останавливается — очередь переключается на вторую модель. Для системы, которая звонит людям в реальном времени, запасной маршрут обязателен.

Разделение по языкам разработки следует той же логике слоёв: обработка звонка в реальном времени, ML-пайплайн с транскрипцией и генерацией, интеграционная обвязка с hh.ru и выгрузкой статусов — отдельные компоненты, которые можно дорабатывать и масштабировать независимо друг от друга. Когда компании понадобилось увеличить объём обзвона, расширили только очередь звонков, не трогая остальное.

Как проходило внедрение

Проект начался не с кода, а с разбора воронки: на каких вакансиях теряются кандидаты, какие вопросы менеджеры задают в первичном звонке, по каким критериям отсеивают. Из этого собрали формальный скрипт отбора — он же стал техническим заданием для бота.

Первый запуск сделали на одной вакансии с самым большим потоком откликов: так быстрее всего видно, где скрипт «спотыкается» о реальные ответы кандидатов. Расшифровки первых звонков разбирали вместе с рекрутерами и правили формулировки. Только после того, как доля разговоров, доведённых до статуса, стала устойчивой, бот получил остальные вакансии. Такой порядок — пилот на узком участке, затем тираж — мы используем и в других проектах: он дешевле, чем переделывать систему, развёрнутую сразу на весь поток.

Ограничения: что бот не делает

Бот выполняет предварительный отбор по формальным критериям — он не принимает решение о найме и не оценивает «софт-скиллы» по голосу. Финальное собеседование остаётся за рекрутером, и это принципиально: автоматизация убирает дозвоны и типовые вопросы, а не людей из процесса.

Сложные переговоры — например, торг по зарплате или индивидуальные условия — бот не ведёт: он фиксирует ожидания кандидата и передаёт их рекрутеру вместе с расшифровкой. Если кандидат задаёт вопрос, ответа на который нет в базе вакансии, разговор завершается передачей контакта живому сотруднику, а не выдумыванием ответа.

Частые вопросы по проекту

Законно ли записывать звонки и обрабатывать данные кандидатов?

Да, при соблюдении 152-ФЗ: кандидат даёт согласие на обработку персональных данных, записи и расшифровки хранятся на серверах в России, доступ к ним ограничен. Как именно устроена работа с персональными данными в наших проектах, мы разобрали в материале «ИИ и персональные данные: 152-ФЗ».

Сколько стоит такая система?

Голосовой бот с телефонией, распознаванием речи и интеграцией с hh.ru — это уровень тарифа «Стандарт» (от 120 000 ₽, запуск за 3–4 недели) или «Корпоративный» (от 500 000 ₽, 6–12 недель) — в зависимости от количества интеграций и сценариев. Если голос не нужен, текстовый скрининг кандидатов в мессенджере собирается в рамках базового тарифа от 49 000 ₽ за 1–2 недели. Состав тарифов — на странице «Тарифы».

Подойдёт ли это обычному отделу подбора, а не HR-агентству?

Да. Механика не зависит от того, нанимаете вы для себя или для заказчика: очередь откликов, первичный скрининг по критериям вакансии, назначение собеседований. Разница только в источниках откликов и в том, куда передаются статусы — в ATS, CRM или таблицу.

Что, если кандидат говорит невнятно или со связью проблемы?

Если транскрипция даёт низкую уверенность распознавания, бот переспрашивает; если разговор не складывается — кандидат не выпадает из воронки, а помечается статусом «перезвонить» и уходит на ручной дозвон. Потерянных откликов из-за техники в этой схеме нет.

Что посмотреть дальше

На основе этого кейса мы собрали тиражируемый продукт PapAI HR — его не нужно разрабатывать с нуля. Смежные страницы по теме найма: ИИ для найма сотрудников, скрининг резюме и подбор персонала. Если задача шире найма — весь список решений по отраслям собран в каталоге.