Последний год рынок найма превратился в поле боя.
С одной стороны: HR-ATS, бездумно отклоняющие релевантные резюме. И HR, которым неинтересно найти клёвого кандидата — хочется закрыть вакансию и вернуться к инстаграму.
С другой: кандидаты с массовыми автоматизированными откликами, нарисованными резюме, накрученным опытом.
HR ставит AI-фильтр против «нарисованных». Кандидаты бахают AI ещё больше. Кошки-мышки, спираль негодования растёт.
И я не хочу подливать еще больше масла в огонь, рассказывая кто прав, а кто нет. Я хочу разобрать одну из причин - не ключевую, но техническую
А именно относительно свежее исследование показывающее хитрый момент который не учитывают в работе с LLM. Шансы кандидата на шортлист решает совпадение его модели с моделью HR-фильтра.
Bohren, Hong, Yang (arXiv 2509.00462). Контролируемый -эксперимент на 24 профессиях. Кандидат с резюме «с тем же диалектом», что у HR-фильтра, попадает в шортлист на 23-60% чаще равного по опыту человека. Минимум 23% в agriculture, максимум 60% в sales. Business-related (sales, accounting) горит сильнее всего.
Эффект называется self-preference bias. Внутри модели оценивают «свой» текст выше «чужого» на 67-82%. В hiring-метрику переводится через 23-60% шортлиста.
Как делаю я?
У меня есть Жёсткое правило: первый фильтр без AI.
Резюме читает человек, который знает что именно ищет в позиции.
AI подключается на этапе подготовки к интервью: резюмировать опыт кандидата, найти противоречия. Это медленнее. Зато не покупаешь «случайный срез по диалекту».
Первый фильтр - резюме оценивается без AI.
Далее можете добавить в промпт/иснтрукцию фильтра «игнорируй стиль и авторство, оценивай содержание».
Авторы показывают, что bias падает на 17-63%. У GPT-4o с 82% к 30%. Перекрёстная проверка топ-кандидатов через две модели. Расхождение шортлистов скажет больше любого отчёта автоматики.
А теперь давайте проведем кросс функциональный анализ. Получается что данна проблема хорошо иллюстрирует, что результат работы одной LLM стоит оценивать другой LLM. Или же мы получим ложно положительный эффект?
С одной стороны: HR-ATS, бездумно отклоняющие релевантные резюме. И HR, которым неинтересно найти клёвого кандидата — хочется закрыть вакансию и вернуться к инстаграму.
С другой: кандидаты с массовыми автоматизированными откликами, нарисованными резюме, накрученным опытом.
HR ставит AI-фильтр против «нарисованных». Кандидаты бахают AI ещё больше. Кошки-мышки, спираль негодования растёт.
И я не хочу подливать еще больше масла в огонь, рассказывая кто прав, а кто нет. Я хочу разобрать одну из причин - не ключевую, но техническую
А именно относительно свежее исследование показывающее хитрый момент который не учитывают в работе с LLM. Шансы кандидата на шортлист решает совпадение его модели с моделью HR-фильтра.
Bohren, Hong, Yang (arXiv 2509.00462). Контролируемый -эксперимент на 24 профессиях. Кандидат с резюме «с тем же диалектом», что у HR-фильтра, попадает в шортлист на 23-60% чаще равного по опыту человека. Минимум 23% в agriculture, максимум 60% в sales. Business-related (sales, accounting) горит сильнее всего.
Эффект называется self-preference bias. Внутри модели оценивают «свой» текст выше «чужого» на 67-82%. В hiring-метрику переводится через 23-60% шортлиста.
Как делаю я?
У меня есть Жёсткое правило: первый фильтр без AI.
Резюме читает человек, который знает что именно ищет в позиции.
AI подключается на этапе подготовки к интервью: резюмировать опыт кандидата, найти противоречия. Это медленнее. Зато не покупаешь «случайный срез по диалекту».
Первый фильтр - резюме оценивается без AI.
Далее можете добавить в промпт/иснтрукцию фильтра «игнорируй стиль и авторство, оценивай содержание».
Авторы показывают, что bias падает на 17-63%. У GPT-4o с 82% к 30%. Перекрёстная проверка топ-кандидатов через две модели. Расхождение шортлистов скажет больше любого отчёта автоматики.
А теперь давайте проведем кросс функциональный анализ. Получается что данна проблема хорошо иллюстрирует, что результат работы одной LLM стоит оценивать другой LLM. Или же мы получим ложно положительный эффект?