Как ИИ перестраивает массовый подбор персонала

Как опыт применения ИИ в банках, маркетплейсах и такси используют для массового найма в рамках платформенной занятости, рассказывает Николай Гальянов, генеральный директор сервиса "Моя смена" (входит в ГК Verme).

Массовый подбор персонала в большинстве компаний до сих пор работает в ручном режиме. Каждый день менеджеры открывают таблицы, смотрят, сколько людей вышло на смену, и начинают звонить и писать тем, кто не пришел. Потом ищут замену и объясняют руководству, почему опять не хватает людей.

Если сотрудников немного, такой подход еще работает. Но в крупных компаниях из ритейла, логистики, производства, HoReCa и e-commerce, где одновременно нужно координировать тысячи смен с учетом графиков, локаций, опыта, сезонности и риска невыходов, ручное управление дает сбои. Потому что ни один человек не в силах сопоставить огромное количество переменных в реальном времени. И это как раз та задача, которую может взять на себя ИИ. Согласно прогнозу World Economic Forum, ИИ станет одним из драйверов трансформации рынка труда в 2025-2030 гг.

Подбор персонала по принципу Uber

В массовом подборе ИИ работает так же, как в других сферах. Например, в сервисах такси алгоритм подбирает не просто ближайшую машину, а оптимальную с учетом маршрута, спроса, вероятности принятия заказа и времени ожидания. Маркетплейсы с помощью ИИ показывают не весь каталог, а релевантную подборку товаров (и таким образом снижают стоимость привлечения клиентов до 50% и увеличивает выручку на 5-15%). Крупные банки с помощью нейросети оценивают риск и одобряют кредит за секунды.

Такие же изменения начинают происходить в массовом подборе, и в первую очередь в сегменте платформенной занятости. Потому что ИИ особенно эффективен там, где есть три вещи: большой объем однотипных решений, измеримый результат и качественные данные. У платформ уже есть цифровой контур и повторяемые процессы.

Но главное их преимущество перед обычным корпоративным HR – качество данных. Традиционный подбор работает вокруг резюме и собеседований. Кандидат рассказывает, что умеет, работодатель верит или нет. Платформа же знает не то, что человек написал в резюме, а то, что он реально делал. Например, выходил на смены или нет, опоздал или приходил вовремя, берет срочные смены или только плановые. Это поведенческие данные, на которых модели работают точнее, чем человек. При этом ИИ способен одновременно учитывать тысячи смен, разные ставки, локации, графики, рейтинги и требования заказчиков.

Задача сопоставления исполнителя и смены здесь сложнее, чем в такси, но логика та же. Нужно найти не просто свободного работника, а того, кто реально выйдет на смену, подходит по требованиям объекта, справлялся на похожих сменах и которому удобно добираться.

Шесть задач, которые ИИ уже умеет решать

1. Умный матчинг

Традиционная платформа работает как доска объявлений. Компания разместила заявку на смену, собрала отклики, отфильтровала кандидатов по формальным параметрам. ИИ превращает платформу в рекомендательную систему на основе точного совпадения параметров с обеих сторон. Со стороны бизнеса ИИ помогает находить наиболее подходящих исполнителей. Со стороны исполнителя система учитывает, когда он свободен, сколько готов добираться, предпочитает стабильный график или максимальный заработок, какие объекты уже знакомы, где были успешные смены. На выходе – не список из сотни вариантов, а конкретные предложения: "Смена завтра в 10 минутах от вас, ставка выше среднего", "Вариант дальше по маршруту, но с повышенной оплатой" или "Объект, где вы уже работали – приоритет при отборе". В итоге ИИ может помогать самозанятым зарабатывать больше – за счет более точного подбора работы под их интересы.

2. Прогнозирование спроса

Заказчик размещает смену и хочет заранее понимать, закроется ли она и с каким риском невыхода. Спрос на персонал в ритейле или логистике резко меняется из-за сезона, праздников, погоды, локальных событий. ИИ умеет видеть эти паттерны и предупреждать заранее. Walmart, например, использует нейросеть для прогнозирования спроса и перераспределения ресурсов в цепочках поставок (real-time AI). Такие системы помогают снижать потери при изменении рынка. Такой сценарий на платформе занятости означает переход от реактивного "не хватает людей" к проактивному формированию пула исполнителей.

3. Адаптация и микрообучение

Гибкая занятость традиционно ограничена тем, что для новых ролей нужен быстрый инструктаж, а у заказчиков нет времени проводить его каждый раз. ИИ снижает этот барьер. Например, платформа видит, что человек регулярно выходит и получает хорошие оценки, и предлагает короткий обучающий модуль для допуска к новой категории смен. Человек, который начинал с простых смен на складе, постепенно получает доступ к более сложным и доходным ролям (промо, инвентаризация, работа с кассой). ИИ выступает как наставник, который видит потенциал и открывает следующую дверь. Такая механика гибкого персонального обучения похожа на ту, которую реализовал Duolingo, внедрив вместо стандартного курса персональный путь с объяснениями под конкретного пользователя.

4. Контроль качества

Заказчику важно знать, что на смену вышел именно тот человек, который прошел регистрацию и инструктаж. Исполнителю нужно, чтобы его аккаунт и репутация были защищены. Uber и DoorDash решают это через машинное обучение и интеллектуальный мониторинг. Система сама выявляет признаки передачи аккаунта (использование нескольких устройств или аномалии поведения) и запускает дополнительную проверку личности. Для платформы занятости логика та же. Меньше подмен и фрода – меньше спорных ситуаций и больше доверия со стороны заказчика.

5. Поддержка пользователей

Большая часть обращений в поддержку повторяется: где посмотреть оплату, как загрузить документ, почему смена не подтверждена, когда придут деньги. ИИ закрывает эти вопросы круглосуточно. Klarna (шведский финтех-сервис рассрочки) за первый месяц работы ИИ-ассистента обработал 2,3 млн диалогов – две трети всех обращений в поддержку. По данным одной из крупнейших американских платформ для клиентской поддержки Zendesk, 70% CX-лидеров уже переосмыслили клиентский путь с учетом ИИ, а 83% из тех, кто внедрил такие решения, фиксируют положительный ROI.

Качество клиентского сервиса зависит от того, какую задачу ставит компания. Если цель – сократить расходы, получится то, чего боятся пользователи: одинаковые ответы, невозможность достучаться до человека, ощущение, что тебя не слышат. Если цель – убрать раздражающую рутину, хороший ИИ делает сервис не усредненным, а более персональным. Он помнит контекст, не заставляет повторять проблему дважды, быстро передает сложный случай нужному человеку. Правильная модель – гибридная. ИИ закрывает рутину, оператор подключается там, где есть эмоция, конфликт или высокая цена ошибки.

6. Аналитика

Amazon, Wildberries, Ozon предоставляют продавцам аналитические инструменты, которые показывают, почему товар теряет позиции и что конкретно изменить: заголовок, фото, цену, условия доставки, категорию. Amazon Seller Central, например, включает рекомендации на основе данных о поведении покупателей и конкурентном окружении. У Wildberries и Ozon есть встроенная аналитика с подсказками по ценообразованию и продвижению.

В подборе персонала используется тот же подход. Большинство обычных платформ может сказать бизнесу, сколько смен закрылось. Платформы с ИИ позволяют ответить на вопрос, почему не закрылись остальные: ставка ниже рынка, неудобное время начала, слишком жесткие требования, которые отсекают 80% подходящих людей, далеко от транспортной развязки и т.д.

Базовая автоматизация на большинстве платформ уже есть: регистрация, проверка документов, уведомления, напоминания о сменах, сбор обратной связи. Алгоритмы рекомендаций и простое прогнозирование используют лидеры рынка. Следующий уровень – ИИ-персонализация – только начинает формироваться. Персональные траектории развития исполнителя, прогноз его потенциального дохода, автоматическое выявление причин низкой закрываемости смен, предупреждение невыходов до того, как они случились – эти сценарии появятся в ближайшие 2-3 года.

Платформы гибкой занятости выходят за рамки инструмента для закрытия смен и поиска подработки – они помогают людям развиваться и зарабатывать больше, а бизнесу – оперативно привлекать нужных сотрудников без раздувания штата и бюджета. В итоге платформы превращаются в экосистемы возможностей, создавая новые карьерные пути для миллионов людей.