Хочу поделиться кейсом!
Ваша компания использует генеративный AI в продуктах, проектах и бизнес-процессах? Смело рассказывайте о своем опыте на страницах проекта Generation AI!
Правила отбора
Правила отбора
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
У вас есть вопросы и предложения? Напишите нам!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите такой же кейс, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите внедрить GenAI в свои бизнес-процессы, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Как Polina AI автоматизировала рекрутинг: 6 000 откликов,
тысячи резюме, сотни диалогов
ITFB Group — российская IT-компания, которая с 2011 года занимается разработкой решений для цифровой трансформации бизнеса и государства. В направления бизнеса компании также входят поставка IT-оборудования, цифровизация лесного и сельского хозяйства, роботизация и внедрение AI.
В 2023 году внутри компании родился AI-ассистент Polina AI — продукт, который был создан из внутренней потребности в автоматизации HR-процессов, а вышел на рынок как полноценный интеллектуальный ассистент для рекрутинга.
В 2023 году внутри компании родился AI-ассистент Polina AI — продукт, который был создан из внутренней потребности в автоматизации HR-процессов, а вышел на рынок как полноценный интеллектуальный ассистент для рекрутинга.
Июль 2025
ИТ
Инструменты
В ходе экспериментов с генеративным AI команда ITFB Group применяла:
- GPT-модели (начиная с GPT-3.5) — для смыслового сопоставления текста заявки и резюме.
- LangChain — для построения пайплайнов и обработки сложных запросов.
- RPA-инструменты — для имитации действий пользователя на работных сайтах.
- Собственный модуль скоринга — на основе LLM и бизнес-правил.
- Браузерное расширение — встраиваемое в интерфейсы работных сайтов.
- Механизмы тонкой настройки и контекстного промпт-менеджмента — чтобы модели вели себя как опытные рекрутеры.
Контекст и вызов
В 2023 году ITFB Group столкнулась с лавинообразным увеличением количества запросов на IT-специалистов. За год — более 6 000 заявок на разные роли: фронтенд, DevOps, аналитики, узкие стеки, нетривиальные роли. При этом в наличии постоянно был пул из 300–400 кандидатов, готовых выйти на задачи, как внутренних, так и партнерских.
Сведение вакансий и профилей вручную перестало работать — терялась скорость, падало качество, появлялась усталость среди HR-специалистов. Тогда в компании и возник вопрос:
Сведение вакансий и профилей вручную перестало работать — терялась скорость, падало качество, появлялась усталость среди HR-специалистов. Тогда в компании и возник вопрос:
Может ли AI не просто искать, а помогать подбирать специалистов — с пониманием, аналитикой
и рекомендациями?
и рекомендациями?
С чего начали: ручные процессы, GPT и первый эффект
К этому моменту в компании уже существовала внутренняя учетная система: заявки фиксировались, кандидаты к ним подбирались вручную. Но это была не автоматизация, а формализованные регламенты.
Появление GPT стало триггером для эксперимента. В одной из команд — на фронтенд-направлении — запустили пилот: GPT читал резюме, сопоставлял с заявкой, формировал развернутую аналитику — какие навыки есть, каких не хватает, что уточнить у кандидата, насколько релевантен профиль.
Оказалось, что GPT ошибается не чаще, чем человек, а работает на порядок быстрее. Это стало началом первого этапа — цифровой трансформации HR-процесса.
Появление GPT стало триггером для эксперимента. В одной из команд — на фронтенд-направлении — запустили пилот: GPT читал резюме, сопоставлял с заявкой, формировал развернутую аналитику — какие навыки есть, каких не хватает, что уточнить у кандидата, насколько релевантен профиль.
Оказалось, что GPT ошибается не чаще, чем человек, а работает на порядок быстрее. Это стало началом первого этапа — цифровой трансформации HR-процесса.
Этап 1. Автоматизация скоринга и подбора
В 2024 году в компании закрепили стратегию цифровизации HR. LLM встроили в процесс подбора: при создании заявки на поиск IT-специалиста Polina AI моментально находила подходящих кандидатов, объясняла, почему именно они — релевантны, а другие — нет.
Процесс стал точнее и быстрее. Модель училась на живых данных: резюме, анкетах, заявках, комментариях. Каждый новый отклик — это дополнительная настройка. Команда сразу видела эффект: ручной труд уходил, а качество подбора росло.
Процесс стал точнее и быстрее. Модель училась на живых данных: резюме, анкетах, заявках, комментариях. Каждый новый отклик — это дополнительная настройка. Команда сразу видела эффект: ручной труд уходил, а качество подбора росло.
Этап 2. Выход за пределы — работные сайты и расширения
Следующим узким местом стал внешний рынок. Даже при наличии внутренней базы часть специалистов искали на hh, Хабре, SuperJob. Процесс был таким: заход на сайт, ручной просмотр, скачивание резюме. Сначала подключили роботов на базе RPA — те эмулировали действия рекрутера. Затем реализовали прямые интеграции с платформами. Это позволило обрабатывать тысячи резюме в секунды.
Отдельным направлением стало расширение, встроенное в интерфейс работного сайта. Оно в онлайне скорит резюме, сортирует релевантные профили и показывает только то, что подходит под запрос. Благодаря этому HR-подбор ускорился в несколько раз.
Отдельным направлением стало расширение, встроенное в интерфейс работного сайта. Оно в онлайне скорит резюме, сортирует релевантные профили и показывает только то, что подходит под запрос. Благодаря этому HR-подбор ускорился в несколько раз.
Как формируется запрос в браузерном расширении
Этап 3. Живые диалоги — AI как собеседник
Оставался еще один элемент — коммуникации. Кандидаты могли выпадать из воронки потому, что им не ответили вовремя. Начали с чат-ботов, но быстро стало понятно: они «палятся» и теряют доверие. Тогда модель дообучили: скрипты, база знаний, стиль общения лучших рекрутеров.
В результате Polina AI начала вести 200–300 диалогов параллельно, точно, быстро, с нужным эмоциональным тоном. Задача была одна — назначить собеседование. И она с ней справлялась.
Сейчас Polina AI работает и на внешнем рынке: не только в IT, но и в ритейле, банках, медицине — везде, где нужен массовый и точечный подбор. Это связное решение, которое покрывает весь цикл: от поиска до общения с кандидатом.
В результате Polina AI начала вести 200–300 диалогов параллельно, точно, быстро, с нужным эмоциональным тоном. Задача была одна — назначить собеседование. И она с ней справлялась.
Сейчас Polina AI работает и на внешнем рынке: не только в IT, но и в ритейле, банках, медицине — везде, где нужен массовый и точечный подбор. Это связное решение, которое покрывает весь цикл: от поиска до общения с кандидатом.
Трудности и как с ними справились
- GPT «из коробки» давал 70% точности, что было недостаточно. Команда внедрила свыше 100 правил и нюансов: учет «красных флагов» (короткий стаж, устаревшие технологии, overqualified), настройки по стилям, модели отклика. Результат — 95% соответствия ожиданиям рекрутера.
- Формирование фильтров вручную отнимало время. Решили это автоматизацией: система теперь сама подбирает оптимальные параметры фильтрации по заявке.
- Скудные вакансии тормозили процесс. Модель научилась генерировать описание даже по минимальному вводу — например, по названию должности.
- Разные стили общения кандидатов. Polina AI научили адаптироваться к поколенческим и поведенческим особенностям. Один и тот же скрипт звучал по-разному для зумера и middle-специалиста 35+.
Как выглядит оценка кандидата при работе с HeadHunter
Что дальше
Polina AI продолжает развиваться. Несколько ближайших фич:
Интеграция голосовых агентов, чтобы AI мог звонить и говорить как человек
Видеоинтервью и интеллектуальный анализ по лицу, голосу и речи
Запуск White label для партнеров
Выход за пределы HR-сферы, похожие агенты появятся в закупках, продажах, аналитике
Polina AI была разработана как внутренняя инициатива в ответ на рост объема заявок и ограниченность HR-ресурсов. Постепенно инструмент вышел за пределы компании и стал применяться в других сферах. Разработка опиралась на существующие технологии (GPT, RPA, LangChain), но потребовала дополнительной настройки — как на уровне бизнес-логики, так и в области взаимодействия с пользователями. В итоге стало понятно: использование LLM в HR-процессах возможно, но требует адаптации под конкретные сценарии и инфраструктуру.