Ключевые данные кейса
Задачи
- Закрывать ИТ-вакансии быстрее и предсказуемее
- Снизить количество ошибок найма
- Сделать оценку кандидатов системной и менее субъективной
Решение
- Пересобрали профили ролей через навыки и зафиксировали требования по уровням
- Внедрили ИИ-оценку резюме для первичного отбора кандидатов по релевантности навыков
- Перестроили HR-интервью с фокусом на навыках
сократили срок закрытия вакансий
сотрудников успешно проходят испытательный срок
уменьшилась стоимость проведения интервью
С какими задачами столкнулась компания
В «Юзтех» заметили, что привычный процесс подбора перестал давать предсказуемый результат. Часть сотрудников не проходила испытательный срок, хотя формально процесс выглядел корректно: кандидаты проходили и HR-, и технические интервью, но уже после выхода оказывалось, что сотрудники не соответствуют ожиданиям бизнеса. Компания работает в проектной модели, и, если нужный специалист не выходит вовремя или не справляется с задачами, это замедляет разработку, перегружает команды и сдвигает сроки.
К тому же были проблемы с циклом найма: сроки подбора превышали целевые значения на 30–35%, кандидаты часто не совпадали с ожиданиями заказчиков, а конверсия на этапах отбора оставалась низкой. Кроме того, рекрутеры могли по-разному интерпретировать один и тот же опыт, и это мешало выстроить единую систему принятия решений.
Перед командой стояла цель ускорить найм, а также повысить конверсию кандидатов и уменьшить количество ошибок на этапе отбора. Для этого нужно было договориться о единых критериях оценки — чтобы рекрутеры и бизнес одинаково понимали требования к кандидатам и процесс можно было масштабировать на разные команды и роли.
Как пересматривали профили ролей
Для начала команда отказалась от описания вакансий через опыт и обязанности и перешла к декомпозиции ролей через навыки. Пилот решили запустить на позициях, где эффект можно было измерить быстрее всего. Это были фронтенд- и бэкенд-разработчики, а также инженеры по автоматизации тестирования уровня мидл и сеньор. Выбрали именно эти роли, так как по ним открывалось много вакансий и были чётко определены технические требования — это позволяло быстро проверить гипотезу.
Для разработчиков и инженеров по автоматизации тестирования были сформированы матрицы компетенций, в которых фиксировались конкретные хард- и софт-скилы, а также уровень владения каждым из них — от базового до экспертного. В основе матриц лежали реальные требования проектов. Например, для инженера по автоматизации тестирования уровня мидл в профиль включались такие навыки:
- знание языка программирования (например, Java)
- умение писать SQL-запросы на среднем уровне
- работа с базами данных
- понимание принципов тестирования и автоматизации
Для сеньор-уровня требования дополнялись более сложными техническими задачами и расширенными софт-скилами — способностью работать с конфликтами, проявлять инициативу, выстраивать взаимодействие в команде.
Матрицы формировались совместно: в процессе участвовали руководители практик по каждому стеку и лиды рекрутмента. Они детально определяли, какой именно уровень владения каждым навыком необходим для конкретной роли. Особенно важны были хард-скилы, потому что именно они показывают, сможет ли кандидат справляться с задачами. Всё это позволило перейти от размытых требований к чёткой и измеримой модели оценки.
Как внедряли инструменты оценки кандидатов
Затем внедрили инструменты, которые помогли масштабировать новый подход. На этапе первичного отбора подключили искусственный интеллект для скрининга резюме. Теперь система стала анализировать профиль кандидата по ключевым навыкам из вакансии, сопоставлять стек технологий, опыт работы в проектах и компаниях и рассчитывать индекс соответствия с учётом веса каждого навыка. В итоге рекрутер стал видеть в процентах, насколько специалист подходит под роль, и быстрее принимать решение.
Кроме того, изменили сам формат HR-интервью. В собеседовании стали использовать сочетание решения кейсов, вопросов на проверку хард-скилов и обсуждения реального опыта кандидата.
В процесс добавили ИИ-помощника, который:
- формирует список навыков и вопросов для конкретной роли
- предлагает рекрутеру ожидаемые ответы
- оценивает ответы кандидатов
Собеседование записывается, а затем транскрибируется и анализируется. Рекрутер выставляет оценки по каждому ответу и сравнивает их с оценкой ИИ-помощника. В результате формируется структурированный отчёт, в котором выделены сильные стороны кандидата, указаны зоны роста и дана рекомендация по найму.
Главное изменение — унификация оценки кандидатов. В компании договорились о единой шкале компетенций — наборе навыков для каждой роли и уровнях владения ими (базовый, уверенный, экспертный). Шкалу стали использовать рекрутеры, технические специалисты и бизнес-заказчики. Это помогло снизить субъективность и сделать процесс более прозрачным.
В итоге упростился сам процесс найма. За счёт более точной первичной оценки удалось сократить количество лишних этапов и отказаться от части предварительных технических интервью с участием внутренних специалистов — при этом качество не снизилось.
Какие результаты получили
Изменения затронули сразу несколько ключевых показателей. Время закрытия вакансий сократилось с 55–70 дней до 35–45 дней. Одновременно выросла конверсия кандидатов: доля перехода от резюме к выходу кандидата на работу увеличилась с 10–15% до 15–20%. Это означает, что в процесс стали попадать более релевантные специалисты, а значит, снизилось количество лишней работы на всех этапах.
Качество найма также заметно улучшилось. Если раньше испытательный срок проходили 75–85% сотрудников, то в рамках пилота в третьем квартале 2025 года все кандидаты успешно прошли его, что говорит о более точном подборе.
Кроме того, количество закрытых вакансий на одного рекрутера увеличилось почти в два раза — с 3–5 до 6–8 в квартал.
При этом снизились затраты: за счёт оптимизации этапов и сокращения участия технических специалистов стоимость проведения интервью уменьшилась примерно в три раза. Стоит отметить и улучшение кандидатского опыта. Уровень удовлетворённости процессом найма оказался очень высоким: средняя оценка кандидатов — 9,46 из 10.
Какие выводы можно сделать
Начинайте с навыков, а не с инструментов. Попытки внедрять новые решения без пересмотра профиля роли дают ограниченный эффект. Важно сначала определить, какие именно навыки критичны для успеха на конкретной позиции, и только потом использовать инструменты оценки и автоматизации.
Договаривайтесь о едином языке оценки. Рекрутеры, технические специалисты и бизнес-заказчики должны одинаково понимать, что такое «сильный кандидат». Единая шкала компетенций позволяет снизить субъективность и сделать оценку прозрачной и сопоставимой.
Проверяйте навыки через практику, а не только через ответы. Кейсовые вопросы и разбор реального опыта позволяют отличить кандидатов, которые действительно работали с задачами, от тех, кто просто подготовился к интервью.
Начинайте с ролей, где легче измерить эффект. Пилот на позициях с чёткими техническими требованиями и большим количеством вакансий позволяет быстрее собрать данные, отладить процесс и снизить риски перед масштабированием.
Не забывайте про эффект для команды. Навыкоцентричный подход снижает количество нерезультативной работы, экономит время рекрутеров и позволяет им больше фокусироваться на коммуникации с кандидатами и заказчиками — в итоге это усиливает весь процесс найма.