Talow — ИИ для подбора персонала

Контекст и задача

Сотни откликов создают нагрузку ещё до первого собеседования. Рекрутер открывает резюме, сравнивает опыт с требованиями, проверяет навыки и зарплатные ожидания. Затем повторяет ту же работу со следующим кандидатом.

При этом большой поток откликов не гарантирует подходящую подборку. Для сложных вакансий приходится параллельно искать специалистов самостоятельно и объединять результаты поиска с входящими резюме.

Мы создали Talow, чтобы снять основную нагрузку первичного разбора и ускорить переход к общению с кандидатами. Для бизнеса это означает более быстрый старт подбора и возможность обрабатывать растущий поток резюме без пропорционального увеличения команды.

Исследование

Разобрали ежедневную работу рекрутеров и выделили три причины потери времени.

Каждое резюме приходится заново сопоставлять с вакансией. Значительная часть внимания уходит на проверку повторяющихся требований.

Подходящие кандидаты теряются в общем потоке. Без предварительной оценки сильный специалист может оказаться в конце длинного списка.

Результат отбора нужно объяснить руководителю. Одного резюме или итогового балла недостаточно: необходимо показать релевантный опыт, ограничения и вопросы для интервью.

Поэтому в основу Talow заложили связку: поиск кандидатов, предварительная оценка и понятное заключение. Интервью с пользователями и внутренние демо помогли выстроить работу вокруг вакансии и определить приоритеты развития интерфейса.

Решение

Собрали кандидатов в одном рабочем пространстве

Talow получает вакансии и отклики из HH.ru. Активный поиск позволяет дополнить выборку специалистами из базы резюме. Рекрутер работает с обоими потоками внутри одной вакансии.

Передали первичный анализ ИИ

Система сопоставляет резюме с требованиями вакансии и формирует предварительную оценку соответствия. Вместе с баллом рекрутер получает объяснение: релевантный опыт, подтверждённые требования, существенные расхождения и вопросы для дальнейшей проверки.

Сделали результаты удобными для отбора

Краткие выводы доступны в списке кандидатов. Фильтрация и сортировка помогают определить приоритет рассмотрения, а подробное заключение — разобраться в конкретном специалисте перед общением.

Подготовили основу для обсуждения с руководителем

Заключение можно скопировать и использовать при представлении кандидатуры. Рекрутеру не приходится каждый раз составлять аргументацию с нуля: основные соответствия и ограничения уже собраны.

Решение о приглашении и найме остаётся за командой. Talow выполняет предварительную аналитическую работу.

Технологии

• HH API — получение вакансий, откликов и резюме, активный поиск.
• ML/LLM-анализ — сопоставление кандидатов с требованиями и подготовка заключений.
• REST API и веб-интерфейс — обработка данных и рабочее место рекрутера.
• Хранение результатов анализа — оценки и заключения в контексте каждой вакансии.
• Ролевая модель — управление пользователями, организациями и доступом к вакансиям.

Результат

Первичный разбор 100 резюме стал занимать 1,5 часа вместо 6 часов. Освободившееся время рекрутеры направили на общение с кандидатами, уточнение мотивации и подготовку к интервью.

Первая подборка для руководителя формируется за четыре часа. При этом 78% предложенных кандидатов получают одобрение для собеседования: предварительный анализ помогает отсеивать очевидные несоответствия и предметнее обсуждать сильных специалистов.

Стоимость первичного отбора снизилась на 60% с учётом расходов на ИИ-анализ.

Talow превращает поток резюме в подготовленный материал для решения. Бизнес быстрее получает кандидатов для интервью, а рекрутер тратит больше времени на людей и меньше — на повторяющуюся обработку информации.