Як наймати, коли новини про скорочення з’являються частіше, ніж нові вакансії? У 2025-му все більше CEO пояснюють оптимізацію саме впливом AI, а дослідження Business Insider оцінює, що 41% компаній готуються до скорочень через штучний інтелект. Для мене кожна така новина — не привід панікувати, а сигнал переглянути підхід і зрозуміти, як AI змінює tech-індустрію й мотивує спеціалістів оновлювати навички та переосмислювати кар’єрні траєкторії.
У ролі Talent Acquisition Specialist у венчур-білдері CLUST я працюю разом із командою: ми послідовно впроваджуємо AI у рекрутинг і автоматизуємо рутину — від сорсингу до звітності. Тож я вирішила поділитись досвідом, як AI-інструменти працюють у нас, які процеси ми оптимізували та чому штучний інтелект не може повністю замінити людину в наймі.
Як аудит рекрутингу допоміг впровадити AI у рутину?
Я почала працювати з автоматизацією ще у 2022-му, коли ChatGPT тільки з’явився у відкритому тестуванні, тож він став моїм базовим інструментом. Завдяки цьому інструменту мені вдалося пришвидшити підготовку самарі та описів вакансій. Як це працювало: я задавала критерії ролі й контекст, а модель збирала структуровані підсумки з ключовими сигналами та формувала архітектуру опису вакансій.
Далі — сорсинг: за моїми прикладами ChatGPT генерував і перевіряв Boolean-запити, підбирав синоніми тайтлів і альтернативні ключові слова під різні ринки, що очищало вибірку. Також я використовувала його для швидких варіацій меседжів для першого контакту з кандидатом та фоллоу-апів із потрібним тоном бренду. Паралельно я експериментувала з промптами від EvoTalents, що пришвидшило розуміння «ядра» досвіду під конкретну роль. Відтоді моє правило просте: не «додавати інструменти», а будувати процес відповідно до поставлених цілей.
Цього року в CLUST ми почали перехід до AI-first культури: вирішили не просто підключати сервіси, а переосмислювати процеси під дані, швидкість і вимірюваний вплив. Тож наша команда рекрутерів поставила собі задачу переглянути всі таски й окреслити, що забирає рутину, а що реально рухає OKR компанії. Ми поставили наріжне питання: яка рутина «з’їдає» наші години й де автоматизація дасть найбільший імпакт на метрики — time-to-hire, конверсії у воронці, quality of hire та cost-per-hire. Далі — аудит: розклали процес на етапи, заміряли затримки й дублювання дій і зафіксували «вузькі місця» — сорсинг, оцінку резюме й профілів, скоркард і summary, фідбек кандидатам.
Наш робочий принцип лишається незмінним: час у рекрутингу — валюта. Інструменти мають знімати ручну роботу та підсилювати рішення, а не створювати нову операційку. Щоб не скотитися у «заради інструментів», перед будь-яким запуском ми проходимо короткий чекліст:
- Що саме автоматизуємо?
- Чим автоматизуємо: ринковим продуктом чи власним воркфлоу?
- Як виглядатиме процес після підключення?
- Які метрики рухаємо — TTH, конверсії, quality of hire, cost-per-hire?
- З якими ризиками ми можемо зіткнутися?
Сорсинг — головний «пожирач» часу, особливо коли ведеш end-to-end і закриваєш унікальні ролі. Оцінка резюме потребує майже «миттєвого» метчу: навіть 15 секунд на перегляд масштабуються у години. На ділянках скоркард, summary та фідбек губляться якість і швидкість через фрагментарні записи.
Тому ми уніфікували шаблони скоркард і summary та частину заповнення автоматизували, щоби фіксувати дані структуровано й прозоро для команди та кандидатів. Запустили парсери резюме, чат-асистентів і автоматизований скринінг, щоб швидше обробляти великий пул заявок, витягувати ключові сигнали та оновлювати статуси без зайвої ручної роботи. Для оцінки резюме ми зібрали власний скоринговий воркфлоу — AI Talent Screener: він зіставляє CV з вимогами вакансії за нашим алгоритмом і надає рекомендації для швидших рішень. Паралельно ми також переглянули точки контролю й SLA, аби автоматизація не знижувала якість candidate experience.
У результаті наша команда автоматизувала близько 60% ручних процесів і скоротила витрати на воркфлоу. Так ми оперативно вивільнили години на те, що справді впливає на OKR: стратегію, аналітику, глибокий ресьорч і швидкі ітерації.
Які AI-інструменти ми імплементували в рекрутинг
Після аудиту ми зібрали стек навколо трьох зон — операційні процеси, пошук і комунікація, відбір і співбесіди — та інтегрували AI у воркфлоу. Водночас для команди рекрутингу залишалася чітка адженда: впроваджуючи AI-застосунки, зберегти персоналізований підхід і підвищити якість вибірки кандидатів. Масовий хайринг нам не підходить, адже ми наймаємо в стартапи й відбираємо унікальні профілі, тому кожна комунікація має бути адресною й змістовною. Під це ми підібрали інструменти, що допомагають закривати рутинні задачі:
- Lemlist — мультиканальний аутріч кандидатів.
- textpie.io та Magical.ai — пришвидшення комунікації на різних платформах.
- DeepL і Grammarly — написання англомовних листів з меншою кількістю правок і кращою якістю tone of voice.
- Notion AI та ClickUp AI — AI-PM і менеджер знань: планування вакансій, структуризація пайплайнів і політик, швидкі чернетки JD, листів та інструкцій і рев’ю формулювань.
- Внутрішні AI-агенти на базі OpenAI — автоматизація різних рутинних тасок. Зокрема, AI-сорсер формує стартову вибірку та підсвічує нетривіальні профілі, а AI-менеджер тримає SLA, дедлайни й фоллоу-апи.
- Bluedot для запису зустрічей та структурування нотаток. Також на його базі ми автоматизували заповнення scorecards в People Force — тепер на збір фідбеку та ухвалення рішення потрібно менш як 5 хвилин.
Під час тестування інструментів ми зрозуміли, що скринінг резюме не можна довірити лише функціям LLM. На ринку не було потрібних нам рішень, тому ми зібрали власний скоринговий воркфлоу на Make і n8n, який порівнює CV з вимогами та надає підказку для швидшого рішення. Паралельно ми використовуємо структуровані скоркарди з AI-підсвіткою релевантних сигналів. Щодо процесу співбесід, AI допомагає готувати питання під конкретний профіль, конспектує відповіді та формує підсумковий фідбек. Водночас ми принципово не застосовуємо розпізнавання облич та міміки. Замість цього команда робить ставку на контент-аналіз і скіл-тести як кращі предиктори перформансу — швидко, етично й безпечно для бренду роботодавця.
Отже, ми сформували стек для простішого та ефективнішого найму: Notion AI, ClickUp AI, Perplexity, Make+n8n, Lemlist, HireEz, textpie.io, Magical.ai, DeepL, Grammarly, Bluedot, AI-асистенти на постійній основі, й точково — Weconnect та Snov.io. У підсумку воронка рухається швидше, фоллоу-апи стабільні, комунікація стала якіснішою, а рішення при відборі — прозорішими завдяки структурованим summary та скоркардам. Отже, ми змогли зменшити операційне навантаження без додаткового найму — частину рутини взяли на себе AI-агенти.
Плюси та мінуси AI-інструментів
Попри відчутний вплив на процеси, ефективність AI-інструментів різниться, тому ми з колегами кілька місяців тестували декілька рішень під однакові задачі й залишили тільки те, що реально рухає сорсинг, аутріч і самарі інтерв’ю. У ресерчі найкраще спрацював Perplexity: він повертає відповіді з цитатами, допомагає точніше формулювати вимоги й чистіше збирати вибірку. Водночас він не замінює ATS і потребує базових навичок промптингу та валідації — ключові сигнали з профілів я все одно перевіряю вручну.
В аутрічі критичними виявилися персоналізація, мультиканальність і контроль бюджету. Ми заклали рамку на робоче місце від $30 і окремо оцінили рішення рівня $70. Після спринтів закріпилися на Lemlist — у ньому зручно будувати зв’язки під LinkedIn та email, правильно варіювати меседжі й тримати керовану персоналізацію. Weconnect сподобався «агентною» поведінкою (активність у мережі, взаємодія з профілями), але його доречно дозувати через ліміти платформи й ризики для репутації акаунта. Тож ми залишили його для точкових кампаній, а основний трафік ведемо через Lemlist. Оскільки ми підтримуємо розвиток українських продуктів, то тримаємо в полі зору Snov.io: це рішення варто тестувати під конкретні канали та вимоги до кастомізації.
Найболючішу рутину — якісні самарі після інтерв’ю — закрив Bluedot: коректна українська транскрипція, нотатки за шаблоном і «діалоговий» режим для швидкого витягання фактів та цитат. Ми порівнювали з fireflies.ai й tl;dv: базові функції там є, але підтримка української слабша, а автопідключення ботів інколи створювало зайві ризики контролю процесу. Після фінальних порівнянь закріпилися на Bluedot і прописали прості правила приватності для команди та кандидатів.
Пошук і найм Head of AI
Оскільки CLUST системно впроваджує штучний інтелект у всі робочі процеси, стало очевидно: нам потрібна людина, яка керуватиме цими змінами. Тож одним із головних викликів для мене став пошук Head of AI — ролі, що поки не є масовою на ринку та вимагає унікального поєднання досвіду. Це технічна позиція з бізнес-фокусом: кандидат має вміти будувати процеси й перетворювати розрізнені сигнали ринку на ROI та зменшення витрат. На момент запуску ролі ми були першими на українському ринку, хто її відкрив, а за місяць пошуків підтягнулись інші великі гравці.
Тож у скоркарді я зафіксувала must-have компетенції: практичний досвід із LLM та агентами, побудову MCP-воркфлоу, інтеграцію зовнішніх моделей через API, проєктування й масштабування ML/LLM-пайплайнів, hands-on з Python і SQL, роботу з хмарами (AWS/GCP) та оркестраторами на кшталт Prefect/Airflow. Серед софт-скілс були критичними вміння говорити мовою бізнесу, тримати темп, брати ownership і пояснювати складні рішення як інженерам, так і фаундерам.
Сорсинг я вела точково й доказово: дивилася не на тайтли, а результати — репозиторії з агентними фреймворками, продакшн-кейси з RAG й мультимодальністю та власні конектори до API моделей. У комунікації я тестувала, чи здатен кандидат перетворювати дані на історію: відрізнити інформаційний шум від сигналу й аргументувати «чому зараз».
Скринінг будувався навколо бізнес-кейсу з чіткими обмеженнями: за короткий час підняти мінімальний пайплайн — зібрати signals з відкритих джерел, покласти їх у Postgres/BigQuery, оркеструвати задачі, під’єднати одну-дві зовнішні моделі через API, автоматично згенерувати чернетку інвест-мемо і показати, як це масштабується. Я також оцінювала MCP-підхід: як кандидат структурує інструменти, контексти й guardrails, щоб процес був відтворюваним і контрольованим.
Фінальне рішення я ухвалювала на перетині трьох сигналів: як побудовано код і архітектуру (зрозумілість, місце для швидких ітерацій), чи є продуктове мислення («чому ця ніша й чому зараз») та чи збігається культурний профіль із нашим темпом і рівнем відповідальності. Обраний кандидат показав саме цю комбінацію: зібрав прототип з базовими метриками якості, коректно пропрацював питання даних і приватності та подав результати у стислому, зрозумілому форматі.
Fun Fact — з досвіду по резюме не було очевидно, які саме проєкти він реалізував, тож тут я покладалась на знання ринку, компаній, широкий технологічний стек — як фронт, так і бек — додаткові сертифікації та ведення курсів. Жодного AI в цьому випадку — лише експертиза, gut feeling та гарно підготовлена співбесіда.
Закриття таких ролей — це не звичайний сорсинг, а про out-of-box рішення. Тож рекрутери CLUST діяли як партнери C-level: разом формулювали бізнес-цілі та профіль компетенцій, були готові на нестандартні кроки й навіть проєктували таку команду, якої на ринку ще не існувало. Кандидатів на позицію Head of AI не вдавалось просто знаходити через LinkedIn, тому я активно відвідувала конференції та івенти й знайомилась з AI Community в Україні. Як результат — план AI-проєкту, бюджети на його реалізацію, стратегію та потенційну структуру AI-департаменту я будувала шляхом навчання, консультацій, довіри компанії до моєї експертизи й підтримки та брейнштормам моєї TA-команди.
Чи забере AI у нас роботу?
AI має багато обмежень — особливо в роботі з людьми. Повністю безлюдний процес відштовхує кандидатів, адже в ньому бракує емпатії, «відчуття присутності» та відповідальності за рішення. Я особисто бачу декілька точок, де людський фактор залишається вирішальним:
- Довіра та емпатія створюють конверсію. Кандидати читають між рядків і розуміють, чи згенеровані тексти — наприклад, коли ми перепрошуємо за затримку або пояснюємо ролі вакансії. Генератори текстів допомагають, але «хімію» контакту створює людина.
- Культурний фіт оцінюється в діалозі. Власність за результат, темп, планка якості, лідерський потенціал — це реальні реакції й інтонації. AI тут лише підкаже запитання й зведе нотатки.
- Невизначеність потребує «живої» комунікації. Конфлікти, зміна пріоритетів, розмиті ролі — це все потребує дискусій і пояснень для кандидатів або всередині команди.
- Складні можливості продають люди. Переконати сильного кандидата перейти в «невідомий стартап» — це про репутацію, чесну розмову й довіру, а не про шаблонний меседж. Сенс і системи також проєктує людина, тож як саме автоматизувати та визначити відповідальність окреслюємо ми, а не LLM.
- Етика й приватність — на рекрутерах. Автоматизація не означає відсутність упередженості, а жодна AI-модель не є ідеальною. Тому ми відповідаємо за коректність даних і рівність доступу, не використовуємо face/mood-аналіз та покладаємося на контент-аналіз та скіл-тести. Від першого дотику до онбордингу хтось тримає «червону нитку» процесу — і це людина, а не машина.
На власному досвіді я переконалась, що AI — це інструмент, а не «добро» чи «зло». Його ризики реальні — упередження моделей, залежність від історичних даних і робота з ймовірностями, що обмежує в критичних рішеннях. Водночас ігнорувати штучний інтелект — означає втратити темп і конкурентність на ринку. Тож ми використовуємо AI там, де він дає швидкість і прозорість, а остаточні судження, етика та відповідальність залишаються за людьми.