Почему резюме не доходит до работодателя и как пройти автоматический отбор

Я долго представляла поиск работы довольно просто. Отправляешь резюме, его открывает рекрутер, читает и решает, звать тебя на собеседование или нет. В реальности между кнопкой «Откликнуться» и глазами человека сегодня может находиться несколько программных слоёв. Один разбирает файл, другой проверяет обязательные условия, третий фильтрует кандидатов, четвёртый меняет порядок выдачи, а нейросеть может дополнительно оценивать соответствие вакансии.

Поэтому отсутствие ответа совсем не обязательно означает, что рекрутер прочитал резюме и решил мне отказать. Документ может технически попасть работодателю, но оказаться настолько низко в списке, что человек до него никогда не доберётся. Именно такую механику я считаю гораздо более важной, чем популярную страшилку про «робота, который автоматически удаляет 75% резюме».

Хорошую иллюстрацию недавно дала сама индустрия ИИ. Команда Google DeepMind, занимающаяся безопасностью продвинутых моделей, предложила кандидатам дополнительную форму, чтобы заявка гарантированно дошла до живого сотрудника. Во внутреннем документе команда признавала ненулевой риск того, что стандартная система обработки заявок неправильно отсеет резюме или слишком поздно передаст его нужным людям. Google не согласилась с трактовкой, будто корпоративная система систематически ошибается, однако история, о которой писал SecurityLab, хорошо показывает слабое место автоматизированного найма.

ATS не робот-судья, а целая система фильтров

Сначала я бы убрала главный миф. ATS, Applicant Tracking System, не означает «нейросеть, которая решает, кого нанять». Классическая ATS прежде всего помогает работодателю вести базу кандидатов и воронку найма. Система принимает заявки, создаёт карточки, извлекает сведения из резюме, позволяет искать людей, применять фильтры, назначать статусы и передавать кандидатов между этапами.

ИИ появился поверх такой инфраструктуры. Современные платформы умеют искать связанные навыки, интерпретировать требования вакансии, делать краткую выжимку из резюме, оценивать соответствие и ранжировать кандидатов. Но набор функций сильно различается. Одна компания использует ATS почти как электронную картотеку, другая включает жёсткие автоматические правила, третья добавляет нейросетевой подбор.

Типичный путь моего резюме после отправки выглядит примерно так.

1. Приём заявки. Система сохраняет файл и данные анкеты.
2. Разбор документа. Парсер пытается найти имя, контакты, работодателей, должности, даты, образование и навыки.
3. Проверка обязательных условий. Работодатель может спросить о праве на работу, лицензии, графике, переезде, командировках или другом требовании.
4. Фильтрация. Рекрутер ограничивает выборку по опыту, образованию, географии, зарплате, навыкам и другим параметрам.
5. Ранжирование. Алгоритм определяет порядок кандидатов.
6. Просмотр человеком. Рекрутер начинает работать с верхней частью получившегося списка.

Последний этап для меня самый интересный. Допустим, на вакансию пришло 400 откликов. Алгоритм поставил моё резюме на 137-е место. Никакого автоматического отказа не произошло. Рекрутер просмотрел 35 человек, пригласил восьмерых и больше никого не открывал. Для меня результат выглядит точно так же, как если бы резюме удалил автоматический фильтр.

В России похожая механика уже работает буквально перед глазами миллионов соискателей. hh.ru сортирует отклики по релевантности с помощью машинного обучения на основе данных о вакансиях, резюме и приглашениях. Работодатель может переключиться на сортировку по дате. Кроме обычного ранжирования есть авторазбор по заданным параметрам и тестовый ИИ-помощник. Последний анализирует вакансию и отклики, а затем распределяет кандидатов по категориям «Подходит», «Можно рассмотреть» и «Не сейчас». Сам ИИ-помощник отказ кандидату не отправляет. Решение остаётся за работодателем.

Похожий принцип используют зарубежные системы. LinkedIn Recruiter умеет превращать запрос рекрутера на обычном языке в набор требований, сопоставлять явные и предполагаемые навыки и ранжировать найденных специалистов. Поэтому современный подбор давно не сводится к примитивной схеме «нашёл слово Java, начислил балл».

Однако старые фильтры никуда не исчезли. Harvard Business School совместно с Accenture исследовали проблему так называемых скрытых работников. Более 90% опрошенных работодателей использовали программные системы для первоначальной фильтрации или ранжирования кандидатов. 88% работодателей сообщили, что при поиске высококвалифицированных сотрудников из процесса могут выпадать подходящие люди, которые не совпали с точными критериями вакансии. Для профессий средней квалификации показатель достигал 94%.

Здесь легко попасть в ловушку статистики. Я регулярно вижу статьи, где цифру 88% превращают в утверждение «ATS выбрасывает 88% резюме». Исследование такого не говорит. Речь шла о доле работодателей, которые сталкивались с проблемой слишком узких критериев. Ещё популярнее утверждение, будто «75% резюме автоматически отклоняются ATS до просмотра человеком». Надёжного универсального исследования с такой цифрой я не нашла. Значение годами копируют сайты сервисов оптимизации резюме, поэтому со временем маркетинговая цифра стала выглядеть как установленный факт.

Где я действительно могу потеряться

Первое слабое место появляется ещё до всякой нейросети. Резюме нужно превратить из документа в структурированные данные. Парсер видит не красивую страницу, а пытается получить примерно такую запись.

Должность
 Системный инженер
 
 Опыт
 7 лет
 
 Навыки
 Linux
 VMware
 Active Directory
 PowerShell
 
 Последнее место работы
 Компания N
 
 Период
 2022 - настоящее время

Сложное оформление способно испортить разбор. Документация Greenhouse перечисляет среди проблемных вариантов изображения вместо текста, графику, текстовые блоки, колонтитулы, таблицы, сложную многоколоночную вёрстку и нестандартную структуру. Ошибка обычно не означает мгновенный отказ. Риск тоньше. ATS может извлечь только часть сведений, перепутать последовательность блоков или не заполнить поле, по которому позже работает фильтр.

Отсюда вырос миф, будто ATS не понимают PDF. Современные системы вроде Greenhouse и Workable принимают PDF вместе с DOC и DOCX. Проблема обычно не в расширении файла. Намного важнее содержимое. PDF с нормальным текстовым слоем обычно разбирается значительно лучше, чем скан страницы или дизайнерский экспорт, где навыки и часть текста превратились в изображения.

Я бы проверяла готовое резюме очень просто. Выделила бы весь текст PDF, скопировала в обычный текстовый редактор и посмотрела, сохранился ли смысловой порядок. Такой тест не воспроизводит конкретную ATS, но хорошо ловит грубые проблемы. Если название должности оказалось далеко от компании, даты перемешались, а половина навыков исчезла, документ лучше переделать.

Второй риск связан с так называемыми knockout questions. Работодатель ищет водителя с определённой категорией прав, врача с лицензией или специалиста, которому разрешено работать в конкретной стране. Я отвечаю «нет», и система автоматически меняет статус заявки. Никакая нейросеть здесь вообще не нужна.

Третий риск менее очевиден. Я могу подходить по существу, но не совпадать с формальным портретом идеального кандидата. Исследование Harvard Business School обнаружило особенно показательный пример. Почти половина опрошенных работодателей использовала фильтры, которые могли исключать кандидатов с перерывом в занятости более шести месяцев. Причину такого перерыва простое правило не понимает. Уход за родственником, рождение ребёнка, восстановление после болезни, переезд и добровольный отпуск превращаются в один бинарный признак.

С навыками возникает похожая проблема. Например, я десять лет выполняла задачи инженера информационной безопасности, но моя должность официально называлась «специалист отдела защиты информации». Современное семантическое сопоставление уменьшает зависимость от буквального совпадения слов, однако полностью проблему не решает. Фильтры всё равно задают люди, а часть систем использует обычный поиск по полям и точным параметрам.

Четвёртый риск связан с историческими данными. Если модель учится на прошлых решениях работодателя, старые предпочтения могут проникнуть в новые рекомендации. Самый известный ранний пример произошёл в Amazon, где экспериментальный инструмент машинного обучения начал понижать некоторые резюме, связанные с женщинами. Проект закрыли. Разработчики современных кадровых систем уделяют смещениям гораздо больше внимания, но проблема не исчезла из законодательства и судебной практики.

Показателен продолжающийся американский процесс Mobley v. Workday. Истцы обвиняют Workday в том, что алгоритмические инструменты подбора создают дискриминационный эффект по возрасту, расе и инвалидности. Суд разрешил существенной части требований продолжить движение и ранее допустил коллективное рассмотрение претензий по возрастной дискриминации. Однако судебного решения о том, что Workday действительно дискриминировала кандидатов, пока нет, а компания обвинения оспаривает. Для меня здесь принципиальна разница между серьёзным судебным спором и доказанным нарушением.

Регуляторы тоже стали относиться к кадровому ИИ серьёзнее. В Евросоюзе системы ИИ, предназначенные для анализа, фильтрации и ранжирования кандидатов, относятся к категории высокого риска. После изменения графика основные требования к таким системам должны начать применяться с декабря 2027 года. Американская EEOC отдельно предупреждала, что алгоритмические инструменты отбора способны создавать незаконную дискриминацию, в частности в отношении людей с инвалидностью.

В России есть собственный правовой нюанс. Статья 16 закона № 152-ФЗ «О персональных данных» ограничивает решения, которые принимаются исключительно на основании автоматизированной обработки персональных данных, если такие решения порождают юридические последствия либо затрагивают права и законные интересы человека. Закон предусматривает исключения, включая письменное согласие субъекта, а также требует объяснить порядок принятия решения и дать возможность заявить возражение. Простая сортировка резюме алгоритмом сама по себе ещё не означает нарушения. Для применения нормы имеет значение, принималось ли значимое решение исключительно автоматически и как именно устроен процесс.

Как я бы писала резюме для машины и человека

После всех рассказов про ATS легко начать искать секретный способ «обмануть систему». Обычно советуют набить документ ключевыми словами, спрятать текст вакансии белыми буквами или прогнать резюме через сервис, который выдаст условные «87 баллов ATS». Я бы не делала ни одного из трёх.

Универсального балла ATS не существует. Работодатель может пользоваться совершенно другой платформой, собственными фильтрами и уникальной конфигурацией. Оценка стороннего сервиса показывает соответствие правилам самого сервиса, а не тот результат, который увидит конкретный рекрутер.

Я бы действовала намного скучнее, зато надёжнее.

• Назвала бы профессию привычным термином. Вместо абстрактного «специалист» лучше написать «аналитик данных», «системный администратор», «инженер информационной безопасности» или другое точное название роли.
• Адаптировала бы резюме под вакансию. Если мой реальный опыт соответствует требованию, я использую ту же общепринятую терминологию. Работала с Kubernetes, укажу Kubernetes. Администрировала PostgreSQL, напишу PostgreSQL.
• Раскрыла бы неоднозначные сокращения. Если термин встречается в полной и сокращённой форме, один раз можно указать обе, например «информационная безопасность (ИБ)».
• Не прятала бы навыки в картинках. Названия технологий, сертификатов и должностей должны присутствовать обычным текстом.
• Сделала бы структуру линейной. Имя, целевая должность, контакты, краткая специализация, навыки, опыт, образование и сертификаты. Дизайн допустим, пока не мешает чтению.
• Проверила бы даты. Автоматический разбор пытается связать должность, компанию и период работы. Чем яснее связь, тем меньше риска получить странную карточку кандидата.
• Показывала бы технологии в контексте. Одного списка инструментов мало. Лучше написать, где я применяла технологию и какую задачу решила.
• Перепроверяла бы автоматически заполненную анкету. Если площадка сама разобрала опыт и образование, ошибки лучше исправить до отправки.
• Внимательно читала бы обязательные вопросы. График, переезд, разрешение на работу, лицензии и другие условия часто влияют на автоматический отсев сильнее, чем оформление самого резюме.

Плохое описание даёт машине мало полезных сигналов и почти ничего не говорит человеку.

Опытный IT-специалист. 
 Ответственная и коммуникабельная. 
 Работала с современными технологиями. 
 Быстро обучаюсь.

Конкретная версия одновременно лучше читается человеком и проще превращается в структурированные данные.

Системный инженер, 7 лет опыта. 
 
 Linux, VMware, Hyper-V, Active Directory, PowerShell. 
 
 Администрировала инфраструктуру на 600 рабочих мест. 
 Автоматизировала типовые операции PowerShell-скриптами. 
 Перенесла 80 виртуальных машин на новую платформу
 без остановки критичных сервисов.

Такому резюме не приходится «обманывать алгоритм». Названия технологий появляются естественно, потому что за каждым термином стоит реальная работа.

Отдельно я бы пересмотрела отношение к перерывам в карьере. Прятать даты или придумывать фиктивную занятость не стоит. Если длинная пауза может вызвать вопрос, короткое понятное объяснение иногда полезнее загадочной пустоты. «Уход за родственником», «переезд», «обучение» или «собственный проект» дают человеку контекст. Жёстко настроенный фильтр может оказаться менее разумным, но вы хотя бы не создаёте дополнительную проблему на следующем этапе.

Не стала бы превращать резюме и в словарь из вакансии. Современные системы всё чаще умеют находить связанные навыки и учитывать контекст, а после машинного отбора документ всё равно читает человек. Если в вакансии десять раз встречается «управление проектами», десять копий этой фразы не превратят меня в руководителя проектов.

Что я бы делала, если откликов много, а собеседований нет

Десятки отправленных заявок без единого первого интервью уже дают полезный диагностический сигнал. Но я бы не начинала с вывода «меня заблокировала нейросеть». Причина может находиться в документе, профиле на площадке, зарплатных ожиданиях, уровне конкуренции или самом выборе вакансий.

Для начала я бы взяла десять вакансий, на которые действительно подхожу, и выписала повторяющиеся требования. Затем открыла бы своё резюме и буквально нашла подтверждение каждого требования. Не просто слово, а опыт. Если работодатели постоянно ищут PostgreSQL, а я четыре года администрировала PostgreSQL и нигде об этом не написала, никакой загадки в отсутствии откликов уже нет.

Потом я бы проверила техническую сторону. Копируется ли текст из PDF, сохраняется ли порядок, находятся ли контакты, должности и даты, правильно ли площадка разобрала опыт. Декоративные элементы, которые мешают машинному чтению, я бы убрала без сожаления.

Следующий шаг состоит в разделении резюме по ролям. Если я одновременно откликаюсь на позиции «системный администратор», «DevOps-инженер», «специалист ИБ» и «руководитель инфраструктуры», единое резюме почти неизбежно получается размытым. Базовый документ можно оставить один, но верхнюю часть, набор навыков и акценты опыта разумно менять под конкретный тип вакансии.

И я бы не полагалась только на кнопку «Откликнуться». Прямое сообщение рекрутеру, рекомендация сотрудника, профессиональное сообщество, конференция или контакт с руководителем не отменяют официальный отклик, но уменьшают зависимость от машинной сортировки. История DeepMind особенно показательна именно поэтому. Один из самых технологически продвинутых работодателей мира фактически организовал дополнительный человеческий маршрут вокруг стандартной воронки найма.

Для российских кандидатов существует ещё один инструмент. Если работодатель именно отказал в заключении трудового договора, а не просто оставил отклик без ответа, статья 64 ТК РФ позволяет письменно потребовать причину отказа. Работодатель должен предоставить письменный ответ не позднее семи рабочих дней после получения требования. Я бы использовала такой механизм прежде всего там, где есть основания подозревать необоснованный или дискриминационный отказ, а не после каждого массового отклика.

В итоге я бы вообще отказалась от идеи писать резюме «для робота». Мне нужен документ, данные из которого машина сможет правильно извлечь, поиск сможет найти, фильтры не исказят, а рекрутер быстро поймёт. Простая структура, точные профессиональные термины, конкретный опыт и адаптация под вакансию работают убедительнее любых мифических ATS-хаков.

Если резюме объективно соответствует рынку, технически нормально разбирается и после десятков действительно подходящих откликов всё равно не приводит даже к первому разговору, я бы перестала переставлять шрифты и покупать очередную «проверку ATS». Гораздо полезнее заново проверить позиционирование, зарплатные ожидания, уровень вакансий и сами каналы поиска работы.