1. Введение

Методы отбора персонала, которые используются в практике современных предприятий, сталкиваются с необходимостью реализации ряда сложных задач. Существует потребность в повышении валидности, то есть точности инструментов прогнозирования будущей эффективности сотрудников. С другой стороны, стоит вопрос справедливости, под которым подразумевается отсутствие дискриминации соискателей по различным признакам, которые не имеют отношение к профессиональным качествам [2]. К таким признакам относятся пол, возраст, семейное положение, этническая принадлежность.

В российских научных исследованиях вопросы валидности и предвзятости при отборе персонала рассматриваются отдельно. Валидность анализируется в рамках психологии, справедливость исследуется в контексте правовых наук и социологии труда. Однако на практике данные понятия взаимосвязаны и игнорирование одного ведёт к ухудшению другого. Например, использование когнитивных тестов без учёта социальных и экономических условий может ввести к повышению валидности, однако справедливость оценки снижается. При этом полный отказ от объективных критериев в пользу индивидуального подхода приводит к тому, что все кандидаты зависят от субъективного мнения специалиста, который их оценивает, что негативно влияет на валидность и справедливость отбора персонала.

Особую актуальность данная проблема имеет в условиях цифровой трансформации рекрутинга, когда в процессы отбора персонала активно внедряются современные технологии. По данным на 2024 год, 68% крупных российских компаний внедрили ИИ-инструменты (чат-боты, скрининг резюме, видео-аналитики) [17]. Однако, как отмечают исследователи, автоматизация не равно объективность [5, С. 17]: технологии могут усиливать существующие предубеждения, формализуя их в коде. Одновременно сохраняется высокая доля влияния «человеческого фактора», выраженная в форме неструктурированных решений, основанных на интуиции, личных симпатиях или когнитивных искажениях. В российской практике данный «феномен» обосновывается культурными особенностями. Однако метаанализы показывают, что такие практики имеют наименьшую прогностическую ценность (r = 0,20-0,38) и наивысшую уязвимость к предвзятости [6].

Одним из ключевых вопросов, который сегодня стоит в научном сообществе является вопрос определения роли человека в процессе отбора персонала в условиях активного внедрения алгоритмов. Для России данная проблема является особенно актуальной, поскольку в стране отмечаются следующие тенденции:

- прослеживается структурный дефицит кадров — 74% компаний испытывает нехватку специалистов [4];

- отмечается активное технологическое импортозамещение в сфере управления персоналом, создаются возможности для построения более этичных систем отбора сотрудников;

- прослеживается нормативный сдвиг в системе регулирования отбора персонала — использование искусственного интеллекта в HR должно соответствовать требованиям регулирования персональных данных (Федеральный закон «О персональных данных» от 27.07.2006 N 152-ФЗ).

Данное исследование направлено на анализ персонала линейного и среднего уровня, занятого в операционных и сервисных функциях — это продавцы, администраторы, кассиры в сфере ритейла и финансовых услуг. Выбор сегмента для исследования обусловлен влиянием следующих факторов: во-первых, именно в данных категориях персонала отмечается наибольшая текучесть кадров и, соответственно, интенсивность найма; во-вторых, компетенции для данных должностей легче поддаются формализации и оценке, что важно при применении алгоритмического отбора. По оценкам аналитических платформ и HR-агентств, в 2025 году текучесть кадров в продовольственном и непродовольственном ритейле достигла 55–70% в год, а в некоторых форматах, таких как магазины у дома — около 80% [18].

В научных исследованиях сегодня отсутствует единый подход к пониманию валидности и справедливости в подборе персонала. В общей совокупности выделено три ключевые дискуссионные линии, характеристика которых представлена в таблице 1.

Оценка дискуссионных линий позволяет выявить парадокс, который сложился в современный теории и практике отбора персонала. С одной стороны, данные свидетельствуют о превосходстве формализованных методов над человеческими суждениями, с другой стороны в научных трудах отмечается критика алгоритмических систем отбора персонала, сделан акцент на предвзятости оценки при использовании данных систем ввиду математической неизбежности. Главное противоречие заключается в том, что алгоритмы, которые претендуют на высокую степень объективности, становятся непрозрачными, то есть рекрутер может объяснить свое решение относительно приема соискателя на работу, а алгоритм, который построен на сложных нейросетевых архитектурах, не позволяет это сделать. Кроме того, существует проблема контекстуальной слепоты — алгоритмы работают с корреляциями и не понимают причинно-следственных связей, что повышает риски предвзятости при использовании искусственного интеллекта. Анализ дискуссионных линий позволяет сделать вывод, что для российской практики универсальные западные модели являются нерелевантными, поскольку для российского рынка ключевыми маркерами неравенства выступают не гендерные и расовые различия, а возраст, семейное положение и территориальная принадлежность.

Распостраненные в практике западных компаний модели отбора персонала предполагают:

- автоматизированный первичный отбор (для сбора и обработки резюме);

- автоматизиррванный анализ резюме, формирование шорт-листа кандидатов до участия рекрутера, формирование рекомендации, оставляя окончательный выбор за руководителем;

- бесконтактный найм — процесс подбора персонала, в котором кандидат самостоятельно в специально разработанном онлайн-курсе (приложении) отвечает на вопросы, изучает информацию о компании, условия работы.

Данные модели основаны на использовании автоматизации для отдельных операций в рамках отбора персонала, не определяя роль человека в процессе. В этой связи существует потребность в формировании модели, учитывающей в процессе распределения функций автоматизированные операции и операции контролируемые человеком.

Таким образом, ключевой задачей современного кадрового менеджмента является не поиск идеального объективного алгоритма, а формирование комплексных процедур отбора персонала, в которых технологии позволяют усилить качества человека и обеспечить баланс между объективностью и влиянием человеческого фактора.

Объектом исследования является процесс отбора специалистов начального уровня и среднего звена в современных организациях. Предметом исследования выступает противоречие между объективностью инструментов на базе искусственного интеллекта, используемых для отбора персонала и предвзятостью (субъективностью), которая связана с влиянием человеческого фактора.

Границы исследования определены следующими уровнями:

- для исследования выбраны отрасли с высокой долей цифровизации, а именно ритейл, финансы. В этих секторах активно внедряются инструменты искусственного интеллекта.

- В рамках исследования не рассматриваются узкоспециализированные отрасли;

- Фокус в исследовании сделан на специалистах начального уровня и среднего звена, то есть операторах, специалистах, руководителях проектов, в исследовании не учитываются топ-менеджеры, поскольку данная категория сотрудников требует других методов оценки;

- Валидность оценена посредством корреляции с объективными метриками, а именно удержание персонала, эффективность работы сотрудников, производительность труда. Субъективные метрики не используются.

Выводы исследования применимы к найму сотрудников в секторах экономики, имеющих высокий уровень цифровизации с преобладанием «низовых профессий».

Целью статьи является разработка модели, которая основана на балансе валидности и справедливости и адаптирована к специфике российских предприятий.

Задачами исследования являются систематизация эмпирических данных о валидности и предвзятости методов подбора персонала, выявление барьеров для использования этих методов в России и разработка рекомендаций для различных уровней.

Научная новизна исследования заключается в:

- интеграции метааналитических данных с исследованиями российского рынка труда — сделана попытка систематизировать западные аналитические данные в области валидности методов отбора персонала и актуализировать их для специфики российского рынка;

- выявлении российской специфики справедливости отбора персонала — в отличие от доминирующего в западных исследованиях фокуса на расовых и гендерных аспектах дискриминации, в России используются иные маркеры неравенства, что имеет важное значение для проектирования системы отбора персонала;

- обоснование целесообразности внедрения сбалансированной модели этического найма с учётом культурных особенностей в условиях цифровизации — в рамках разработки модели сделан вывод о важности не только технологической модернизации отбора персонала, но и учёта социального контекста. Существует необходимость в разделении труда между алгоритмами и человеком в целях обеспечения масштабируемости, объективности процесса отбора персонала, а также соблюдения этических норм и социального контекста.

2. Методы и принципы исследования

В работе применён метод систематического обзора с локальной адаптацией, включающий три этапа:

Глобальный метааналитический срез (1998–2025 гг.) включает:

- анализ фундаментальных работ (Schmidt & Hunter [6], Sackett et al. [7]);

- обзор исследований алгоритмической предвзятости (Raghavan et al. [8], Cowgill [9]).

Российский эмпирический блок (2020-2025 гг.) включает:

- данные HeadHunter «Индекс HR-технологий» (N = 1 200 компаний) [15];

- опрос SuperJob (N = 2 100 компаний) [13];

- экспертные интервью с 7 HR-директорами (IT, ритейл, финансы).

Тематическое кодирование сделано с акцентом на три категории:

- валидность методов;

- источники предвзятости;

- барьеры внедрения добросовестных методов в РФ.

Критерии отбора источников: репрезентативность выборки (≥1 000 наблюдений), открытость методологии.

3. Основные результаты

Наиболее валидными методами подбора персонала являются когнитивные тесты (r = 0,56) и структурированные интервью (r = 0,51) - метаанализ Schmidt и Hunter [6]. Однако когнитивные тесты могут приводить к дискриминации по этническому признаку в случае, если они не адаптированы к социально-экономическому контексту (d = 0.5–0.8 в США) [10]. Структурированные интервью позволяют снизить негативное влияние данного эффекта в случае развития систем обучения интервьюеров [11]. Скрининг с помощью искусственного интеллекта при проведении первичного отбора показывает среднюю валидность r = 0.40 (Tambe et al. [12]), однако в 64% случаях отмечается значительная дискриминация по гендерному признаку. Данные результаты свидетельствуют о важности контекстуального подхода к подбору персонала и необходимости учета риска предвзятости.

По данным таблицы видно, что отмечается ключевое противоречие современного этапа развития кадровых технологий, которое заключается в том, что методы, обладающие наибольшей валидностью требуют высокого уровня стандартизации со стороны человека, что ограничивает масштабируемость. В то же время скрининг посредством искусственного интеллекта является наиболее технологичным и масштабируемым, но демонстрирует низкую валидность. Это означает, что алгоритмы, которые обучаются на данных о результатах приема персонала, причин отказа и др. могут усиливать дискриминацию при отборе персонала, что впоследствии является причиной кадровых ошибок. При этом низкий риск предвзятости достигается не технологическими средствами, а обучением специалистов, что подчёркивает важность человека в процессе отбора персонала.

В этой связи при отборе персонала необходим компромисс между диагностической точностью, этикой и эффективностью. Для понимания того как эти противоречия пересекаются в практике реальных предприятий необходимо проанализировать ключевые индикаторы кадровых практик в России.

Изучение данных индикаторов позволяет выявить системные риски для баланса этичности и объективности в отборе персонала (табл. 3).

Представленные данные позволяют выявить две корреляции, подтверждённые экспертными интервью:

- «Технологический парадокс»: чем выше доля ИИ-инструментов в компании, тем ниже вероятность проведения аудита на предмет справедливости (ρ = –0,63, p < 0,01 по данным SuperJob [13]). Это свидетельствует, что ИИ внедряется как инструмент ускорения, а не улучшения качества решений;

- «Культура субъективности»: компании, где доля рекомендаций >40%, в 4,2 раза реже используют структурированные интервью и в 7,8 раз реже проводят валидизацию методов. Это указывает на устойчивую HR-культуру, где «доверие» заменяет процедуры.

Наиболее уязвимыми оказываются средние компании (с численностью сотрудников от 500 до 5 000 чел.). Данные компании активно внедряют искусственный интеллект (62%), но почти не инвестируют в обучение HR (5%) и аудит (4%). Однако именно в этом сегменте отмечается наибольший риск юридических и репутационных издержек.

Среди наиболее критичных проблем в отборе персонала:

- доминирование субъективных процедур при формальном внедрении технологий. Несмотря на рост использования ИИ, компании продолжают применять неструктурированные интервью как основной инструмент оценки. Как отмечают респонденты SuperJob (2024): «Структурированное интервью — шаблонно. У нас в компании ценится живое общение» [13, С. 34]. Однако метаанализ Schmidt F. L. и Hunter J. E. показывает, что неструктурированное интервью обладает низкой прогностической валидностью (r = 0,38) и крайне высокой уязвимостью к когнитивным искажениям [6]. В условиях, когда только 8% HR-специалистов прошли обучение, «живое общение» фактически означает неконтролируемую субъективность;

- технологический импорт без адаптации. Российские ИИ-решения тестируются на дата-сетах, не репрезентативных для локального контекста. В исследовании ВШЭ (2023) выявлено, что алгоритмы, которые обучены на англоязычных резюме, присваивают кандидатам низкий балл, интерпретируя их как «нестабильных», в то же время для российской реальности такой перерыв часто связан с уходом за ребёнком или родителями (социально-одобряемыми практиками). При этом лишь 12% компаний проводят аудит на предмет справедливости, и практически никто не рассчитывает неравенство по возрасту 35+ или полу в разрезе семейного статуса;

- институционализация неформальных практик. Канал «личные рекомендации» используется в 41 % случаев массового найма, что ведет к склонности отдавать предпочтение людям, похожим на себя. В компаниях с высокой долей рекомендательного найма уровень гендерного дисбаланса в руководящих позициях на 27% выше, чем в компаниях с открытым конкурсом. При этом 61% HR-менеджеров считают, что «рекомендация от проверенного сотрудника надёжнее любого теста» [13], игнорируя данные о низкой прогностической валидности контрольной проверки (r= 0,26) [6].

Эти особенности формируют системный дисбаланс: технологии имитируют объективность, а реальные практики сохраняют субъективность, что снижает и валидность, и справедливость одновременно.

Сведение дискуссии об использовании искусственного интеллекта при отборе персонала только к техническим вопросам не позволяет увидеть основное препятствие на пути цифровизации кадровых процессов. Эмпирические исследования показали, что сегодня основным препятствием к трансформации процесса подбора персонала является не несовершенство алгоритмов, а низкий уровень доверия специалистов к технологиям. Управленческий персонал опасается, что в результате ошибок алгоритмов могут быть неправильно приняты кадровые решения. Наличие данного риска связано с тем, что алгоритмы имеют низкий уровень прозрачности, это ведёт к сопротивлению со стороны сотрудников в применении данного инструмента.

Особого внимания заслуживает проблема непрозрачности алгоритмов для конечного пользователя. Цифровые платформы, системы используют сложные модели ранжирования кандидатов, логика построения модели остается скрытой, в результате решение об отклонении, либо принятии кандидата на низовые позиции не подлежит объяснению, что вступает в противоречие с принципами справедливости найма. Данная непрозрачность создает правовую неопределённость. Особенно остро эта проблема стоит в российских условиях, где основными маркерами дискриминации при приеме на работу являются семейное положение, возраст, регион проживания, то есть эти маркеры напрямую не связаны с профессиональными качествами, но могут быть учтены алгоритмами как важные.

В этой связи особое значение приобретает поиск баланса между аналитическими возможностями искусственного интеллекта и справедливостью приема сотрудников на работу. Речь идёт о формировании сбалансированной модели, которая возьмёт на себя задачи первичной фильтрации кандидатов, однако окончательное решение о приеме на работу будет приниматься человеком на основе оценки дополнительных данных.

4. Обсуждение

На основании вышеизложенных рассуждений предложена сбалансированная модель этического найма, где алгоритмы отвечают за:

- первичный скрининг соискателя по профессиональным компетенциям;

- стандартизацию критериев для отбора персонала;

- мониторинг соискателей и критериев их неравенства в режиме реального времени;

- этический выбор сотрудников при равных баллах.

Человек в соответствии с данной моделью отвечает за:

- интерпретацию контекста (например, карьерный перерыв);

- обратную связь для улучшения алгоритмов.

- реализует контрольные функции за работой искусственного интеллекта.

Сущность предлагаемой модели: сбалансированная модель отбора персонала объединяет технологии, человеческую эмпатию и культурную адаптивность. Технологии — это автоматизация и аналитика. Системы на основе технологий проводят анализ резюме, прогнозируют успешность кандидата. Человек в этой модели выполняет следующие функции: оценка ценностей и стиля общения, проверка ИИ на предмет скрытой предвзятости, живое общение на финальном этапе. В рамках модели целесообразно учесть «культурные» настройки, а именно адаптировать алгоритмы под конкретный регион, специфику бизнеса.

Ключевым недостатком большинства современных исследований, которые посвящены автоматизации отбора персонала, является концентрация на операционных показателях, к которым относятся время закрытия вакансий, количество откликов. При этом конечные бизнес-результаты такого отбора учитываются слабо. Ценность предлагаемой сбалансированной модели заключается в том, что с её помощью можно проанализировать метрики, которые непосредственно связаны с эффективностью деятельности предприятий.

Как показывают данные headhunter, внедрение алгоритмических моделей позволяет увеличить количество приглашений на работу на 47% [16], однако это не гарантирует рост производительности труда и текучести кадров. В этой связи сбалансированную модель целесообразно рассматривать через следующие группы показателей: точность отбора, стабильность кадров и результативность.

Представим в таблице 4 сравнительную эффективность традиционного и алгоритмического отбора линейного персонала.

Представленные в таблице данные основаны на обобщенных результатах, которые получены на основе репрезентативной выборки. Оценка показывает, что предложенная сбалансированная модель этического найма является более эффективной по сравнению с традиционным отбором персонала, который сегодня реализован в компаниях.

Полученные выводы в ходе исследования согласуются с выводами Sackett et al. [7], а именно справедливость не снижает, а усиливает валидность за счёт расширения резерва кандидатов. Как показывает российский контекст, универсальные западные решения неприменимы без адаптации на российском рынке труда, так как требуют учета отдельных метрик и сложившейся HR-культуры, в рамках которой «живое общение» противопоставляется стандартизации.

5. Заключение

На основе проведённого исследования сформулированы выводы, соответствующие трём уровням социальной реальности: микро- (организация), мезо- (отрасль, профессиональное сообщество), макро- (государство).

Для повышения качества найма на микроуровне критически важны три практики:

1. Внедрение минимального стандарта объективности:

- обязательное использование структурированного интервью;

- обучение интервьюеров;

- фиксация причин отклонения от рекомендаций ИИ в форме «этического аудита».

2. Адаптация ИИ к российскому контексту. При адаптации необходимо проводить тестирование и настраивать алгоритмы. В рамках этого необходимо соблюдать следующие условия:

- тестирование на выборке ≥500 кандидатов с балансом по полу, возрасту (25–35, 36–45, 46+), региону (Москва/регионы);

- включение в алгоритм «контекстного модуля» для интерпретации карьерных перерывов (например, метка «декрет 2020–2022» не снижает балл).

3. Мониторинг эффективности: ежегодный расчёт корреляции между показателями производительности труда через 3, 6 и 12 месяцев.

Прогнозируемый эффект от реализации предложенных мероприятий на микроуровне состоит в повышении валидности на 25–40%, сокращении времени найма на 20–35%

Для реализации сбалансированной модели этического найма и ее успешного внедрения необходимо преобразования, затрагивающие отбор персонала, на мезо и макроуровне.

Для повышения качества найма на мезоуровне необходимо:

- разработать и утвердить «Кодекс этичного найма» с добровольными обязательствами по справедливому отбору. Данный кодекс должны разрабатывать организации при внедрении сбалансированной модели найма. Разработка является зоной ответственности сотрудников кадровых служб;

- ввести рейтинг «Ответственный работодатель» с публикацией ежегодных отчётов Критерии рейтинга: качество работы с персоналом (уровень оплаты труда, социальный пакет, обучение), этичность и социальная ответственность (открытость отчетности, доля женщин на руководящих позициях). Ведение рейтинга и его составление необходимо передать государству (Минтруд), а независимую оценку специализированным организациям.

- внедрить обучение по обязательным модулям в программах повышения квалификации. Для рекрутеров обязательные модули: по этике использования искусственного интеллекта при отборе, по методам выявления предвзятости алгоритмов, коммуникационным навыкам. Проведение обучения обеспечит системную подготовку кадров, способных реализовывать сбалансированную модель этического найма

Для повышения качества найма на макроуровне необходимо:

- разработать и утвердить «Российский стандарт справедливости в HR-ИИ», который включает требования к репрезентативности обучающих выборок, обязательный аудит при использовании ИИ в компаниях с численностью сотрудников более 1 000 чел., запрет на использование proxy-маркеров (почтовый индекс, имя, вуз) без обоснования валидности. Это позволит улучшать качество работы алгоритмов, используемых для отбора персонала и сформирует информационную основу для принятия решения человеком.

4. Научная и практическая значимость

Предложенная сбалансированная модель этического найма, сочетающая в себе технологии и работу человека, отвечает на запрос российских HR-специалистов на «человечность отбора» и переводит его в контролируемую плоскость. В условиях дефицита кадров и технологического импортозамещения в России внедрение комплексного подхода позволяет получить конкурентное преимущество, которое выражено возможностью построения справедливой и эффективной системы отбора. Внедрение рекомендаций позволит не только снизить риски дискриминации соискателей, но и повысит вовлечённость, удержание персонала и потенциал развития организаций.

The additional file for this article can be found as follows: