AI-рекрутеры: Mercor и битва за отбор кандидатов

Mercor — стартап, который заменил первичное собеседование алгоритмом: кандидат записывает видеоответы или проходит структурированный созвон с ИИ, модель оценивает ответы и решает, кого показывать заказчику. Основатели компании, по их собственным заявлениям, строят инфраструктуру для найма экспертов, которые размечают и оценивают данные для ведущих ИИ-лабораторий. Оценки Mercor в раундах финансирования 2024–2025 годов измерялись сотнями миллионов долларов и, по данным нескольких изданий, приближались к миллиардной планке — точную цифру и дату раунда стоит сверять по свежим публикациям, потому что она менялась несколько раз за год.

Идея не нова, но именно сейчас она перестала быть маркетинговым слоганом. ИИ-лаборатории нуждаются в тысячах юристов, врачей, программистов и лингвистов, которые генерируют и проверяют обучающие данные. Найти, проверить и оплатить их вручную — дорого и медленно. Отсюда спрос на посредника, который делает это конвейером.

Что именно делает AI-рекрутер

Классический рекрутинговый процесс — это воронка: отклики, скрининг резюме, телефонное интервью, техническое задание, финал. AI-рекрутеры автоматизируют верхнюю и среднюю часть этой воронки, где человек тратит больше всего времени на однотипные действия.

• Парсинг и ранжирование резюме. Модель извлекает навыки, опыт и проекты, сопоставляет с требованиями вакансии и выдаёт оценку соответствия.
• Асинхронное видеоинтервью. Кандидат отвечает на вопросы под запись, ИИ анализирует содержание ответов — в идеале смысл, а не мимику.
• Живой разговор с голосовым агентом. Диалоговая модель ведёт структурированное интервью в реальном времени и задаёт уточняющие вопросы.
• Тестовые задания с автопроверкой. Для программистов и аналитиков — код и данные, которые оцениваются автоматически.

Mercor делает акцент на подборе не сотрудников в штат, а исполнителей-контракторов под конкретные задачи заказчика. Это ближе к бирже труда с алгоритмическим отбором, чем к классическому HR-отделу.

Почему именно данные, а не обычный найм

Обучение и дообучение больших языковых моделей упёрлось в качество данных. Модели уже прочитали почти весь доступный публичный текст, и дальнейший прирост даёт экспертная разметка: специалист пишет эталонный ответ, оценивает варианты модели, ловит ошибки в узкой области. Это работа на стыке предметной экспертизы и внимательности, и её нельзя закрыть случайными фрилансерами. Отсюда потребность в жёстком отборе — и в компании, которая этот отбор индустриализирует.

Кто на этом рынке кроме Mercor

Рынок автоматизации найма распадается на несколько слоёв, и Mercor конкурирует не со всеми сразу, а с игроками своего сегмента.

Границы между ними размыты. Одни начинали как платформы разметки данных и пришли к отбору людей, другие — как рекрутинговые сервисы и добавили ИИ поверх. Конкретные функции и цены у каждого меняются, поэтому таблицу стоит воспринимать как карту сегментов, а не как прайс-лист.

Автоматизировать можно скрининг тысячи резюме за минуту. Нельзя автоматизировать ответственность за то, что алгоритм отсеял сильного кандидата по признаку, о котором никто не догадывался.

Цена вопроса и где риски

Для заказчика выгода измеримая: воронка, которую команда рекрутеров обрабатывала неделями, схлопывается в дни. Для кандидата всё сложнее. Разговор с алгоритмом непрозрачен: непонятно, что именно оценивается и можно ли оспорить отказ.

Дискриминация и «чёрный ящик»

Модель учится на исторических данных о найме. Если в этих данных зашита предвзятость — по полу, возрасту, акценту, формулировкам — алгоритм её воспроизведёт и масштабирует. Резонансный пример прошлых лет: внутренний инструмент отбора Amazon, который, по сообщениям СМИ, занижал резюме женщин и был свёрнут. Компания не выводила его в продакшн, но кейс стал хрестоматийным аргументом против слепого доверия к моделям в найме.

В ряде юрисдикций это уже регулируется. В Нью-Йорке действует так называемый закон о Local Law 144¹, который требует аудита автоматизированных инструментов найма на предвзятость и уведомления кандидатов. Требования и их применение отличаются от штата к штату и от страны к стране, поэтому конкретику по вашему региону нужно проверять отдельно.

Что это значит для кандидата

1. Уточните заранее, будет ли собеседование вести человек или ИИ, и оценивается ли видео целиком или только текст ответов.
2. Отвечайте структурно и по существу — модели лучше распознают конкретику (цифры, названия технологий, результаты), чем общие слова.
3. Если получили отказ от автоматизированной системы, спросите о возможности пересмотра человеком — в некоторых юрисдикциях это ваше право.
4. Не пытайтесь «обмануть» алгоритм ключевыми словами: современные модели оценивают связность ответа, а не плотность терминов.

Куда движется рынок

Ближайший тренд — переход от асинхронных записей к живым голосовым агентам, которые ведут диалог и адаптируют вопросы. Это снимает часть проблем формата «отвечаешь в пустоту», но обостряет вопрос прозрачности: чем сложнее модель, тем труднее объяснить, почему она приняла решение.

Второй вектор — специализация. Универсальный AI-рекрутер проигрывает нишевому, который заточен под конкретную область: отбор аннотаторов для медицинских данных требует другой логики, чем отбор бэкенд-инженеров. Mercor и его конкуренты, похоже, делят рынок именно по нишам, а не по географии.

¹ Automated Employment Decision Tool — автоматизированный инструмент принятия решений о найме. Термин из нью-йоркского регулирования, обозначающий любую систему, которая существенно влияет на решение нанять или отсеять кандидата.