Mercor и агентный рекрутинг: почему рынок спорит о найме через ИИ

Что такое Mercor и почему о ней говорят

Mercor — стартап, который строит платформу для подбора специалистов с опорой на ИИ: анализ резюме, оценку навыков и первичные собеседования частично берут на себя алгоритмы, а не рекрутеры. Компания получила известность на волне спроса на разметчиков данных и экспертов, которые обучают и тестируют большие языковые модели. Идея простая на словах и сложная на практике: если модель может читать код и рассуждать, пусть она же помогает оценивать людей, которые этот код пишут.

Точные суммы раундов и текущую оценку компании стоит сверять по свежим сообщениям деловых изданий — цифры в венчурных сделках меняются от раунда к раунду, и подставлять устаревшую здесь было бы вредно. Важнее другое: Mercor стала удобным поводом для отраслевого спора о том, где заканчивается автоматизация найма и начинается зона, в которую алгоритм лучше не пускать.

Что именно автоматизируется

Под «агентным рекрутингом» обычно понимают не один продукт, а связку задач, часть которых отдают ИИ-агенту¹. Разложим по шагам, чтобы было видно, где машина, а где человек:

1. Сбор и структурирование кандидатов — парсинг резюме, портфолио, публичных профилей в единый формат.
2. Скоринг под конкретную роль — модель сопоставляет требования вакансии с опытом кандидата и выдаёт оценку соответствия.
3. Первичное интервью — диалоговый агент задаёт вопросы, в том числе технические, и фиксирует ответы.
4. Проверка навыков — автоматические задания, разбор кода, кейсы с оценкой по заранее заданным критериям.
5. Матчинг с проектом — подбор человека под конкретную задачу заказчика, а не «в штат вообще».

Последний пункт — ключевой для бизнес-модели площадок вроде Mercor. Они работают не столько как классическое HR-агентство, сколько как биржа задач, где ИИ помогает быстро свести спрос компаний на узкую экспертизу с людьми, готовыми выполнить конкретную работу.

Автоматизировать можно скоринг и первый контакт. Решение о том, брать человека или нет, всё ещё дешевле доверить человеку — цена ошибки при неудачном найме измеряется не минутами агента, а месяцами работы команды.

Чем отличается от привычных инструментов

ИИ в подборе персонала — не новость. Системы отслеживания кандидатов и автоскрининг резюме существуют давно. Разница агентного подхода в том, что агент не просто фильтрует по ключевым словам, а ведёт многошаговый диалог и сам решает, какой следующий вопрос задать. Ниже — грубая карта категорий, без привязки к конкретным ценам, потому что тарифы у всех перечисленных меняются часто и зависят от объёма.

Сравнение по возможностям, а не по бенчмаркам: публичных стандартизированных тестов «качества найма» для таких платформ, на которые можно сослаться, я привести не могу, поэтому и не привожу оценок вида «точнее на столько-то процентов».

Спорные места, о которых спорит рынок

Смещение алгоритма

Модель учится на данных о прошлых наймах. Если исторически на роль брали людей одного профиля, агент рискует воспроизводить этот перекос, отсеивая нестандартных кандидатов. Это не гипотеза про будущее, а известная проблема автоматизированного скрининга в целом.

Игра против оценщика

Как только кандидаты понимают, что интервью ведёт ИИ, часть из них начинает оптимизировать ответы под предполагаемые критерии, а не отвечать по существу. Появляется и обратная сторона — кандидаты используют свои ИИ-инструменты, чтобы проходить ИИ-собеседования, и оценка превращается в соревнование двух моделей.

Прозрачность для кандидата

В ряде юрисдикций автоматизированную оценку соискателя нужно раскрывать и давать право на пересмотр человеком. Конкретные требования зависят от страны и региона, и их стоит проверять отдельно — здесь агентный рекрутинг упирается уже в правовое поле, а не в технологию.

Кому это пригодится и кому нет

Инструмент не универсальный. Сценарии, где он оправдан:

• Массовый поток на однотипные роли — когда откликов сотни, а требования формализуемы: конкретный стек, конкретная задача.
• Разовые проектные задачи — нужен человек на короткую работу с проверяемым результатом, а не сотрудник в штат.
• Проверка узких технических навыков — там, где ответ можно объективно оценить: разбор кода, решение задачи с известным критерием.

Где агент скорее навредит:

• Ключевые и редкие роли — лид, архитектор, первый сотрудник в направлении: здесь важен контекст и переговоры, которые агент не ведёт.
• Оценка мягких навыков и совместимости с командой — то, что плохо формализуется и легко имитируется в диалоге с моделью.
• Небольшой поток кандидатов — если откликов десяток, живой рекрутер справится не медленнее и без риска отсеять нужного человека формальным критерием.

Разумная позиция сейчас — не «ИИ заменит рекрутеров» и не «это игрушка». Агентные платформы снимают рутину первого этапа и матчинга, но решение о найме и работа с неоднозначными кандидатами остаются за человеком. Ценность Mercor и похожих сервисов проверяется не громкостью раундов, а тем, снижают ли они реальную стоимость ошибки найма — а это станет видно на горизонте нескольких лет, а не пресс-релизов.

¹ Агент — программа на основе языковой модели, которая не просто отвечает на один запрос, а выполняет многошаговую задачу: сама решает, какое действие сделать следующим (задать вопрос, проверить ответ, обратиться к внешнему инструменту) для достижения цели.