LLM
LLM (Large Language Model) — генеративная нейросеть, которая понимает смысл текста и встраивается в ATS для умного поиска резюме, скрининга и писем кандидатам.
LLM (Large Language Model, большая языковая модель) — это генеративная нейросеть, которая понимает смысл текста, а не просто ищет совпадения по ключевым словам. В рекрутинге LLM встраивают в ATS, чтобы система быстрее находила подходящих кандидатов, писала персональные письма и помогала на этапе скрининга резюме.
Раньше алгоритмы работали как поиск по стоп-словам: если в вакансии написано «управление командой», а в резюме — «руководил проектом», система эти формулировки не связывала. LLM устраняет разрыв, потому что понимает синонимы и контекст. Из-за этого меньше подходящих кандидатов теряется на входе в воронку рекрутинга.
Семантический поиск вместо поиска по словам
Главное отличие LLM-поиска — работа со смыслом запроса. Рекрутер пишет разговорным языком, например «человек, который умеет организовывать команду», а система сама переводит формулировку в критерии. Она найдёт резюме с фразами «руководил проектом» или «менторил джунов», даже если слова «организовывать» там нет.
Это меняет и подготовку описания вакансии: раньше рекрутер подбирал точные ключевые слова, теперь важнее описать реальные задачи и контекст роли. Для белорусской IT-компании это означает, что резюме с формулировкой «оптимизировал воронку продаж» найдётся по запросу «рост конверсии», хотя слово «конверсия» в тексте резюме может не встречаться вовсе.
| Этап | Без LLM | С LLM |
|---|---|---|
| Поиск | Точные слова | Смысл и синонимы |
| Письмо | Шаблон | Персонализация |
| Скрининг | Чек-лист | Уточняющие вопросы |
Что LLM даёт нанимателю
Для рекрутера LLM в ATS — это не отдельная программа, а слой поверх привычных инструментов. Он берёт на себя рутину, которая раньше занимала часы ручной работы.
- Умный поиск по резюме — система понимает смысл запроса, а не только ключевые слова.
- Первичное собеседование через чат-бота — динамические уточняющие вопросы вместо жёсткого сценария.
- Генерация писем — персонализированные офер и отказ на основе профиля кандидата.
- Аналитика соответствия — сравнение требований вакансии и навыков с объяснением, почему кандидат подходит или нет.
Например, для отдела продаж в компании из 200 человек LLM может за минуту отранжировать 300 откликов по релевантности и подсветить пять кандидатов с похожим опытом, которых рекрутер иначе нашёл бы за день ручного просмотра. Это условный пример расчёта, а не статистика конкретного инструмента.
Что LLM даёт кандидату
Для соискателя LLM в первую очередь работает как «умный парсер». Современные ATS с LLM не отбрасывают резюме из-за неудобного формата, а извлекают структурированные данные из PDF, Word, LinkedIn или даже скриншота.
Система также различает контекст: отличает академический опыт от коммерческого, понимает, что «преподавал курс» и «вёл проект» — разные типы ответственности. Некоторые ATS уже предлагают кандидату доработать сопроводительное письмо прямо в интерфейсе под конкретную вакансию — это снижает барьер для тех, кто плохо пишет тексты.
Agentic ATS — новое поколение систем
Главный тренд 2026 года — Agentic ATS, когда LLM работает не как функция поиска, а как полноценный агент-помощник. Рекрутер формулирует задачу целиком, а система выполняет цепочку шагов самостоятельно.
Пример команды: «Найди пять лучших кандидатов по этой вакансии, проверь, не работали ли они в компаниях-конкурентах, составь список вопросов на основе пробелов в опыте и отправь приглашение в среду в 15:00». Такой агент экономит время на рутине, но окончательное решение — созвон, оценка культурной совместимости, офер — всегда остаётся за человеком.
Здесь же встаёт вопрос алгоритмической предвзятости: агент действует по правилам, которые задал человек, и наследует ошибки исходных данных, если их не контролировать. Поэтому решения агента стоит регулярно сверять через HR-аналитику, а не полагаться на них вслепую.
LLM и смежные понятия
LLM часто путают с ATS целиком, хотя это разные вещи: ATS — система учёта кандидатов, а LLM — один из «движков», который может быть в неё встроен. Так же LLM не равен парсингу резюме — парсинг лишь извлекает поля из документа, а LLM ещё и понимает их смысл.
Для нанимателя разница практическая: перед покупкой ATS стоит спросить у вендора не «есть ли ИИ», а конкретно — какие задачи решает модель, на каких данных её проверяли и как устроена перепроверка человеком. Рекрутеру на полную замену рекрутера чат-ботом рассчитывать не стоит — модель ускоряет рутину, но не проводит финальное собеседование и не берёт на себя ответственность за решение о найме.
Подробнее о том, как ИИ уже применяют в белорусском рекрутинге, — в материале о том, как ИИ научился предсказывать увольнения, и о рисках дипфейков на видеозвонках — в статье про дипфейки на интервью.
Часто задаваемые вопросы
Что такое LLM простыми словами?
Это нейросеть, которая понимает человеческий язык и работает со смыслом, а не только с ключевыми словами. Примеры моделей: ChatGPT, DeepSeek, Gemini. В ATS она помогает искать кандидатов, писать письма и анализировать резюме.
LLM автоматически нанимает кандидатов вместо рекрутера?
Нет, LLM — это помощник, а не замена. Она ускоряет рутину: сортирует резюме, готовит черновики писем и первичные вопросы. Окончательное решение — созвон, оценка совместимости, офер — всегда остаётся за человеком.
Что значит «семантический поиск» в ATS на базе LLM?
Это поиск по смыслу запроса. Рекрутер пишет разговорным языком, например «опытный тимлид с бэкграундом в финтехе», а система сама переводит формулировку в критерии и находит релевантные профили, даже если в резюме нет слов «тимлид» или «финтех».
Правда ли, что LLM убирает «слепые зоны» при поиске?
Классический поиск по ключевым словам часто отсеивает хороших кандидатов, если они использовали нестандартные формулировки или синонимы. LLM видит эти смысловые связи и показывает профили, которые старый поиск бы пропустил.
Можно ли доверять LLM без проверки человеком?
Нет. Модель способна ошибиться или дать предвзятый результат, если обучающие данные искажены. Решения по кандидатам стоит перепроверять вручную, особенно на финальных этапах воронки.
