Зачем вообще HR‑у A/B‑тесты

В маркетинге A/B‑тестирование давно стало стандартом: меняют заголовок, кнопку, оффер — и по цифрам выбирают лучший вариант. В рекрутинге логика такая же: вы сравниваете две версии процесса подбора и выбираете ту, которая даёт больше подходящих людей за те же или меньшие деньги.

В контексте ИИ‑рекрутинга это особенно важно, потому что алгоритм меняет не точку, а сразу несколько этапов: поиск кандидатов, скоринг резюме, первичную коммуникацию. Без теста легко либо недооценить его эффект, либо переоценить и обрезать бюджеты команды раньше времени.

Что именно сравниваем: формулировка гипотезы

Правильный A/B‑тест начинается не с настройки сервисов, а с одной понятной гипотезы.

Примеры рабочих формулировок:

• «ИИ‑рекрутер сократит time‑to‑hire на 30% без ухудшения качества найма по сравнению с ручным подбором.»

• «Нейросетевой скоринг резюме снизит долю нерелевантных кандидатов на интервью с 40% до 20%.»

Главное — заложить одновременно количественную (сроки, конверсию, стоимость) и качественную (успешность адаптации, оценку нанимающих менеджеров) части.

Ключевые метрики для A/B‑теста в рекрутинге

Чтобы тест был осмысленным, заранее фиксируем набор метрик. Чаще всего используют три уровня.

1. Воронка подбора (количественные):

• количество релевантных кандидатов в шорт‑листе;

• конверсия из отклика/поиска в интервью;

• конверсия из интервью в оффер;

• конверсия оффер → выход.

2. Скорость и стоимость:

• time‑to‑hire по вакансии;

• стоимость закрытия вакансии (часы рекрутера, стоимость лицензий, платные размещения).

3. Качество найма:

• успешное прохождение испытательного срока;

• оценка нанимающего менеджера через 1–3 месяца (например, по шкале 1–10);​

• HR‑метрики типа quality of hire или hiring manager satisfaction.

Сравнивая ИИ и рекрутера, важно не ограничиваться только скоростью: алгоритм может закрывать быстрее, но если 30% выходов срываются за первый месяц, экономия превращается в убыток.

Как правильно делить поток кандидатов

Классический подход A/B‑тестирования — случайное деление трафика пополам. В рекрутинге логика та же:​

• Группа A (контроль): вакансию ведут рекрутеры по привычному процессу.

• Группа B (тест): те же типы вакансий закрываются с помощью ИИ‑инструмента (нейросеть‑рекрутер, скоринг резюме, AI‑бот).

Важно, чтобы сравнивались одинаковые по сложности позиции: нельзя отдать ИИ только массовый подбор, а рекрутерам — только редких специалистов, а затем делать общий вывод.

Хорошая практика — внутри одного пула вакансий (например, линейные продавцы или джуниор‑разработчики) случайно размечать заявки: каждую вторую отправлять в ИИ‑воронку, остальные — в ручной поток.

Настройка эксперимента: шаг за шагом

Можно опираться на общую методику A/B‑тестов в HR, которую описывают hh.ru и практики IT‑рекрутинга.

Шаг 1. Выбор сегмента и периода
Берём 1–2 типовых профиля (например, массовые позиции + одна офисная роль) и фиксируем период теста: не менее 2–4 недель, чтобы собрать достаточный объём данных по откликам, интервью и офферам.

Шаг 2. Описание контрольного процесса
Документируем, как сейчас работает рекрутёр: где размещает вакансии, как ищет, сколько контактов делает, по каким критериям отправляет на интервью. Это база для сравнения.

Шаг 3. Настройка ИИ‑воронки
Подключаем ИИ‑инструмент: нейросеть для поиска кандидатов, AI‑скоринг резюме, HR‑бот для первичного интервью. Важно зафиксировать настройки: фильтры, порог скоринга, сценарии бота.

Шаг 4. Маркировка и отслеживание
Каждый кандидат помечается тегом «A» или «B» в ATS или таблице. Это позволяет потом строить две отдельные воронки и не смешивать данные.

Шаг 5. Сбор и анализ данных
После окончания периода выгружаем статистику по ключевым метрикам и сравниваем: где выше конверсия, ниже стоимость и лучше качество выходов.

Как не «убить» воронку во время теста

Есть несколько типичных ошибок, которые делают A/B‑тесты в HR бесполезными.

1. Менять сразу несколько параметров.
Если одновременно меняется и канал поиска, и описание вакансии, и ИИ‑скоринг, вы не поймёте, что реально сработало. Для чистого теста меняем один ключевой элемент: например, только способ поиска кандидатов (ручной сорсинг против ИИ‑сорсинга).

2. Давать группам разную поддержку.
Если по кандидатам из группы A рекрутер лично дописывает и звонит, а по группе B ничего не делает, вы тестируете не ИИ против человека, а разные уровни усилий. Условия сопровождения должны быть одинаковыми.

3. Останавливать тест слишком рано.
В рекрутинге цикл длиннее, чем в рекламе. Если остановиться через неделю, можно не увидеть провалы на этапе выхода и испытательного срока. Обычно имеет смысл дождаться хотя бы 20–30 закрытых офферов в каждой группе или 1–2 полных циклов по массовым позициям.

4. Игнорировать качество найма.
Ускорение time‑to‑hire может выглядеть впечатляюще, но если через три месяца 40% новичков не проходят испытательный срок, экономия времени обнуляется.

Как интерпретировать результаты: несколько сценариев

После теста часто получается не чёрно‑белая картинка, а смешанная.

Сценарий 1: ИИ выигрывает по скорости и цене, качество одинаковое.
Это идеальный случай: масштабируем ИИ‑решение, а рекрутеров переключаем на более сложные позиции и работу с заказчиками.

Сценарий 2: ИИ быстрее и дешевле, но качество ниже.
Здесь имеет смысл оставить алгоритм на верхней части воронки (поиск и скоринг), а финальную оценку и коммуникацию оставить за человеком.

Сценарий 3: ИИ проигрывает по всем параметрам.
Это тоже результат. Либо выбран не тот инструмент, либо данные для обучения некачественные, либо сегмент вакансий пока слишком сложный для автоматизации (например, топ‑менеджмент).

Важно воспринимать A/B‑тесты не как экзамен «сдать/не сдать» для ИИ, а как способ найти оптимальную конфигурацию: где алгоритм приносит максимум пользы, а где именно человеческая экспертиза остаётся ключевой.