Claude Code

Как я построил систему оценки резюме на AI-агенте (и почему первая версия была бесполезной)

8 мин чтения

89% британских рекрутеров планируют увеличить использование AI в найме в этом году. Кандидаты в ответ пишут резюме через ChatGPT. Компании получают сотни одинаково отполированных документов и фильтруют их алгоритмами. CEO Adecco Group подсчитал: в среднем нужно 200 заявок, чтобы получить один оффер. Гонка вооружений, где обе стороны используют одну и ту же технологию.

За четыре месяца я создал больше 20 адаптированных резюме – одни и те же данные, радикально разные документы. Каждое адаптировано под конкретную вакансию: для одной компании акцент на платформенную инженерию, для другой – на масштабирование команд, для третьей – на трансформацию процессов. Данные одни, но перестановка приоритетов меняет всё.

Проблема – как понять, что резюме работает, до того как рекрутер его увидит? Грамматику проверит любой инструмент. Мне нужен был синтетический «первый читатель» – тот, кто смотрит на документ глазами нанимающего менеджера и говорит: «Я бы позвал на интервью» или «Я бы прошёл мимо».

Читать полностью
Как я построил систему оценки резюме на AI-агенте (и почему первая версия была бесполезной)
P5.express и агентный ИИ: где помогает, где ломает
22 мин

P5.express и агентный ИИ: где помогает, где ломает

В PMI-мире принято думать о портфельном управлении как о чём-то монументальном: комитеты, Tableau, сотни полей в Jira, еженедельные статус-митинги с колодой слайдов. P5.express предлагает другое. Три цикла, пять документов, две роли. Система умещается на одном листе.

Именно к такой системе разумно приставить агентный ИИ: минималистичная архитектура понятна, роли чёткие, данные структурированы. Но «разумно» не значит «везде». Некоторые части P5.express при автоматизации перестают работать – не потому что ИИ плохой, а потому что смысл этих частей именно в человеческом процессе.

Ниже – разбор по каждому циклу. Что стоит делегировать агенту, что лучше оставить людям, и какая модель для этого подходит в реалиях России.

Агент вместо чата: анализ данных без copy-paste
9 мин

Агент вместо чата: анализ данных без copy-paste

У вас три файла с данными: воронка активации, результаты A/B-теста и тикеты поддержки. Задача – понять, почему онбординг проседает. Вы открываете ChatGPT, загружаете первый файл, задаёте вопрос. Получаете ответ. Загружаете второй файл. ChatGPT спрашивает: «Можете напомнить контекст?» Загружаете третий. Контекст первого файла уже вытеснен.

Через сорок минут у вас три отдельных разговора, ни один из которых не отвечает на исходный вопрос. Потому что вопрос был один, а данные – в трёх местах.

Это не проблема ChatGPT. Это проблема подхода.