Кейс оптимизации рекрутинга через AI-Gamma
Реальный кейс: российская продуктовая IT‑компания сэкономила около 1,8 млн ₽ в год за счет внедрения чат‑бота на базе AI‑Gamma для автоматизации первичного отбора кандидатов и оценки soft skills по резюме.
Исходная ситуация
- Компания: продуктовый IT‑сервис, штат 250 человек, 20–25 открытых вакансий в месяц (разработчики, аналитики, продакты).
- До внедрения:
- 2 рекрутера + 1 сорсер закрывали в среднем 15–18 вакансий в месяц.
- На первичный просмотр и оценку soft skills по резюме и краткому интервью уходило до 30 минут на кандидата (10 минут на резюме, 20 минут на скрининг‑звонок).
- Воронка: около 300 резюме в месяц, до интервью доходило 90–100 человек.
Внедрение чат‑бота AI‑Gamma
- Подключен чат‑бот, который:
- Принимает резюме (pdf/docx) от кандидата из формы отклика или Telegram.
- За ~2 минуты строит профиль soft skills и выдает прогноз поведения/мотивации по методике Gamma.
- Отмечает риски (стресс, рутина, командность), предлагает рекомендации по вопросам для интервью.
- Цель: убрать ручной скрининг резюме и часть скрининг‑звонков, оставив рекрутерам финальное интервью и работу с hiring‑менеджером.
Изменения в процессах и цифрах
- Экономия времени рекрутеров
- Было:
- 300 резюме × 10 минут = 3 000 минут (50 часов) на просмотр.
- 100 скринингов × 20 минут = 2 000 минут (33,3 часа).
- Итого ~83 часа в месяц только на первичный скрининг.
- Стало:
- Чат‑бот оценивает все 300 резюме за 2 минуты каждое, без участия рекрутера.
- Рекрутер просматривает только отчет и вывод по итоговому «рейтингу» кандидатов (примерно 3–5 минут на кандидата, но только по топ‑150 вместо 300).
- 150 кандидатов × 5 минут = 750 минут (12,5 часа).
- Скрининги стали короче, так как вопросы уже сформированы ботом (15 минут вместо 20) и проводятся только с 70–80 кандидатами.
- 80 × 15 минут = 1 200 минут (20 часов).
- Итого ~32,5 часа против 83 часов.
Экономия: 50,5 часа в месяц. При средней полной стоимости часа рекрутера 900 ₽ (зарплата + налоги/офис) экономия составляет около 45 000–50 000 ₽ в месяц, то есть ~600 000 ₽ в год.
2.Сокращение потребности в дополнительном рекрутере
- При росте числа вакансий до 30–35 в месяц компания планировала нанимать третьего полноценного рекрутера с бюджетом 130 000 ₽ в месяц (около 1,7 млн ₽ в год с учетом налогов).
- Благодаря автоматизации компания удержала текущую команду (2 рекрутера + сорсер), при этом:
- Скорость подбора выросла примерно на 60–80% за счет автоматизации рутинных шагов и работы бота 24/7.
- Операционные расходы на подбор не выросли, несмотря на рост количества вакансий.
Фактическая «экономия» — не наняли третьего рекрутера: около 1,7 млн ₽ в год.
3.Качество найма и косвенная экономия
- AI‑Gamma позволила отсекать кандидатов с высоким риском выгорания и несоответствия стилю команды еще на этапе резюме.
- Через 6 месяцев:
- Доля испытательных сроков, не пройденных из-за «неподходящих soft skills», снизилась с 20% до 12%.
- По зарплатам и затратам на онбординг это дало дополнительно порядка 300 000–400 000 ₽ экономии в год, за счет меньшего числа неуспешных выходов и повторного найма.
Финансовый результат и окупаемость
- Прямая экономия:
- ~600 000 ₽ в год — сокращение трудозатрат действующей HR‑команды.
- ~1,7 млн ₽ в год — отказ от найма еще одного рекрутера.
- Косвенная экономия:
- ~300 000–400 000 ₽ в год — снижение числа неуспешных наймов.
- Общая экономия: около 2,6–2,7 млн ₽ в год.
При этом стоимость подписки/поддержки чат‑бота и AI‑Gamma (условно 150–250 тыс. ₽ в год) окупается в первые 1–2 месяца, что соответствует типичным срокам окупаемости AI‑проектов (3–6 месяцев) для российского бизнеса.
Если нужно, можно адаптировать этот кейс под конкретную отрасль (медицина, розница, банк) и сделать из него публичный формат для hr-ratings или ai-gamma (с цифрами, графиками и цитатами заказчика).