Как в ЮMoney автоматизировали найм с помощью LLM и сократили ручной труд HR на 70%
- Первичный анализ резюме до внедрения занимал до 80% времени рекрутёров и HRBP.
- В ЮMoney уже использовалась внутренняя система подбора CRM-R, которая через API собирает отклики с работных сайтов, корпоративного сайта и резюме, найденные вручную.
- Систему доработали и подключили внутреннюю LLM BI Data Science на базе Gemma-3 (открытая языковая модель от Google).
- Резюме автоматически сравниваются с требованиями вакансии: анализируются хард- и софт-скиллы, отклики ранжируются по релевантности, HRBP получают список.
- Персональные данные, по описанию, не передаются наружу и остаются внутри CRM.
- Результаты внедрения: на первичный скрининг стало уходить на 60–70% меньше времени, срок закрытия вакансий сократился в 2 раза (особенно при массовом найме).
Почему это важно: В описании показан практический шаблон, как LLM можно встроить в существующий процесс, а не использовать отдельно от него: сбор откликов, оценка соответствия и выдача результата в понятном формате для HR. В таких сценариях ключевой эффект обычно дают не «умность» модели сама по себе, а связка промпт + интеграция с системой, где уже живут данные и действия пользователей. Отдельно подчёркивается подход к работе с персональными данными: обработка остаётся внутри корпоративного контура.
На что обратить внимание: В тексте подчёркнута зависимость результата от качества промпта («до 80% успеха») и описана его структура: роль, инструкции, формат ответа и контекст. Упоминается, что внедрение шло итерациями — от упрощённой версии к более сложной, с оптимизацией на ранее оценённых резюме, что задаёт понятный 
контур измерения качества. Следующим шагом по логике описания выглядит расширение практики: от пилота к полнофункциональной версии после обратной связи и доработок, с фиксацией эффекта в терминах времени и скорости закрытия вакансий.
Коротко
- Кейс ЮMoney: открытая LLM Gemma-3 встроена в CRM-R для автоматизации первичного скрининга и ранжирования откликов по релевантности.
- В тексте отдельно подчеркнуто, что персональные данные кандидатов остаются внутри CRM и не передаются наружу при обработке резюме.
- Описанная структура промпта (роль, инструкции, формат результата, контекст) показывает, как переводить «оценку резюме» в воспроизводимый алгоритм.
- Практический сигнал: эффект чаще привязан к интеграции в поток работы HR, а не к «магии модели» — важно, где появляется результат и как его потребляют.
- Для интерпретации таких кейсов обычно важно, на каких данных обучали/калибровали промпт и как измеряли качество ранжирования и оценок в реальном найме.
FAQ
Зачем это важно: что в этом кейсе показывает практическую пользу LLM, а не просто демонстрацию технологии?
Показан полный контур внедрения в процесс: сбор откликов, автоматический скрининг и выдача структурированного результата в CRM, с измеримым эффектом по времени и срокам найма.
Что именно автоматизировали в CRM-R и какой результат, по описанию, получает HR-бизнес-партнёр после обработки резюме?
Система сравнивает требования вакансии с резюме, анализирует навыки, ранжирует отклики и выдаёт HRBP список кандидатов с оценкой соответствия.
Как в материале описан подход к персональным данным кандидатов при использовании LLM внутри процесса скрининга?
Указывается, что персональные данные не передаются наружу и остаются внутри CRM, а LLM подключена как внутренняя компонента.
Какие результаты внедрения приведены в тексте и к каким этапам воронки подбора они относятся?
Заявлены 60–70% экономии времени на первичном скрининге и сокращение срока закрытия вакансий в 2 раза, особенно при массовом найме.
Читайте также
Возвращаем к жизни связку OpenClaw и Claude- Как кодинг-агенты используют инструменты, память и контекст репозитория, чтобы писать код лучше
- Анализ документов нейросетью с цитатами из источников: скилл research-docs для Claude Code
- Как я отучил нейросеть писать «Я коммуникабельный» и заставил её проходить HR-фильтры
- Как я настроил OpenClaw для зоопарка лендингов своей компании
- Шаблон интеграции LLM в внутреннюю систему: «LLM как этап пайплайна, а не отдельный чат»: В кейсе ЮMoney LLM подключена непосредственно к внутренней CRM-R и автоматически обрабатывает все входящие резюме: сопоставляет требования вакансии с резюме, ранжирует отклики и отдаёт HRBP готовый список. Полезный паттерн для внутренних инструментов: ценность появляется, когда LLM становится частью существующего потока данных и интерфейса принятия решений, а не живёт отдельно.
[Процессы и автоматизация]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
В ЮMoney описали, как встроили открытую LLM Gemma-3 в внутреннюю систему подбора CRM-R, чтобы автоматизировать первичный скрининг резюме. По их оценке, это сократило ручной труд HR на 60–70% и ускорило закрытие вакансий в 2 раза.