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.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.