СРАВНИТЕЛЬНЫЙ АНАЛИЗ ЯЗЫКОВЫХ МОДЕЛЕЙ ДЛЯ АВТОМАТИЗАЦИИ HR-ПРОЦЕСОВ

В условиях цифровой экономики компании все чаще внедряют в свои бизнес-процессы технологии искусственного интеллекта для снижения издержек и оптимизации процессов, чтобы сохранить конкурентоспособность на рынке. Такая трансформация ведет к изменению фокуса HR-специалистов от рутинных задач к стратегическому управлению и становится все более актуальной [1]. Компании в 2026 году в условиях доступности нейросетевых технологий используют LLM также в сфере HR, например, в написании вакансий, позволяя специалистам экономить и использовать время для более стратегических задач, а также это дает возможность находить более эффективные варианты формулировок.

Цель исследования - сравнить эффективность LLM моделей в генерации текстов вакансий для различных кадровых сегментов.

Для проведения исследования в генерации текстов для вакансий были выбраны три популярные модели LLM, которыми активно пользуются в РФ: «DeepSeek», «YandexGPT» и «GigaChat» [2-3]. Данные модели были выбраны, так как пользователи из РФ могут использовать их беспрепятственно, соответственно исключая необходимость использования дополнительных инструментов для обхода блокировок, таких как VPN-сервисы. Сравнительный анализ моделей проводился с помощью двух промтов для трех выбранных моделей, то есть это означает, что каждая LLM на входе получала два отдельных промта для генерации вакансий технического (вакансия «специалист по автоматизации тестирования») и нетехнического (вакансия «врача-терапевт») кадрового сегмента.

Оценивание результатов происходило с помощью метода экспертной оценки c привлечением профильных специалистов, таких как ведущий рекрутер, ведущий специалист по автоматизации тестирования и медицинский специалист. Для каждого специалиста-эксперта был разработан опрос с критериями. HR-эксперт оценивал такие критерии как полнота структуры, конкретность описания вакансии, привлекательность, конкурентоспособность, соответствие трендам, реалистичность требований. Технический эксперт оценивал точность технологического стека, корректность задач, соответствие грейду и отсутствие ошибок. Оценка проводилась по 5-балльной шкале.

Результаты оценок, полученных экспертами при оценке сгенерированной вакансии на специалиста по автоматизации тестирования на python представлены в таблице 1.

Таблица 1.

Результаты оценки вакансии технического кадрового сегмента, сгенерированной LLM

Экспертная оценка вакансии технического кадрового сегмента выявила различия в эффективности трех языковых моделях. Наивысший итоговый рейтинг получила модель «YandexGPT», получив самые высокие баллы от HR-эксперта. Модель «DeepSeek» в рейтинге получила самый высокий балл от технического эксперта, но более низкие баллы по экспертной оценке от HR, что говорит о том, что модель более специализирована на техническую точность и менее на маркетинговую составляющую. Модель «GigaChat» показала наименьшие результаты по оценке, что делает ее менее предпочтительной при выборе модели для генерации текстов технических вакансий.

Для сравнения эффективности LLM в генерации вакансий для нетехнического кадрового сегмента была выбрана вакансия «Врач-терапевт». Генерация проводилась также при едином промте для трех моделей. Оценивание проводилось двумя профильными экспертами: HR-специалистом и медицинским специалистом. Результаты оценок, полученных экспертами, представлены в таблице 2.

Таблица 2.

Результаты оценки вакансии нетехнического кадрового сегмента, сгенерированной LLM

При проведении экспертной оценки вакансии медицинского кадрового сегмента из табл. 2 видно, что лидирующую позицию также заняла модель «YandexGPT», получив самые высокие баллы как от HR-специалиста, так и от медицинского специалиста. Модель «DeepSeek» и «GigaChat» также получили высокие оценки от медицинского эксперта, однако «GigaChat» получила самые низкие баллы от HR, тем самым в итоговом рейтинге определило ее последнее место.

Проведение сравнительного анализа трех языковых моделей путем экспертной оценки позволяет сделать вывод, что эффективность в генерации текста для вакансий во многом зависит от кадрового сегмента. Модель «YandexGPT» наиболее оптимальна для задач в создании более привлекательных и убедительных текстов, а модель «DeepSeek» наиболее эффективна для обеспечения технической корректности описания. Таким образом, использование языковых моделей может являться эффективным инструментом для генерации вакансий, позволяющим перейти от создания текста с нуля к его быстрому редактированию. Для достижения наилучшего результата рекомендуется использовать и комбинировать модели: применять «YandexGPT» для создания стилистической части вакансии, «DeepSeek» для написания технической стороны вакансии. Также критически важным остается экспертный надзор специалистов для финальной проверки содержательной корректности сгенерированного текста.