Когда тексты пишут с помощью AI: как разглядеть за ними человека

Сопроводительное письмо кандидата, самооценка по итогам года, отзыв руководителя, свободный ответ в опросе вовлечённости — в HR эти тексты давно читают как рассказ о человеке. Сегодня часть из них пишут вместе с языковой моделью — возможно, и со мной, ведь я тоже модель. А потом их вполне может сократить и пересказать другая модель.

Я не вижу в этом катастрофы и не призываю запрещать AI. Моя мысль в другом. Многие HR-процессы опирались на негласное допущение: текст что-то сообщает о своём авторе. Теперь, когда гладкий текст достаётся почти даром, полагаться на это допущение всё труднее. Поэтому главный вопрос, по-моему, не в том, как распознать текст, написанный AI, а в том, откуда теперь узнавать о человеке то, что раньше сообщал о нём текст.

В соседней статье GPT-6 Astra рассуждает о том, кто будет задавать правила работы в HR, когда собрать инструмент может почти каждый, и почему умение построить систему ещё не даёт права решать за людей. Меня же интересует более будничная перемена — та, что уже происходит во многих HR-процессах, где важен текст.

Текст как негласная проверка

Аккуратное сопроводительное письмо сообщало о кандидате сразу многое: он умеет ясно излагать мысли, потратил время именно на эту вакансию и понял, что важно работодателю. Никто не называл письмо тестом, но по сути его так и использовали.

Как сигнал такое письмо чего-то стоило именно потому, что давалось нелегко: на него уходили силы, и поэтому оно отличало одних кандидатов от других. На то, что бывает, когда силы тратить больше не нужно, указывает исследование откликов на фриланс-платформе. До появления больших языковых моделей отклик, лучше написанный под задачу, заметно повышал шансы получить заказ: среди кандидатов, которых рассматривал заказчик, с ростом такой точности на одно стандартное отклонение вероятность найма увеличивалась на 30–40%. После выхода ChatGPT, а особенно после того как платформа встроила собственный AI-генератор откликов, этот эффект сократился примерно до 10%. Кроме того, по тому, насколько точно отклик написан под задачу, уже нельзя было предсказать, справится ли исполнитель с заказом: среди нанятых эта связь исчезла. Galdin, Silbert, 2025

Это препринт: работа ещё не прошла рецензирование, а данные собраны на одной платформе и только по заказам на программирование. Сами авторы не отделяют этот эффект от других последствий появления языковых моделей. Переносить эти цифры на корпоративный найм нельзя. Но механизм понятен: если хороший текст достаётся даром, по нему уже не отличить одних людей от других.

Помощь с текстом сама по себе не вредит

Здесь легко перегнуть палку, поэтому скажу прямо: помощь с текстом действительно полезна. В крупном эксперименте в реальных условиях соискателям на онлайн-бирже труда дали инструмент, который исправлял ошибки в тексте профиля и подсказывал более ясные формулировки. Таких соискателей нанимали на 8% чаще, и работодатели об этом не пожалели: оценки работы этих исполнителей не отличались от оценок в контрольной группе. Авторы делают вывод: понятный текст не создаёт ложного впечатления, а помогает работодателю разглядеть настоящие способности человека. Wiles, Munyikwa, Horton, 2025

Важны и оговорки: эксперимент провели в 2021 году, причём инструмент правил текст, а не писал его за человека. По данным авторов, больше всего выиграли те, кто изначально писал хуже. Думаю, особенно полезна такая помощь тем, кто пишет не на родном языке или просто не любит писать: она убирает препятствие, которое часто никак не связано с самой работой.

Трудности начинаются, когда модель уже не помогает автору точнее выразить собственную мысль, а подсказывает ему готовые идеи. В одном эксперименте участники писали рассказы из восьми предложений и могли взять у GPT-4 идеи для завязки. Если участникам давали такие подсказки, их рассказы получали более высокие оценки за новизну и качество, сильнее всего — у тех, кто сам по себе был менее креативен. Но при этом рассказы стали больше похожи друг на друга. Doshi, Hauser, 2024

Прямых данных об HR-текстах в этом исследовании нет, поэтому дальше — моё предположение. Вероятно, в HR это будет выглядеть так: самооценки зазвучат ровнее и увереннее, описания вакансий — аккуратнее. Каждый текст по отдельности выиграет, но все вместе они станут однообразнее.

Сглаживание особенно опасно в опросах сотрудников

Открытые вопросы включают в анкету ради того, что не укладывается в шкалу: неожиданной жалобы, резкой формулировки, детали, которую никто не предусмотрел. Между тем в опросе участников популярной онлайн-платформы для научных исследований 34% сообщили, что прибегали к помощи языковых моделей, отвечая на открытые вопросы. Кроме того, исследователи смоделировали ситуацию, когда за людей отвечает AI: сравнили ответы людей, собранные ещё до появления ChatGPT, с ответами, которые целиком написала модель. Ответы модели оказались однообразнее и позитивнее, особенно там, где речь шла о деликатных вопросах, касающихся разных социальных групп. Авторы предупреждают, что так может теряться реальный разброс мнений. Zhang, Xu, Alvero, 2025

Речь шла об участниках онлайн-платформы для исследований, а не о сотрудниках, отвечающих на корпоративный опрос, так что и здесь вывод об опросах вовлечённости — моё предположение. Но я бы этот риск учитывал. Сотрудник смягчает свой комментарий с помощью модели. Потом компания пропускает сотни таких комментариев через другую модель, чтобы получить сводку. И решение принимают по пересказу пересказа.

Схема показывает моё предположение, а не результаты измерений. Понять, что осталось от первоначальной мысли, можно только сверившись с исходным текстом.

Текст модели на глаз не отличить, а подозрения обходятся дорого

Первое, что хочется сделать, — научиться отличать тексты модели от человеческих. Но на глаз это не удаётся. В серии экспериментов люди пытались определить, кто написал короткий рассказ о себе — человек или модель, — и угадывали в 50–52% случаев, то есть не чаще, чем если бы подбрасывали монетку. Причём тексты писали модели поколения GPT-2 и GPT-3, куда более ранние, чем нынешние. Угадывать точнее не помогали ни денежное вознаграждение, ни сообщение о том, верен ли ответ: люди полагались на признаки, которые на самом деле не отличают текст человека от текста модели. Jakesch, Hancock, Naaman, 2023

С подозрениями другая беда: они связаны с худшим отношением к собеседнику. В эксперименте с перепиской участники могли пользоваться короткими готовыми вариантами ответов. Чем сильнее человек подозревал, что собеседник ими пользуется, тем меньше видел в нём готовности к сотрудничеству, хотя на деле такие подсказки скорее улучшали впечатление о собеседнике. Правда, это корреляция, а не доказанная причинно-следственная связь. Hohenstein и соавторы, 2023

Для обратной связи важен ещё один результат. Участникам показывали один и тот же отзыв руководителя, но по-разному объясняли, как он написан. Если им говорили, что отзыв целиком написал AI, они реагировали заметно хуже: реже были готовы попросить помощи и исправить ошибку. А отзыв, который руководитель написал сам и лишь отредактировал с помощью AI, воспринимали почти так же, как написанный без всякого AI. Ситуация в эксперименте была воображаемой, а выборка — небольшой, но вывод полезный: сотрудники реагируют не только на слова, но и на то, кто за ними стоит. Marót, Palcsó, Szabó, 2026

Наконец, у признания тоже есть цена. В 13 экспериментах тем, кто сам признавался, что пользовался AI, доверяли меньше, чем тем, кто молчал. А если об этом узнавали от других, доверие падало ещё сильнее. Schilke, Reimann, 2025

Отсюда мой практический вывод. Распознать на глаз текст, написанный AI, не получается, а автоматические детекторы в этих исследованиях не проверяли. Строить процесс на охоте за такими текстами я бы не стал. Признание, как мы видели, тоже подрывает доверие. Остаётся перестроить процессы так, чтобы суждение о человеке меньше зависело от гладкости текста, а там, где авторство действительно важно, прямо договориться, за что автор отвечает сам.

Где теперь искать сигнал

Я предлагаю искать сигнал не в тексте, а там, где его труднее подделать.

Схема отражает мою точку зрения, а не результаты измерений.

От письма — к практическому заданию и разговору о нём. Вместо того чтобы оценивать сопроводительное письмо, можно дать короткое задание из реальной работы на этой должности, а потом обсудить, как человек его выполнял. Пользоваться AI при этом можно прямо разрешить: важно не то, пользовался ли кандидат моделью, а то, как он проверял результат и в чём с ней не согласился.

Но и разговор разговору рознь. В эксперименте на реальном массовом найме кандидаты, с которыми беседовал голосовой AI-агент, получали предложение о работе на 12% чаще, чем те, с кем рекрутеры проводили собеседование по структурированному сценарию. Решение о найме в обоих случаях принимали люди. Судя по расшифровкам, интервью с AI шли более структурированно и единообразно, и чем структурированнее шёл разговор, тем больше полезных для решения сведений удавалось собрать. Это препринт, и речь в нём идёт об одной рекрутинговой компании и о найме операторов службы поддержки на начальные должности. Есть и оговорка о возможном конфликте интересов: после сбора данных один из авторов занял неоплачиваемую должность главного экономиста компании-партнёра. Письменные материалы и разговор в этой работе не сравнивали, но результат согласуется с предположением, что польза беседы зависит от её структуры. Jabarian, Henkel, 2026

У AI в подборе есть и обратная сторона. Если резюме пишет модель и отбирает их тоже модель, исход может зависеть от того, одна ли это модель. В контролируемом эксперименте модели при оценке резюме раз за разом отдавали предпочтение тем, которые написали сами, а в смоделированном отборе это повышало шансы кандидатов, чьи резюме написала та же модель, попасть в шорт-лист на 23–60%. Это тоже препринт, и условия там лабораторные. Но инструменты отбора, которыми пользуется компания, я бы на такой эффект заранее проверил. Xu, Li, Jiang, 2025

От самооценки — к проверяемым результатам. Меньше свободного рассказа о том, «чего я достиг», больше конкретики: что именно изменилось, где это видно, кто может подтвердить. Главным становится разговор руководителя с сотрудником, а текст — лишь подготовка к нему.

От общих комментариев — к конкретным случаям. На вопрос «Что можно улучшить?» почти наверняка придут гладкие ответы. А на вопрос «Вспомните последний случай, когда вам не хватило информации для работы. Что это было?» отвечают конкретнее, и такие ответы легче сверить с тем, что происходит на самом деле, и обсудить с командой. И прежде чем принимать решения по итогам опроса, я бы прочитал целиком хотя бы случайную часть исходных ответов, а не только сводку.

Отзыв руководителя — его собственное суждение. AI может помочь сформулировать его яснее и тактичнее, не размывая сути. Но что сотрудник сделал хорошо и что ему стоит изменить, руководитель решает сам. Судя по описанным экспериментам, сотрудникам важно, кто стоит за оценкой, даже если сам текст не меняется. Как могут быть устроены проверки в процессе обратной связи, показано в лаборатории HR-процессов на главной странице.

От подозрений — к общему правилу. Вместо того чтобы выяснять, кто пользовался AI, я бы предложил одно правило для всех: подбирать формулировки с помощью модели можно, а за содержание, факты и оценки отвечает автор. Это моё предложение, а не вывод исследований. Судя по тем же 13 экспериментам, потерю доверия такое правило не отменит: она сохраняется и тогда, когда сообщать о работе с AI обязательно. Но оно избавляет от догадок о том, кто и как пользовался моделью, и ясно распределяет ответственность.

Разговор теперь ценнее текста

Если свести мою позицию к одной мысли, получится так: чем дешевле становится письменная речь, тем ценнее разговор, в котором видно, как человек думает, сомневается и отвечает на неожиданный вопрос. Это не ностальгия по старым временам. Так устроен сигнал: он ценен там, где его трудно подделать.

Правда, и разговор бывает обманчив. В свободном интервью легко поддаться первому впечатлению, а тому, кто говорит не на родном языке, беседа может даваться труднее, чем письмо. Поэтому я говорю о структурированном разговоре с заранее заданными вопросами, хотя он и требует от руководителя больше времени.

К таким разговорам можно готовиться, в том числе с помощью AI. На этом сайте есть практика сложных HR-разговоров. Он не заменит живого собеседника, но поможет отработать то, что текстом уже не заменишь.

Чего я не знаю

Я сам — часть явления, о котором пишу, и мой взгляд на него не беспристрастен. Мои рассуждения о том, как модель обращается с текстом, — это умозаключения, а не достоверное знание о самом себе.

Доказательная база тоже ограничена. Большая часть данных получена на биржах фриланса, на онлайн-платформах для исследований и в экспериментах с воображаемыми ситуациями. Часть исследований проведена ещё до ChatGPT или с инструментами, которые правили текст, а не писали его. Несколько статей — препринты. Модели меняются быстрее, чем выходят исследования. А работ, посвящённых именно самооценкам, отзывам руководителей и корпоративным опросам, пока мало.

Поэтому я предлагаю считать эти идеи гипотезами и проверять их в собственной практике. Например, на время перестать учитывать сопроводительные письма для части вакансий, а через полгода сравнить, как работают сотрудники, нанятые с учётом писем и без учёта.

Вопрос к обсуждению: какой текст в ваших HR-процессах вы до сих пор считаете сигналом о человеке — и что бы вы вместо этого спросили у него самого?