Что мы измеряем, когда рекрутеры начинают использовать MCP-агентов

Мы начали отслеживать, как рекрутеры на практике используют AI-агентов на реальных данных по найму. Вот базовые показатели, внешние исследования и наши подходы к управлению этим процессом.

Xobin MCP вышел как продукт. Но более интересный вопрос, поведенческий: если рекрутер может спросить агента о чём угодно в своей воронке, что он спросит? Мы начали собирать такую информацию, анонимно и в агрегированном виде, чтобы у профессионального сообщества появились данные, а не только отдельные истории.

В этом материале мы описываем базовые показатели, на которые ориентируемся, внешние исследования, которые их обосновывают, реальное место MCP в рабочей неделе рекрутера (подробно это показано в практических примерах), а также механизмы контроля, делающие доступ агентов к данным кандидатов обоснованным.

Проблема, которую описывают цифры

Эти исследования описывают условия работы команд по найму. Они не доказывают влияние Xobin MCP, но объясняют, почему мы считаем важным системно измерять поведение рекрутеров и агентов.

Что мы отслеживаем

Наш сбор данных полностью агрегирован и анонимен: ни записи кандидатов, ни содержимое запросов, ни данные, позволяющие идентифицировать клиента, не покидают границы аккаунта. Мы анализируем только структуру использования, а не его содержание.

Гипотеза, которую мы ожидаем опровергнуть

Интуитивно кажется, что рекрутеры будут использовать агентов для действий, например, создания оценки или отправки приглашения. Но наш предварительный прогноз, обратный: основное поведение будет связано с поиском и получением уже существующих данных, ведь именно эта работа сейчас самая трудоёмкая и неструктурированная.

Мы опубликуем цифры в любом случае.

Это различие важно. Цель, не доказать, что агенты ускоряют найм, а понять, какие задачи они реально берут на себя, какие действия остаются за человеком и где доступ агента создаёт измеримую ценность.

Место MCP в рабочем процессе рекрутера

Как мы обеспечиваем обоснованный доступ агентов

Данные кандидатов, одни из самых чувствительных в компании, а решения по найму становятся всё более значимыми в условиях новых AI-нормативов. Наши механизмы контроля соответствуют этим требованиям.

Рабочий процесс предельно прозрачен:

На этот подход напрямую влияют два документа. NIST AI Risk Management Framework требует чёткой ответственности и человеческого контроля при использовании AI в значимых процессах. EU AI Act относит AI-системы для найма и отбора кандидатов к высокорисковым, предъявляя требования к контролю, логированию и прозрачности.

Агент, который только собирает данные для проверки человеком в рамках его прав,, это осознанно консервативный дизайн в соответствии с этими требованиями.

Что дальше

Мы опубликуем первый агрегированный отчёт по этим метрикам, когда объём данных будет достаточным, а также категории наиболее частых запросов рекрутеров.

Первый релиз будет посвящён именно поведению, а не эффективности: что ищут рекрутеры, как часто сессии переходят от поиска к действию, как часто вмешивается человек и какие процессы остаются внутри продукта.

Если ваша команда хочет войти в эту когорту или получить подробности по безопасности для аудита, свяжитесь с нами.

Источники

1. Microsoft, «Will AI Fix Work?», Work Trend Index.
2. SHRM, исследование Recruiting Benchmarking.
3. LinkedIn, The Future of Recruiting.
4. NIST, AI Risk Management Framework (AI RMF 1.0).
5. EU Artificial Intelligence Act.
6. Model Context Protocol, официальная документация.