Что мы измеряем при внедрении MCP-агентов в рекрутменте

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 интересен поведенческий аспект: когда у рекрутера появляется возможность задать агенту любой вопрос о своей воронке, что он спросит? Мы начали собирать такую статистику, анонимно и в агрегированном виде, чтобы у профессионального сообщества были реальные данные, а не только отдельные истории.

В этом материале мы описываем, какие базовые показатели мы отслеживаем, какие внешние исследования их дополняют, где MCP реально вписывается в рабочую неделю рекрутера (подробно это показано в примерах использования), а также какие механизмы контроля делают доступ агента к данным кандидатов обоснованным.

Проблема, которую показывают цифры

Эти исследования описывают условия работы команд по найму. Они не доказывают влияние Xobin MCP, но объясняют, почему важно изучать поведение рекрутеров при работе с агентами на основе данных, а не отдельных случаев.

Что мы отслеживаем

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

Гипотеза, которую мы ожидаем опровергнуть

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

Мы опубликуем цифры в любом случае.

Это различие важно. Цель, не доказать, что агенты ускоряют найм, а понять, какие задачи действительно переходят к агентам, какие остаются за человеком, и где доступ агента к данным даёт измеримую пользу.

Где MCP вписывается в рабочий процесс рекрутера

Как мы обеспечиваем обоснованность доступа агента

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

Рабочий процесс намеренно прост:

На этот подход напрямую влияют два нормативных 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 и требует человеческого контроля, логирования и прозрачности.

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

Что дальше

Мы опубликуем первый агрегированный отчёт по этим метрикам, когда объём данных позволит делать выводы, а также категории наиболее частых вопросов рекрутеров.

Первая публикация будет посвящена именно поведению: что ищут рекрутеры, как часто сессии переходят от поиска к действию, насколько часто человек вмешивается, и какие процессы остаются внутри продукта.

Если ваша команда хочет войти в эту когорту или получить полный пакет документов для аудита безопасности, 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.