Почему ИИ не заменит рекрутера (и при чем тут ваша карьера)

Вступление: хайп, инвестиции и суровая правда

За последние пару лет мы стали свидетелями настоящего бума искусственного интеллекта. ChatGPT удивил мир, а стартапы один за другим начали обещать революцию в найме. Мол, ИИ сам найдет идеального кандидата, отсеет слабых и сделает это быстрее любого HR-менеджера.

Как основатель платформы для подготовки к собеседованиям, я общался с сотнями венчурных инвесторов. И самый частый вопрос, который я слышал: «Почему вы не используете ML/AI для подбора кандидатов? Это же сделает вас миллиардерами!»

Я убежден, что это тупиковый путь. И речь не о том, что технологии недостаточно развиты. Речь о данных. Точнее, об их отсутствии.

Эта статья — не про то, как ИИ может написать сопроводительное письмо или расставить встречи в календаре (это он делает отлично). Мы поговорим о главном: может ли алгоритм заменить человека в оценке другого человека?

Спойлер: нет. И вот почему. А пока читаете — прогоните то, чего нет в профиле: мок с живым инженером, экспресс-квиз и работу, которой нет на GitHub, в пет-проектах.

Часть 1. На чем обучают ИИ? И почему это не работает

Представьте себе идеальный алгоритм, который получает на вход резюме и выдает идеальную компанию для этого кандидата. Как его обучить? Нужны три вещи:

• Описания вакансий.
• Публичные данные о кандидатах (LinkedIn, GitHub).
• Данные об успешных трудоустройствах (кто куда устроился и как там работает).

Казалось бы, всё есть в открытом доступе. Но дьявол в деталях. Большинство стартапов пытаются строить матчеры именно на этих «публичных» данных. И это их главная ошибка.

Почему? Потому что для успешного найма кандидату нужно соответствовать трем критериям:

• Good (Хорош): он достаточно компетентен для этой работы.
• Looking (Ищет): он открыт к предложениям прямо сейчас.
• Interested (Заинтересован): ему интересна именно эта компания.

И вот тут мы упираемся в стену. Публичные данные не отвечают ни на один из этих вопросов.

Часть 2. Миф об оценке: LinkedIn — игра в угадайку

Рекрутеры десятилетиями смотрят на резюме: образование, опыт работы, навыки. Исследования показывают, что предсказательная сила резюме равна силе подбрасывания монетки (50 на 50).

• Образование? Почти не дает сигнала.
• Сертификаты? Часто дают отрицательный сигнал.
• Навыки (Skills)? Любой может добавить «Python» или «Leadership».

Алгоритм, который анализирует LinkedIn, делает ровно то же самое, что и рядовой рекрутер — гадает, глядя на красиво оформленный список мест работы. ИИ не может «пощупать» скиллы кандидата, читая его профиль. Это просто вода.

Если резюме всё же нужно — не полируйте его под парсер. Соберите формулировки в кабинете резюме и сверьтесь с гайдом про ясность резюме. Дальше всё равно придётся говорить вслух.

GitHub — ловушка для гиков

«Но ведь код не врёт!»

Действительно, если у человека есть публичные репозитории, можно оценить его стиль и логику.

Проблема в том, что GitHub есть лишь у 10% разработчиков. А реально полезной активности (не «Hello World») — менее чем у 1%. Бьярне Страуструп (создатель C++) провалил бы тест на «качество кодера», если бы его оценивали по GitHub-коммитам.

Большинство сильных инженеров в крупных компаниях не пишут открытый код. Их гениальность скрыта внутри приватных корпоративных репозиториев. Оценивать кандидата по GitHub — это все равно что искать иголку в стоге сена, игнорируя тот факт, что большинство иголок просто лежат в других стогах.

То, что можно показать снаружи, лучше собрать в пет-проекте: не «ещё один todo-лист», а штука с пользователями, деплоем и историей решений.

Социальный граф — не работает

Многие думают: «Если классный разработчик подписан на другого классного, можно построить карту талантов».

Мы провели опрос среди наших пользователей (инженеров со средним опытом 8 лет). Результат: в среднем разработчик подписан только на одного из пяти своих самых крутых бывших коллег. LinkedIn — это помойка из случайных связей, а Twitter/X используется для мемов, а не для нетворкинга.

Итог по «Good»: у нас нет данных, чтобы сказать, хорош ли кандидат. ИИ не может сотворить чудо и вытянуть эту информацию из воздуха.

Часть 3. Хочет ли он работать? И что ему нужно?

Предположим, мы нашли гения. Теперь надо понять, ищет ли он работу.

Можно анализировать, обновлял ли он LinkedIn, как давно работает в текущей компании, и как дела у его фирмы (не обанкротилась ли?). Но это лишь косвенные признаки. Многие разработчики не обновляют профили годами, сидят на форумах вроде Reddit (куда алгоритму не залезть) и вообще не любят соцсети.

Самое сложное — «Интерес».

Даже если мы знаем зарплатную вилку (спасибо новым законам в США), как понять, понравится ли кандидату команда? Атмосфера? Тип задач?

Компании пишут про «миссию» и «культуру» одинаковыми словами, как под копирку.

Кандидаты... врут. Не со зла, а потому что не знают, чего хотят.

История из жизни: один кандидат рассказывал мне, как мечтает работать в EdTech (образование) и ненавидит рекламу. Он прошел все собеседования в нашу образовательную компанию, но в итоге устроился в стартап по рекламе (AdTech). Просто потому, что ему понравилась команда. Ему понравилась химия.

Вот это — ключевой момент.

Часть 4. «Химия» — то, что нельзя запрограммировать

Найм — это не сопоставление тегов «Java» и «Spring». Это процесс поиска людей, которым комфортно работать друг с другом.

Можете ли вы предсказать, возникнет ли взаимопонимание между двумя людьми?

Может ли ИИ оценить шутку тимлида или стиль общения в Slack?

Пока у нас нет данных о миллионах реальных разговоров и эмоций, алгоритм будет лишь слабой имитацией.

Даже если у вас есть доступ к базам данных по трудоустройству (ATS), знаете, кто там работает лучше всего? Обычная линейная регрессия. Для сложных социальных прогнозов, как показали исследования Принстона, «ИИ не лучше ручного скоринга по нескольким признакам».

Что это значит для вас, как для разработчика?

Эта статья — не повод бояться ИИ. Напротив, она говорит о том, что ваша человеческая уникальность никуда не денется.

Роботы не умеют оценивать код по резюме. Значит, пока лучший способ доказать свой скилл — это пройти живое собеседование. И к нему нужно готовиться.

«Химия» решает всё. Компании будут нанимать тех, с кем комфортно общаться. Soft skills, умение объяснять свои мысли и работать в команде — это ваше супероружие против алгоритмов.

Рынок остается «человеческим». ИИ возьмет на себя рутину (рассылки, календарь), но финальное решение «Брать/Не брать» всегда останется за людьми. Именно поэтому важно уметь себя презентовать на собеседовании, а не только писать красивый код в тишине. Отработайте это на мок-интервью и закройте пробелы в квизах.

Заключение

ИИ станет отличным ассистентом: он будет искать ключевые слова, подбирать время для встреч и даже давать первые подсказки рекрутерам. Но он не сможет заменить «живой» разговор, где решается судьба кандидата.

Почему я это пишу в блоге IT Career Gym? Потому что наша миссия — помочь вам пройти через это «человеческое» сито. Мы не верим в магию резюме. Мы верим в практику. Только раз за разом проходя технические интервью с реальными инженерами, вы сможете показать свой уровень, который не виден в LinkedIn.

Автоматизация неизбежна, но она убирает скучную работу. Самое интересное (поиск талантов и создание команд) останется людям. И готовиться к этой «живой» части нужно уже сегодня — с аккаунта и первого мока на /find/.