Один техлид получил около 40 резюме на позицию автотестировщика, потратил на ручной отсев полдня и в итоге пришел к неприятному для многих выводу: AI в найме не обязательно леность HR, а иногда просто способ не утонуть в шуме. Для российской IT-аудитории это важный разворот: спор о "бездушной нейросети" внезапно упирается не в идеологию, а в качество самих откликов.
Об этом сообщает Habr / Карьера в колонке автора afterkita, который впервые оказался по другую сторону процесса и участвовал в подборе сотрудника в команду тестирования. Задача была вполне приземленной: найти специалиста, способного писать UI- и API-автотесты, работать с Selenium или Playwright, знать SQL и при необходимости разбираться с системой документооборота. Никакой экзотики, просто типичная вакансия из категории "нужен человек посильнее, но желательно подешевле". HR предварительно отсеял кандидатов по базовым вопросам, после чего автору передали два пакета резюме с hh.ru, суммарно около 40 штук, и попросили выбрать тех, кого стоит звать на интервью.
На этом месте у истории и начинается конфликт с привычным мифом о том, что ручная проверка всегда справедливее. Автор честно признает: раньше его раздражала сама идея, что нейросеть может отбраковать резюме, в котором зашит весь профессиональный путь человека. Логика понятна любому, кто хоть раз искал работу: неприятно думать, что тебя не увидел живой человек, а некая модель решила, что у тебя мало инициативности или не те ключевые слова. Но практический опыт быстро добавил нюансов. При чтении откликов выяснилось, что многие кандидаты и сами давно играют в ту же игру и подгоняют резюме под фильтры, не слишком заботясь о верифицируемости опыта.
По описанию автора, чаще всего попадались две категории. Первая — обычные ручные тестировщики, которые хотят перейти в автоматизацию и подают это так, будто переход уже состоялся. В резюме много регресса, процессов и общих слов про тестирование, но почти нет понятного следа от реальной работы с автотестами. Вторая — кандидаты с раздутым и плохо читаемым профилем: десять лет опыта сразу в QA, управлении проектами, разработке и еще чем-то сверху. Формально всё выглядит внушительно, а по факту человеку приходится буквально пересчитывать релевантный стаж руками, потому что из текста неясно, чем кандидат занимался большую часть времени. Автор подчеркивает, что дело не в снобизме и не в попытке высмеять нетипичный бэкграунд: среди резюме встречались люди с опытом вне IT, в том числе из ритейла, почтовой сферы и других отраслей. Проблема в другом — такие отклики плохо отвечают на главный вопрос нанимающей стороны: что именно человек умеет делать здесь и сейчас.
Именно здесь AI в найме, по версии автора, перестает выглядеть карикатурой. После ручной сортировки у него осталось 7-8 имен, шестерым назначили собеседования. Затем он ради эксперимента загрузил резюме в нейросеть, подправил промпт так, чтобы оценка была не слишком категоричной и корректно учитывала опыт, и получил почти тот же результат, что и после своей проверки. Вывод жесткий, но понятный: полдня на ручное чтение были потрачены почти зря. Для рынка это, пожалуй, самая неприятная часть заметки. Не потому, что "машина победила человека", а потому что при типовом потоке откликов стоимость человеческой внимательности оказывается слишком высокой, а разница в результате — неочевидной.
Собеседования только усилили этот вывод. Процесс у компании был сравнительно короткий: разговор с HR, затем встреча с руководителем и техническим специалистом. На интервью смотрели на опыт, внятность мышления, теорию тестирования, теорию автотестов, прикладные кейсы без лайвкодинга и поведенческие сценарии вроде подхода к рефакторингу. По словам автора, часть кандидатов быстро рассыпалась уже на базовых вопросах. Один претендент пришел из саппорта и хотел стать автотестировщиком, но поплыл на теории и технических темах. Другой указал в резюме опыт по критичной для вакансии технологии, а на разговоре выяснилось, что фактически перепутал название и реальной практики не имеет. Отдельно запомнился тестировщик терминалов из ритейла: у него было резюме на пять страниц, но на собеседовании оказалось, что под автотестами он понимает скорее записанные действия на экране, а не инженерную автоматизацию в привычном для команды смысле. При этом среди шести собеседований нашлись и нормальные кандидаты: как минимум двоих автор называет адекватными и релевантными, и именно их нейросеть ранее отметила как подходящих на 100%.
Для разработчиков, тимлидов и HR здесь несколько неприятных, но полезных выводов. Во-первых, AI в найме работает не в стерильной лаборатории, а в среде, где обе стороны уже используют генеративные инструменты: работодатели для сортировки, кандидаты для упаковки опыта. Во-вторых, главный дефицит теперь не доступ к откликам, а доверие к формулировкам в резюме. Если текст набит ключевыми словами, но не объясняет, какие автотесты человек писал, с каким стеком работал и что делал сам, ручная проверка не становится гуманнее, она просто становится медленнее. В-третьих, сама идея "обязательно пусть посмотрит человек" неплохо звучит морально, но плохо масштабируется организационно, особенно когда на выходе человек и машина дают близкий shortlist.
Есть и более тонкий эффект. Подобные истории меняют не только практику найма, но и правила самопрезентации в IT. Кандидатам всё сложнее выигрывать за счет объема и общих фраз, а работодателям — оправдывать многоступенчатый фильтр разговорами про "индивидуальный подход". Если резюме проверяет сначала алгоритм, а потом техспециалист, побеждать будет не тот, кто красивее накачал профиль, а тот, кто умеет быстро доказать релевантность опыта на конкретных вопросах. Пожалуй, главный открытый вопрос теперь не в том, нужно ли использовать AI в найме, а в том, как не превратить весь процесс в гонку нейросетей, где одна сторона генерирует убедительный профиль, а другая пытается вычислить, где в нем заканчивается реальный опыт.