Первую группу кандидатов узнать достаточно легко — они имеют сформированную привычку адресовать модели запрос и почти без правок переносить полученный ответ в рабочий контур. Их собственная аналитическая работа сводится к минимуму, из-за чего может страдать способность выстраивать причинно-следственные связи и замечать смысловые противоречия. Портфолио у таких соискателей выглядит гладким снаружи, но при малейшей детализации обнаруживает однотипную логику построения и фактические провалы, связанные с ограничениями обучающих данных. Специалист может бойко поддерживать беседу на общие темы, однако углубленные вопросы по существу решенной им же задачи заводят его в тупик. Кандидаты этого типа часто обладают развитыми софт-скиллами, умеют работать в высоком темпе и излучают уверенность, что позволяет им неплохо решать задачи, в которых срок важнее уникальности подхода. Однако ценность таких специалистов для задач, где необходим вдумчивый подход, остается под вопросом, потому что их способ работать с ИИ больше напоминает использование калькулятора без понимания математической логики, стоящей за вычислениями. При найме эта группа довольно быстро отсеивается, если позиция предусматривает наличие критического мышления, творческие составляющие или системный подход. Количество подобных соискателей растет пропорционально общедоступности нейросетей, однако их конкурентное преимущество крайне неустойчиво и легко воспроизводится другими участниками рынка.

Противоположный способ мышления предлагает вторая группа, и именно за ней сегодня разворачивается кадровая конкуренция. Эти люди встраивают генеративные модели в собственную мыслительную цепочку или бизнес-процессы, но не перекладывают принятие решений на алгоритм. Они владеют многоуровневым промт-инжинирингом, понимают ограничения разных систем и умеют комбинировать несколько моделей, что помогает получить запланированный результат. Нейросеть в этом случае выступает не заместителем интеллекта, а его ускорителем на этапах проверки гипотез и обработки массивных объемов данных. В таком подходе итоговый продукт труда отличается сложностью и высоким качеством. Работодатель видит в таких кандидатах специалистов принципиально иного уровня мышления, способных управлять сложными процессами с опорой на современные технологические инструменты.

Обе описанные категории активно взаимодействуют с алгоритмами, но глубина этого взаимодействия разделяет их на тех, кто лишь пользуется готовым, и тех, кто создает новое.

Принципиально иная картина складывается для соискателей, чья профессиональная идентичность выстроена без привязки к нейросетям, — здесь тоже обнаруживаются две выраженные разновидности.

Третья категория — специалисты, на которых масштабное распространение языковых моделей не оказало заметного влияния. Они последовательно наращивали экспертизу в своей области и продолжают идти тем же путем вне прямой связи с технологической модой. Их логика — медленное, но неуклонное накопление профессионального капитала. Больше всего специалистов этой категории обнаруживается в тех сферах, где глубина погружения в предмет и репутация, заработанная за годы, сохраняют статус главной ценности, а скорость получения информации не становится решающим фактором кадровых решений. Юриспруденция (сложные задачи, а не просто составление типового договора по вводным условиям), медицина, фундаментальная наука, архитектура и консалтинг высокого уровня, персональные услуги, связанные с прямым контактом с клиентом, — направления, в которых данная закономерность заметна в первую очередь.

Организации охотятся на кандидатов этой категории не менее активно, чем на представителей второй группы, потому что способность принимать решения в условиях неопределенности вырастает у них из фундаментальной подготовки и опыта, а не из умения быстро находить ответ с помощью алгоритмов. Их ценность заключается в способности продавать свою экспертизу и внедрять ее в любые процессы без опоры на внешние технологические подпорки.

Четвертая группа существует в иной реальности — для ее представителей генеративные модели остаются параллельной вселенной, которая не пересекается (в их представлении) с профессиональной деятельностью. Они знают о существовании нейросетей, но продолжают решать задачи привычными способами и планируют успешно работать так еще долгие годы. Алгоритмы не попадают в поле их профессионального внимания, навык взаимодействия с ними не формируется. Когда компании внедряют автоматизированные системы, специалисты без такого опыта начинают уступать коллегам, освоившим алгоритмы, — страдают и скорость, и качество итогового продукта. По прогнозам, доля этой категории будет сокращаться, потому что оставаться в стороне от технологических изменений с каждым годом становится труднее. И рабочие места такого типа сокращаются.

Нейросети уже научились генерировать музыкальные композиции и короткометражное видео, и скорость, с которой они осваивают творческие форматы, заметно растет. Тем не менее нестандартный, свежий взгляд на привычные объекты пока остается для алгоритмов труднодоступным, а потому творческая составляющая все еще служит тем маркером, по которому рекрутер или эксперт определяет степень участия человека в создании продукта, хотя, безусловно, с каждым обновлением ИИ грань между сгенерированным и уникальным авторским контентом становится все тоньше.

Функцию второго маркера берет на себя эмоциональная ткань продукта. Генерированный контент сохраняет ровную, однотипную и предсказуемую тональность, в то время как личная включенность автора проступает через тонкие настройки, неожиданные смысловые связи и присутствие в итоговой работе элементов, тесно связанных с предыдущим опытом исполнителя. Перечисленные особенности помогают рекрутерам и руководителям провести грань между формальным выполнением задачи и осмысленным результатом, а также отличить обезличенную компиляцию от продукта, в который вложен индивидуальный опыт. Технологии пока не достигли уровня, позволяющего достоверно имитировать подобную проработку, и это обстоятельство сохраняет за экспертной оценкой при подборе один из немногих пока еще действенных фильтров.

Меняются и методы подбора персонала. Чем больше линейных позиций нужно закрыть за месяц, тем активнее используют нейросетевых агентов и автоматические фильтры, которые перебирают резюме, оценивают тестовые задания, проводят начальные текстовые интервью и оставляют HR-специалисту лишь несколько кандидатов для принятия окончательного решения. Человек включается на финальной стадии, когда основная сортировка уже сделана. Есть даже примеры, когда человек вовсе исключен из процесса принятия решения по кандидату и новый сотрудник просто выходит на работу после одобрения от ИИ.

И совсем иначе устроен точечный поиск руководителя высокого ранга. Никому не придет в голову доверить такой отбор алгоритму, потому что решающее значение тут имеют личная беседа будущего руководителя с кандидатом, оценка совпадения по ценностям и готовность вместе проживать последствия сложных решений. Здесь до сих пор работают прямые рекомендации, личные знакомства, долгие встречи без формальных сценариев — все то, что дает ответ на вопрос «сработаемся ли мы», а не «какой у вас опыт». Чем стремительнее обновляется отрасль и чем больше информации обрушивается на управленца, тем весомее становится этот неавтоматизируемый элемент найма. Без него даже блестящий послужной список не гарантирует, что человек впишется в команду и потянет темп перемен.

Вместе с тем работодатель все больше внимания уделяет качеству базовой подготовки. Кандидата оценивают по глубине и широте базового образования, а какой-либо конкретный прикладной навык относят к тому, что можно развить уже в процессе работы. Сотрудник, свободно ориентирующийся в гуманитарной, естественно-научной и технической повестке, гораздо быстрее осваивает любые прикладные компетенции и естественным образом уходит от однобокости профессионального взгляда. Компании готовы доучивать новичков под свои процессы, но рассчитывают, что человек придет с развитой эрудицией и способностью впитывать междисциплинарные знания, а не с набором быстро устаревающих умений. Масштабные изменения в корпоративной среде требуют от персонала переобучаемости, и основательная базовая подготовка становится страховкой от профессионального кризиса на этапе очередного технологического сдвига.

Государственным институтам в этой системе координат отводится двойная роль. Первая их задача — на основании больших данных и долгосрочных прогнозов определять, какие профессии и компетенции останутся востребованными по мере распространения ИИ, и превращать этот прогноз в техническое задание для образовательной системы. Вторая — непосредственно участвовать в корректировке учебных программ, чтобы базовое образование давало не узкий навык работы с конкретной нейросетью, а умение переучиваться, критически оценивать сгенерированный результат и комбинировать знания из разных областей, то есть готовило специалистов, которых алгоритмы не смогут быстро заменить.

Никакая технология сама по себе не становится для рынка ни катастрофой, ни спасением — все зависит от прикладной модели, выбранной пользователем. Специалист, который добровольно перепоручил алгоритму всю мыслительную часть своей работы, неизбежно готовит себе замену и со временем будет вынужден уступить рабочее место либо алгоритму, либо более адаптивному коллеге. В то же время способность органично встроить нейросеть в рабочий процесс делает позицию кандидата на рынке почти неуязвимой.

Юлия Аблец, заместитель генерального директора АНО «Диалог Регионы», основатель «Мастерской новых медиа

Мнение редакции может не совпадать с мнением автора. Использование материала допускается при условии соблюдения правил цитирования сайта tass.ru