Кучер для управления автомобилем: почему вакансии с ИИ ищут не тех

Представьте объявление 1910 года:

«Старший кучер самодвижущегося экипажа. Опыт кучером от 6 лет, стажировка на телеге не засчитывается. Обязанности: управление экипажем, своевременная заправка отборным овсом, замена подков на всех четырёх колёсах, вычёсывание двигателя утром и вечером, умение осадить машину командой „Тпру!" при высокой нагрузке. Требования: глубокое знание анатомии лошади, сертификат конюха государственного образца. Будет преимуществом: призовые места на скачках, собственный табун в открытом доступе».

Смешно, но так и писали. Первых водителей во Франции назвали словом chauffeur, «истопник», потому что первые автомобили были паровыми и человек за рулём топил котёл. Котла в машине нет больше ста лет, а слово осталось.

Несколько недель назад я прошла путь кандидата своими руками: составила анкету, разместила на hh.ru, откликалась на вакансии, проходила интервью с ИИ-рекрутерами. Разбор одного из них, ГигаРекрутера, я уже публиковала. В этой статье поговорим о формулировках самих объявлений, потому что почти все они написаны по принципу кучера для автомобиля, и о том, каких объявлений на рынке нет вовсе.

Как назывались профессии, когда приходил новый инструмент

Историю можно проследить по объявлениям. В девяностые газеты «Из рук в руки» и первые сайты вакансий пестрели требованием «уверенный пользователь ПК», а должности звучали как «секретарь со знанием компьютера», «бухгалтер со знанием 1С», «оператор ПК». Компьютер тогда был отдельным навыком, который выносили в название, потому что владели им не все. Прошло лет пятнадцать, и строчка «пользователь ПК» из требований исчезла. Никто не пишет её сейчас, потому что без компьютера не работает ни один офис, и это подразумевается, как умение читать.

Раньше то же случилось с электричеством: на заводах двадцатых годов были отдельные должности при электроприводе, а через поколение токарь работал на электрическом станке и назывался просто токарем. Совсем недавняя история - «оператор машинного доения»: доярка, к названию которой приписали аппарат, потому что аппарат был новым.

Из этих историй видна закономерность. Первое название новой роли всегда собирается из старой профессии и нового инструмента, потому что другого языка ещё нет. Потом инструмент на какое-то время сам становится профессией - шофёр, оператор ПК, вебмастер. Вебмастер 1998 года делал всё: писал код, рисовал, наполнял тексты, настраивал сервер. За десять лет эта должность распалась на восемь: фронтенд, бэкенд, дизайн, контент, SEO, администрирование и дальше. И только третьим шагом приходит название по существу работы - логист, аналитик, архитектор системы, где инструмент не упоминается, потому что стал воздухом.

Сейчас рынок между первым и вторым шагом.

Что написано в российских вакансиях

По данным hh.ru, за первое полугодие 2026 года работодатели разместили больше 21 600 вакансий с требованием уметь работать с нейросетями. В первом квартале таких объявлений вышло в 2,7 раза больше, чем годом раньше. Чаще всего навык ждут от менеджеров по работе с клиентами - 18% всех упоминаний, дальше идут интернет-маркетологи, финансовые аналитики, контент-менеджеры, дизайнеры, специалисты кол-центров.

Я открывала эти объявления одно за другим. «Менеджер по продажам (со знанием нейросетей)». «Контент-менеджер, владение ChatGPT, Midjourney». «Финансовый аналитик, опыт работы с ИИ-инструментами будет преимуществом». Во всех случаях внутри - та же должность, тот же функционал, те же процессы компании, что и год назад. Менеджеру по продажам по-прежнему нужно делать 40 звонков в день и заполнять карточки в CRM. К этому приписали строчку про нейросети, и компания надеется, что кучер станет водителем, если попросить его уметь заводить мотор. Журнал «Код» в июле сформулировал это точно: владение нейросетями становится таким же стандартным требованием, как когда-то «уверенный пользователь ПК».

Технические вакансии выглядят серьёзнее. Разберу две реальные, компании не называю.

Крупный банк, роль DS/AI Lead в направлении ИИ для государственного управления. Что в ней написано под сегодняшнюю работу: обязанности - мультиагентные системы на LLM, проектирование RAG, формализация задач заказчика, контроль пилотов; требования - практический опыт с RAG и векторными базами, навыки создания агентов, и редкий для рынка пункт «опыт управления командой, использующей системы автоматического написания кода (Codex и др.)». Что написано под вчерашнюю: «опыт production-разработки ML-систем от 5 лет», «распределённые вычисления (PyTorch Distributed, DeepSpeed)», EDA и feature engineering руками. Первое - работа того, кто внедряет готовые модели. Второе - работа того, кто обучал модели с нуля до генеративной волны, на кластере из видеокарт. В одной вакансии сшиты две профессии.

Где стоит порог. Агенты, промпты, chain-of-thought - в разделе «будет плюсом». Пять лет production ML и DeepSpeed - в обязательных. Генеративный ИИ в нынешнем виде существует три-четыре года; требование пяти лет отсекает тех, кто пришёл именно в него. Фильтр настроен на кучера, приманка написана для водителя. Кто пройдёт: классический ML-инженер с большим стажем. Кто не пройдёт: человек, который за два года вывел три агентные системы заказчикам. А главное в роли - договориться с государственным заказчиком и превратить его задачу в решение - в требованиях не стоит вообще. У той же компании в тот же сезон висит вакансия AI Agent Engineer с порогом «от 2 лет backend», LangGraph и агентами, без DeepSpeed. Дело не в компании, а в шаблоне, по которому написано конкретное объявление.

Российский ИТ-интегратор, роль Lead AI Engineer. Порог выставлен под возраст технологии: «3+ лет инженерии, из них 2+ в LLM-проектах в проде». Требуют не обучать модели, а судить о них: «системы оценки качества LLM- и agent-решений: метрики, датасеты, автоматизированные проверки», «мониторинг, инциденты, качество, стоимость». В тексте: «если вы не совпадаете со всеми пунктами, но вам близки агентные workflow - откликайтесь». Жёсткий фильтр отключён самим объявлением.

Обе вакансии при этом про одно. Первая ищет того, кто обслуживает старую машину, вторая - того, кто обслуживает новую. Кучер, выучивший руль. Ни одна не ищет человека, который управляет процессом компании через ИИ и отвечает за его результат.

Три машины разговаривают друг с другом

Объявления теперь часто пишет нейросеть: работодатель описывает, кого хочет, и получает структурированный текст, плотно набитый ключевыми словами, потому что так учили писать «для поиска». Отклики читает тоже нейросеть, и отбирает она по совпадению этих слов. Соискатель, зная это, отдаёт объявление своему ИИ и просит переписать резюме под язык вакансии. Три машины обмениваются одними и теми же словами, а живой человек с обеих сторон мешает: его опыт написан не теми словами, а его запрос не совпадает с шаблоном.

Мой муж, руководитель отдела аналитики в компании с миллиардными оборотами, больше трёх месяцев искал специалиста по большим данным. На вакансию пришло больше 900 откликов. До финальных собеседований дошли двое. Остальное - боты соискателей, которые откликаются на всё, что совпало по ключевым словам. Рынок выглядел изобильным и был пустым.

Отсюда следует, почему вакансии выглядят одинаково. Модель, которая пишет объявление, собирает его из тысяч существующих - из прошлого. Она напишет вакансию на любую известную роль. Она не напишет вакансию на роль, которой в её данных нет.

Что вакансии выдают о компаниях

Исследователи Epoch AI взяли 1 604 вакансии шести китайских ИИ-компаний и восстановили по ним стратегии этих компаний точнее, чем по презентациям: компании нужен конкретный человек, и в объявлении она вынуждена написать, что он должен уметь, а значит - что она собирается строить. Вакансия ByteDance с приоритетом опыта на китайских ускорителях Ascend показала подготовку ухода от Nvidia раньше любых заявлений; вакансия DeepSeek на эксплуатацию дата-центра - переход от аренды к строительству.

Если прочитать этим методом российские объявления, они выдают то, чего компании сами о себе не говорят. Требования «от 5 лет production ML», «распределённое обучение», «feature engineering» в вакансии на внедрение ИИ для заказчика означают, что компания видит внедрение как разработку моделей. Отсутствие в требованиях цифры, за которую человек отвечает, означает, что процесс, куда его нанимают, не измерен. Отсутствие границы между тем, что делает ИИ и что человек, означает, что компания ещё не решила, зачем ей ИИ в этой роли. Вакансии показывают не то, что компании умеют внедрять, а то, что они пока не разобрались, что внедряют и кому что доверяют. Это диагноз, и дальше он объясняет, почему нужных вакансий нет.

Разрыв между тем, что говорят, и тем, как отбирают

Все говорят, что нанимают по навыкам, а не по названиям. Цифры это подтверждают: 73% работодателей в США перешли на найм по навыкам против 56% в 2022 году; только 30% объявлений требуют конкретное число лет опыта, было 40%. Поиск по навыкам вместо названия расширяет пул кандидатов в 6 раз, для ИИ-ролей - в 8. Deloitte: 71% работников уже работают за пределами формальной должности, и только 19% руководителей считают, что структура должностей отражает, как работа устроена на самом деле.

Механика работает против слов. 85% компаний заявляют найм по навыкам, и 82% принимающих решения не имеют надёжного способа эти навыки оценивать и сравнивать. Убрать требование диплома легко. Построить повторяемый процесс, где рекрутер, нанимающий руководитель и юрист оценивают способность одинаково, трудно. Команды доходят до отбора и возвращаются к резюме - документу, который описывает работу, но не доказывает способность. В книге «Как войти в эпоху ИИ» я называю это методом электрического котла: технология даёт результат только там, где под неё перестроили сам процесс. Найм не отличается от продаж. Мотор поставили - риторику про навыки. Фабрику не перестроили - отбирают по бумаге.

По странам картина расходится. Китай сдвигается от алгоритмистов к соединителям - тем, кто соединит ИИ с продуктом и знанием отрасли; у Alibaba свыше 80% позиций в кампусном наборе выпускников 2027 года - ИИ. Требуемый опыт у китайских лабораторий - 1,6 года против 5,5 у американских: глава DeepSeek говорит, что нанимает по способности, а не по стажу. В США только 37% работодателей считают диплом надёжным индикатором, каждый десятый почти полностью заменил резюме проверкой навыков. В России в марте 2026 года - 11,4 резюме на вакансию при безработице 2,2%, и одновременно 93% работодателей говорят, что кандидатам не хватает навыков. Очередь стоит, нанять некого.

Где машинный отбор теряет людей

Раз отбор делает система, её можно разобрать по наблюдаемому поведению, как я разбирала ГигаРекрутера. Первый ответ на отклик приходит через минуты - решение принимает не человек. Приглашения получают резюме, где стоят слова из объявления; резюме с тем же опытом, описанным иначе, получают отказ. Отсюда пайплайн из четырёх шагов: парсинг резюме в поля, сопоставление с требованиями, скоринг с порогом автоотказа, ранжирование для рекрутера. И четыре класса потерь.

Сопоставление по строке: «руководил командой из 12 человек» и «опыт управления» для системы - разные вещи. Открытые проекты на GitHub решают это каскадом: точное совпадение, потом словарь синонимов под отрасль, потом семантическое сходство; именованные технологии сравниваются только точно, иначе «Random Forest» склеится с «scikit-learn»; порог сходства калибруется на размеченной выборке - в SkillMatch на таксономии ESCO он составил 0,87 при 90% точности.

Жёсткие пороги: стаж 2,5 года не проходит «от 3», аналитик из ритейла не проходит в финтех по полю «отрасль». Решение - развести критерии на жёсткие, по которым автоотказ допустим (локация, право на работу), и мягкие, по которым допустимо только ранжирование; веса подбираются под золотой набор из 15–30 пар «резюме - вакансия», размеченных руками.

Верх списка: рекрутер читает 20–30 позиций, сильный кандидат на 47-й не доходит никогда. Решение - три среза вместо одного (балл, нестандартность пути, свежесть навыков) и контрольная выборка: 20 отклонённых в месяц читает человек.

Подогнанные и заражённые резюме. Исследование Duke и hireEZ на ~200 000 реальных резюме, USENIX Security 2026: около 1% содержат скрытые инъекции для ИИ-скрининга - белый текст, шрифт в 1 пункт; больше 90% из них - не команды, а тихое подсовывание навыков и должностей, которых нет в видимой части. Решение - сравнить текст, который вытащил парсер, с тем, что видит человек на странице, и проверять утверждения артефактами: репозиторий, продукт, публикация.

Пятый класс стоит перед всеми: система отбирает по тому, что написано в вакансии. Если объявление написано по принципу кучера, никакая настройка не поможет - фильтр найдёт кучеров. Стандарт, к которому пришли практики найма в 2026 году: каждое значимое предложение вакансии должно содержать минимум два из пяти элементов - измеримый результат, границы роли, сложность взаимодействий, основание для решений, что человек вынес из неудачи. Если их нет, вакансия благоволит кандидатам, хорошо упакованным ИИ. Если есть - кандидаты отвечают опытом, который можно проверить.

Каких вакансий нет

Я просмотрела десятки объявлений с ИИ - от «менеджера со знанием нейросетей» до Lead AI Engineer с порогом под возраст технологии. Различаются они поколением и качеством описания. Не различаются одним: все ищут человека при машине. Одни - при старой, другие - при новой. Отдельными объявлениями ищут тех, кто будет жать на педали и брызгать на стекло, - промпт-инженеров и разметчиков, работу, которую машина заберёт следующей.

Нет вакансий на того, кто управляет процессом компании через ИИ и отвечает за его цифру. Нет межотраслевых ролей - человека на стыке права и ИИ, госуправления и ИИ, логистики и ИИ, - хотя именно они появляются в реестрах профессий Китая и в опросах: по данным VK Education этого месяца, 62% преподавателей ИТ называют главной новой профессией интегратора ИИ в бизнес, 47% ждут роста спроса на контролёров качества ИИ. Рынок это чувствует. Объявлений нет.

Причина не в том, что компаниям такие роли не нужны. Причина в том, что вакансию пишет тот, кто умеет описать только известное, а если пишет ИИ - только то, что есть в его данных. Роль, которой ещё нет, в данных отсутствует. Её нельзя сгенерировать. Её можно только вырастить.

В каком порядке это происходит

В книге «Как войти в эпоху ИИ» внедрение описано как движение по узлам - от процесса, а не от людей, - и я применю ту же логику к найму, потому что вакансия оказывается последним шагом этого движения, а не первым.

Мировая практика подтверждает начало. Программы внутренних проводников ИИ - AI champions - работают не назначением сверху, а по наблюдаемому поведению: «лучший проводник - операционный менеджер, который уже собрал три рабочих промпта для проверки счетов, а не самый технический человек в комнате». Citi построил сеть из 4 000 таких людей и получил 70% внедрения за 12–18 месяцев. EY на опросе 15 000 сотрудников в 29 странах: компании теряют до 40% возможного эффекта, потому что люди не умеют применять ИИ дальше базовых задач, а 23–58% приносят свой теневой ИИ. BCG: 78% американских компаний используют ИИ хотя бы в одной функции, и только 26% способны выйти за пилоты к измеримому результату. Диагноз у всех один: доступ к инструменту не равен изменению процесса.

Последовательность, к которой это ведёт, обратна той, по которой сейчас пишут вакансии. Она устроена как контур с обратной связью.

Первый такт - контур внутри компании. Работа с ИИ становится обязанностью каждой роли с двумя-тремя операциями, которые без ИИ не считаются выполненными; теневое использование переводится из нарушения в разведку - оно показывает, где ИИ уже даёт эффект; сотрудник, собравший автоматизацию своего процесса, получает за принятую, а за подхваченную другими - долю от измеренной экономии.

Второй такт - обнаружение и измерение узлов. Подхваченные автоматизации показывают участки процесса, которых собственник сверху не видел: сверка актов, сводка перед звонком, проверка документов перевозчика. Каждый узел получает метрику до и после - часы, цикл, потери - и только с метрикой считается узлом, а не удобством.

Третий такт - стандартизация и роль. Узел, у которого подтвердилась цифра, фиксируется как стандарт: регламент, настроенный контур, порог автономности машины - что она делает сама, где спрашивает. Человек, чья автоматизация стала стандартом, уже держит этот узел и отвечает за его цифру - это владелец узла, роль, которая ещё не названа, но существует. Так рождаются межотраслевые профессии: бухгалтер, который держит узел сверки через ИИ, юрист, который держит узел проверки договоров. Пустые места между выросшими ролями и есть потребности, которых рынок не видит.

Четвёртый такт - вакансия. Сфера, функционал и результат берутся из существующего узла с его цифрой и границей; после них - требования, реалистичные под возраст технологии, и доказательство вместо резюме: задача из этого узла. Такую вакансию нельзя сгенерировать, потому что метрика узла и граница между машиной и человеком есть только у этой компании. Её пишут руками, и она ищет второго человека на роль, которая уже работает.

Мировая практика прошла первый такт и остановилась: проводники у них - способ внедрить, а не источник ролей; метрика - «процент использования», а не «сколько узлов измерено и сколько ролей выросло». Второй тренд - вакансия от результата - идёт отдельно, из соображений гибкости планирования. Связки «результат берётся из узла, найденного внутри через работу людей с ИИ» нет ни у кого. Это два тренда, которые ещё не встретились.

Что остаётся открытым

Три вопроса, которые видны после разбора и на которые нельзя ответить в статье.

Как отличить принятую автоматизацию от личного удобства - что считать узлом; как измерить экономию так, чтобы её не накручивали, как накручивали использование ИИ в Amazon, где дашборд пришлось отключить. Это вопрос метрик и мотивации.

Как зафиксировать выросшую роль так, чтобы она пережила человека - чтобы уход того, кто держал узел, не обрушил процесс. Это вопрос стандарта узла.

Как проверить кандидата снаружи на роль, которая выросла внутри - что показать вместо резюме, как оценить суждение о результате машины, а не умение её запустить.

Подход к первым двум - метод котла и метод профиля - изложен в книге. Пошаговый механизм с лесенкой мотивации, правилами, при которых цифры не накручиваются, и стандартом узла - в рабочей тетради к главе 17 в цифровом приложении. Карта разбора вакансии - там же.

Куда это идёт

Всемирный экономический форум даёт две цифры: к 2030 году 39–44% навыков каждого работника устареют, а умение работать с ИИ станет самым востребованным навыком - выше аналитического мышления. Это описание момента, когда строчка «ИИ» из объявлений исчезнет так же, как исчезла строчка «пользователь ПК»: не потому что навык стал ненужным, а потому что стал условием любой работы. По темпам в данных - 3–5 лет.

Стэнфордское исследование этого лета показало, что ИИ уже сокращает рабочие места для входных позиций - людей 22–25 лет, - не затрагивая старших. Вакансии по принципу кучера закрывают вход именно для них, потому что требуют стажа в операциях, которые машина забрала первыми. Вакансия от узла этот вход открывает: способность довести результат не привязана к годам.

Первыми автомобиль освоили не самые титулованные кучера - их перековать было труднее всего, они слишком верили в лошадь. Освоили те, кто увидел, что задача не в лошади, а в том, чтобы довезти. Компания, которая сначала вырастит роли внутри, а потом напишет по ним вакансии, получит тех, кого остальные отфильтровали.

Источники: hh.ru и PR DEV - исследование вакансий с ИИ-требованиями, март и июль 2026; hh.ru - индекс конкуренции, март 2026; SuperJob, 2026; Epoch AI - анализ 1 604 вакансий китайских ИИ-лабораторий; hh.ru и career.habr.com - открытые вакансии российских компаний, 2026; SHRM Talent Trends 2026; LinkedIn Economic Graph; Deloitte - Human Capital Trends, «Navigating the end of jobs»; EY Work Reimagined Survey 2025; BCG - State of AI in the Enterprise 2026; PwC Global AI Jobs Barometer 2026; WEF Future of Jobs Report; Stanford Digital Economy Lab, «Canaries in the Coal Mine», август 2026; Zhang et al., «Measuring Real-World Prompt Injection Attacks in LLM-based Resume Screening», USENIX Security 2026; SkillMatch / O*NET-ESCO (arXiv 2510.01470); VK Education - опрос преподавателей ИТ, сентябрь 2026.