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

Представьте объявление 1910 года: «Требуется кучер для управления автомобилем. Опыт работы с лошадьми от пяти лет». 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.

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 мы 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». «Специалист кол-центра, умение работать с ИИ-помощником». 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». Только пока никто не заметил, что это требование первого поколения и оно ничего не говорит о работе.

Второй слой объявлений выглядит солиднее, и с ним сложнее. В США число должностей со словом AI в названии выросло за три года с 264 до 822, и 63% из них - вне IT: медицина, маркетинг, логистика, управление. В России весной 2026 года на hh.ru появилась вакансия «оркестратор ИИ-агентов» с вилкой от 300 000 до 770 000 рублей на руки. Звучит как профессия будущего. Но что стоит за названием, из объявления не понять: то ли человек будет проектировать систему из нескольких агентов, то ли настраивать готовую платформу, то ли это продакт-менеджер, которому переименовали должность, чтобы привлечь внимание.

Технический директор с двадцатилетним опытом найма описал происходящее с названиями в 2026 году как худший беспорядок с тех пор, как индустрия решила, что DevOps - это должность, а не способ работы. Лучший инженер, которого он нанял за год, имела в профиле просто «разработчик» и вывела в продакшн 3 системы на больших языковых моделях. Худший отклонённый кандидат назывался «главный агентный форвард-деплойд контекст-архитектор» и имел на GitHub 3 копии чужого учебного примера. Название перестало описывать работу.

Три машины разговаривают друг с другом

Есть ещё один слой, о котором почти не говорят. 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: есть «LLM», «RAG», «Python» - проходит, нет - отсекается. Соискатель, зная это, берёт объявление, отдаёт своему ИИ и просит переписать резюме под язык вакансии. Три машины обмениваются одними и теми же словами, а живой человек с обеих сторон в этом обмене мешает: его настоящий опыт написан не теми словами, а его настоящий 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. На стороне работодателя такой же фильтр отсеивал по тем же словам. Рынок выглядел изобильным и был пустым.

Вакансия - самый откровенный документ компании

Есть способ читать объявления, который переворачивает их смысл. Исследователи Epoch AI взяли 1 604 вакансии шести китайских ИИ-компаний и восстановили по ним стратегии этих компаний точнее, чем по презентациям и отчётам. Компании нужен конкретный человек, и в объявлении она вынуждена написать, что он должен уметь, а значит - где у неё болит и что она собирается строить.

Одна вакансия ByteDance требовала опыта оптимизации под ускорители Nvidia. Это означает, что компания работает на американских чипах, несмотря на экспортные ограничения. Другая вакансия там же отдавала приоритет кандидатам с опытом на китайских ускорителях Ascend и Cambricon. Это означает, что компания готовит переход на своё железо, потому что поставки Nvidia могут прекратиться. Два объявления показали и текущее положение, и направление ухода, и ничего этого в публичных заявлениях ByteDance не было. Вакансия DeepSeek на эксплуатацию дата-центра во Внутренней Монголии означала, что компания перестала арендовать мощности и начала строить свои. У Z.ai большинство вакансий выхода на рынок были про корпоративные продажи, у MiniMax - про маркетинг; когда вышла отчётность, у первых 3/4 выручки оказались от работы моделей на инфраструктуре клиентов, у вторых - от продуктов для частных лиц.

Тот же метод работает на наших компаниях. Открытые вакансии Сбера по GigaChat читаются как карта. Команда MLOps ищет людей под «LLM (GigaChat, DeepSeek и т.д.)» - значит, внутри работают не только на своей модели, открытые китайские тоже в контуре. Требование «оптимизация inference: Eagle, FP8, дистилляция» означает, что вычисления стали дорогими и их считают. Задача «замена традиционных классификаторов LLM-пайплайнами и RAG-системами» говорит, что старые системы перестраивают, а не дополняют. Вакансия ML Team Lead на «ИИ-помощник для TV и колонок» до 600 000 рублей показывает, куда идёт продукт - в устройства. Всё это написано в требованиях к кандидатам, а не в пресс-релизах.

Хотите понять, куда идёт конкурент или отрасль, - читайте не сайт, а вакансии за последние 3 месяца. И помните, что ваши читают так же.

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%. По данным LinkedIn, поиск по навыкам вместо названия расширяет пул кандидатов в 6 раз, для ИИ-ролей - в 8. 68% нанимающих руководителей называют живую демонстрацию навыка самым надёжным сигналом.

Но 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, в котором 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, а не приделали к старому. Найм здесь не отличается от продаж или производства. 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, у Baidu больше 90%. Требуемый опыт у китайских лабораторий - 1,6 года против 5,5 у американских: глава DeepSeek говорит, что нанимает по способности, а не по стажу, и почти 20% инженерных позиций отдано выпускникам. В США только 37% работодателей считают диплом надёжным индикатором, каждый десятый почти полностью заменил резюме проверкой навыков и сценарными задачами. 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.

Как устроен машинный отбор и где он теряет людей

Раз отбор делает система, разберу её так же, как ГигаРекрутера: по наблюдаемому поведению восстановлю устройство, назову классы дефектов и дам решения, которые уже реализованы в открытом коде и в исследованиях.

Что видно снаружи. Первый ответ на отклик - отказ или приглашение - приходит через минуты, значит, решение принимает не человек. Приглашения чаще получают резюме, где в заголовке и навыках стоят слова из объявления; резюме с тем же опытом, описанным иначе, получают отказ. Отсюда рабочая гипотеза о пайплайне из четырёх шагов: парсинг резюме в поля (должности, годы, навыки, образование); сопоставление полей с требованиями вакансии; скоринг и порог автоотказа; ранжирование прошедших для рекрутера. По каждому шагу - класс дефекта и решение.

Дефект 1. Сопоставление по строке. «Руководил командой из 12 человек» и «опыт управления» для системы - разные вещи; «строил RAG-контур» и «проектировал поиск по базе знаний» - тоже. Кандидат с нужным опытом, описанным своими словами, теряется.

Решение - каскад сопоставления, как он реализован в открытых проектах на GitHub (например, resume_match): сначала точное совпадение, затем словарь синонимов и алиасов под отрасль, затем семантическое сходство эмбеддингов как запасной вариант. С одной оговоркой, которую эти проекты вывели на практике: именованные технологии сравниваются только точно или по алиасу, иначе «Random Forest» склеится с «scikit-learn». Для навыков-действий - эмбеддинги; модель all-MiniLM-L6-v2 работает локально, без внешнего API. Порог сходства не назначается на глаз: в SkillMatch, построенном на таксономии навыков ESCO, порог косинусного сходства 0,87 дал 90% точности на ручной выборке - его калибровали, а не выбирали.

Дефект 2. Жёсткие пороги. Аналитик из ритейла не проходит в финтех по полю «отрасль», хотя задача та же. Стаж 2,5 года не проходит порог «от 3».

Решение - развести критерии на два типа в конфигурации скоринга. Жёсткие, по которым автоотказ допустим: локация, право на работу, конфликт интересов. Мягкие, по которым допустимо только ранжирование: отрасль, стаж, конкретные инструменты. Итоговый балл - взвешенная сумма, где веса не выдумываются, а подбираются под золотой набор: 15–30 пар «резюме - вакансия», размеченных руками нанимающего руководителя. Открытые проекты держат такой набор в репозитории и прогоняют при каждом изменении весов; для компании это файл на 20 строк, который отвечает на вопрос, не сломался ли отбор после правки.

Дефект 3. Верх списка. Рекрутер читает первые 20–30 позиций. Сильный кандидат на 47-й не доходит до человека никогда.

Решение - не один список, а три среза: по общему баллу; по нестандартности пути (низкое совпадение по строке при высоком семантическом сходстве - как раз те, кого дефект 1 прячет); по свежести навыков. И контрольная выборка: 20 отклонённых резюме в месяц читает человек; если находит подходящих - критерии правятся. Это тот же аудит смещения, который в открытых ATS зашит как отдельный модуль (bias-audited ranking).

Дефект 4. Подогнанные и заражённые резюме. Здесь данные свежие и неприятные. Исследование Duke и hireEZ, USENIX Security 2026, на ~200 000 реальных резюме: около 1% содержат скрытые инъекции для ИИ-скрининга - белый текст, шрифт 1 пункт, слои за пределами страницы. Больше 90% из них - не команды вроде «проигнорируй инструкции», а тихое подсовывание данных: скрытые навыки, скрытые должности, которых нет в видимой части. Доля растёт второй год. Плюс массовое явление без всякой инъекции: резюме, переписанное ИИ под язык вакансии, честное по форме и пустое по содержанию.

Решение против инъекций - кросс-модальная проверка: сравнить текст, который вытащил парсер, с тем, что видит человек на отрендеренной странице. Расхождение - флаг. Детекторы из той же работы (гибридный каскад: правила визуального анализа плюс проверка моделью) и открытый PhantomLint делают это с низким числом ложных срабатываний. Решение против подгонки - проверка утверждений артефактами: ссылка на репозиторий, на опубликованную работу, на продукт; и проверка согласованности - ответы на короткое задание сравниваются с тем, что заявлено в резюме. Кандидат, у которого «3 системы в продакшн» подтверждаются кодом, и кандидат, у которого это фраза, теперь различимы.

Дефект 5. Вход. Система отбирает по тому, что написано в вакансии. Если объявление написано по принципу кучера - «менеджер, знание нейросетей, опыт от 3 лет» - никакая настройка не поможет: фильтр найдёт кучеров. Когда роль описана через узел и результат, тот же пайплайн работает надёжнее; когда роль в беспорядке, автоматизация ускоряет беспорядок.

Карта разбора вакансии

Раз система отбора начинается с объявления, объявление и надо проверять первым. Сетка из шести вопросов, по которой можно взять любую вакансию - свою или конкурента - и увидеть, что в неё зашито.

Поколение: старая должность плюс инструмент; инструмент как профессия; узел и результат. Если первое - кого на самом деле ищут и почему это не работает год.

Узел: какой участок процесса закрывает человек. Если участок не назван - вакансия написана от оргструктуры, а не от работы.

Цифра: что изменится через квартал и как это измерят. Если цифры нет - результат не определён, и оценить кандидата будет не по чему.

Граница: что берёт ИИ, что остаётся человеку. Если границы нет - компания ещё не решила, зачем ей ИИ в этой роли.

Доказательство: что кандидат должен показать вместо резюме. Если ничего - отбор пойдёт по бумаге.

Стратегия: что объявление выдаёт о компании - какие модели, чипы, каналы продаж, какие процессы перестраивают. Это и есть метод Epoch AI, применённый к любому рынку.

Пример объявления, собранного по этой сетке: «Владелец узла обработки входящих обращений. Задача - сократить цикл сделки с 14 до 8 дней за квартал. ИИ-ассистент берёт черновики ответов, сводки по клиенту и напоминания; вы - переговоры, спорные случаи и решения. Вместо резюме - задача на 40 минут с любым ИИ: покажите, как поставили задачу машине, что проверили в её ответе, что взяли на себя». Название подбирается потом, служебно, чтобы объявление находили.

Роль, которая появилась в этом месяце

Одна должность родилась на наших глазах и сразу описана по третьему поколению. 12 сентября 2026 года глава Anthropic Дарио Амодеи опубликовал эссе с призывом замедлить рост возможностей моделей, и первым шагом компания ввела у себя, а OpenAI поддержала, позицию встроенного внешнего оценщика. Это человек с доступом уровня сотрудника, который проверяет не результат, а процессы: как обучают модели, как выкатывают, соблюдаются ли заявленные правила безопасности, что случилось в инцидентах. У него есть право сообщить об этом наверх и наружу, даже если компания хотела бы вырезать это из отчёта.

В описании ни слова «ИИ». Роль задана через доступ, ответственность и право. И она нужна не только в лабораториях, которые строят модели: в любой компании, где агенты действуют сами, нужен человек, который смотрит на процессы и не подчиняется тому, кого проверяет. По опросу VK Education этого месяца, 47% преподавателей ИТ-дисциплин ждут роста спроса на контролёров качества ИИ, 45% - на специалистов по безопасности и этике. Рынок эту роль чувствует, только называет по-старому.

Куда это идёт

Всемирный экономический форум в отчёте о будущем рабочих мест 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, написанные по принципу кучера, закрывают вход именно для них, потому что требуют стажа в операциях, которые машина забрала первыми. Вакансия от узла и результата этот вход открывает: способность довести результат не привязана к годам.

Пока «ИИ» не ушло из названий, объявление первого поколения будет собирать очередь из кучеров, объявление второго - кандидатов с громкими названиями и тремя копиями чужого кода, а машины будут отбирать машин. Компания, которая напишет вакансию третьего поколения раньше, чем это станет нормой, получит тех, кого остальные отфильтровали. Пройдите по сетке выше свою последнюю вакансию. Будут вопросы - задавайте.

Источники: hh.ru и PR DEV - исследование вакансий с ИИ-требованиями, март и июль 2026; hh.ru - индекс конкуренции, март 2026; SuperJob - опрос работодателей о навыках, 2026; Epoch AI - анализ 1 604 вакансий китайских ИИ-лабораторий; career.habr.com - открытые вакансии Сбера, 2026; SHRM Talent Trends 2026; LinkedIn Economic Graph; Karat - опрос нанимающих руководителей; PwC Global AI Jobs Barometer 2026; WEF Future of Jobs Report; Stanford Digital Economy Lab, «Canaries in the Coal Mine», август 2026; Zhang, Jia, Gong, Song et al., «Measuring Real-World Prompt Injection Attacks in LLM-based Resume Screening», USENIX Security 2026; PhantomLint (arXiv 2508.17884); SkillMatch / NLx corpus, O*NET-ESCO (arXiv 2510.01470); открытые репозитории resume_match, resume-screening-agent на GitHub; VK Education - опрос преподавателей ИТ, сентябрь 2026; Д. Амодеи, «We Must Pace the Frontier», 12 сентября 2026.