На что стоит обращать внимание при выборе специалиста на сложный и долгосрочный AI проект?

Рынок AI-специалистов сейчас устроен так, что резюме выглядят почти одинаково, а результат дают люди с совершенно разными профилями. Навыки, скиллы, опыт, образование — всё это, безусловно, даёт некоторую уверенность, но уверенность эта, увы, обманчива: резюме показывает пройденный путь, а не способность пройти следующий. Разберём, на что действительно стоит смотреть, когда вы ищете человека на сложный и долгосрочный AI-проект, где ошибка в выборе стоит не одной переделки, а месяцев и репутации.

Почему классический скрининг не работает в AI

Традиционный найм устроен по принципу «проверить то, что можно проверить». Формальные признаки — образование, сертификаты, количество лет в профессии, список технологий в резюме. В большинстве инженерных областей это работает хотя бы потому, что стек меняется медленно: если человек десять лет писал на Java, он, скорее всего, напишет и ваш сервис.

В AI-разработке эта логика ломается. Область меняется так быстро, что опыт трёхлетней давности может быть почти нерелевантным. Модели, фреймворки, практики — всё это обновляется быстрее, чем успевает осесть в резюме. Человек с идеальным списком технологий может оказаться беспомощным перед реальной задачей, а человек без модных слов в резюме — собрать работающее решение за две недели.

Есть и вторая причина: AI-проекты редко бывают типовыми. Почти каждый — это исследование на границе возможностей модели, данных и продукта. Здесь ценность специалиста не в том, что он знает, а в том, как он ищет, когда не знает. А это формальными признаками не измеряется.

Что действительно говорит о специалисте

Начнём с того, что стоит смотреть на следы реальной работы. Не на список проектов, а на то, как человек о них рассказывает. Хороший признак — когда он говорит не о технологиях, а о проблемах: что было сложно, где застряли, что переделали, какой результат получили. Если в рассказе только стек и общие слова — скорее всего, реального участия было немного.

Второй признак — способность признавать, что не знает. Это звучит странно, но в AI это критично. Область настолько велика, что никто не знает всего. Специалист, который честно говорит «вот это я не делал, но вот как бы я подошёл», ценнее того, кто отвечает уверенно на всё. Второй тип обычно либо поверхностный, либо не осознаёт границ своей компетенции — и то и другое опасно на долгом проекте.

Третий признак — способность объяснять сложное просто. Если человек не может без слайда и схемы объяснить, чем отличается RAG от fine-tuning и когда что использовать, — вероятно, он сам это не до конца понимает. Глубина обычно проявляется в ясности изложения, а не в количестве терминов.

Четвёртый признак — наличие своей позиции. Хороший специалист не просто знает технологии, но имеет мнение: что работает, что нет, что переоценено, что недооценено. Если на все вопросы ответ «зависит от задачи», возможно, человек просто не сталкивался с выбором.

Опыт: какой именно важен

Опыт бывает разный, и не всякий релевантен. Опыт работы в крупной компании с готовой инфраструктурой не всегда переносится на стартап, где всё надо строить с нуля. Опыт в research не всегда конвертируется в production. Опыт в одной предметной области может не помочь в другой.

Что реально важно: опыт прохождения полного цикла. Человек, который запускал AI-систему в production и видел, что происходит через месяц после релиза, знает то, чего не знает человек, который только строил прототипы. Разница огромная: в проде всплывают вопросы стоимости, задержек, деградации качества, обновлений модели — всё то, что в лабораторных условиях не существует.

Важен и опыт неудач. Специалист, который может рассказать, где он ошибся, что не сработало и почему, обычно ценнее того, у кого всё всегда получалось. Второе либо неправда, либо означает, что он не выходил за пределы комфортной зоны.

Скиллы: что смотреть в первую очередь

Список скиллов в резюме — почти бесполезен. Все пишут «Python, PyTorch, LLM, RAG, агенты». Гораздо важнее несколько более глубоких способностей.

Первая — умение формулировать задачу. AI-проекты часто начинаются с расплывчатого «нам нужен умный ассистент». Специалист, который умеет превратить это в конкретное ТЗ с метриками и границами, стоит дорого. Если человек сразу бросается писать код, не задав уточняющих вопросов, — это тревожный сигнал.

Вторая — способность к системному мышлению. AI-система — это не только модель. Это данные, пайплайны, интеграции, мониторинг, обновления, откаты. Специалист, который видит всю картину, а не только свой слой, полезнее на длинной дистанции.

Третья — навык работы с неопределённостью. AI-проекты редко идут по плану. Модель ведёт себя не так, данные оказываются грязными, результат не совпадает с ожиданиями. Специалист, который спокойно работает в этой неопределённости, — находка.

Четвёртая — способность обучаться быстро. Учитывая, как быстро меняется область, это едва ли не важнейший скилл. Проверить его можно просто: спросите, что человек изучал за последние полгода, какие статьи читал, какие эксперименты проводил. Если ответа нет — вероятно, он давно не учится.

Образование: что оно говорит и чего не говорит

Образование — полезный, но переоценённый сигнал. Диплом технического вуза говорит о базовой подготовке, но не о способности решать конкретные задачи. Степень в ML говорит о погружении в теорию, но не о навыках production-разработки. Курсы по AI — почти ничего не говорят, кроме интереса к теме.

Полезнее смотреть на следы самостоятельной работы. Пет-проекты, публикации, выступления, участие в open source. Не как формальный список, а как индикатор того, что человеку действительно интересно то, чем он занимается. В AI это важно: без личного интереса здесь трудно держать темп.

Красные флаги

Теперь о том, что должно настораживать.

Первый флаг — уверенность во всём. Если специалист отвечает «да» на любой вопрос и не признаёт границ своих знаний, скорее всего, вы имеете дело с поверхностной компетенцией. В AI никто не знает всего, и тот, кто это демонстрирует, либо обманывает, либо обманывается.

Второй флаг — ориентация на хайп. Если весь разговор строится вокруг модных слов, а не вокруг задач, — вероятно, человек идёт за трендами, а не за результатом. Через полгода тренд сменится, и интерес пропадёт.

Третий флаг — отсутствие вопросов о вашем проекте. Хороший специалист начинает с уточнений: что уже есть, какие ограничения, какие цели, что считаете успехом. Если он сразу готов решать, не поняв задачу, — он будет решать свою задачу, а не вашу.

Четвёртый флаг — несоответствие масштаба. Специалист, который привык работать в крупной команде с готовой инфраструктурой, может растеряться в условиях, где всё надо строить с нуля. И наоборот. Это не плохо и не хорошо — просто надо понимать, кого вы нанимаете.

Как проверять: практика вместо теории

Формальные собеседования проверяют знание терминов, но не способность работать. Это как проверять пловца по знанию названий мышц: теоретически верно, практически бесполезно.

Гораздо информативнее дать небольшой реальный кусок работы. Не тестовое задание с заранее известным ответом, а фрагмент вашей настоящей задачи — с реальными данными, реальными ограничениями, реальной неопределённостью. Даже если это займёт неделю или две. Это стоит времени, потому что цена ошибки в найме на долгосрочный AI-проект гораздо выше.

Такой подход даёт ещё одну важную вещь: вы видите, как человек работает, а не как он рассказывает о работе. Как он задаёт вопросы, как реагирует на замечания, как относится к неопределённости, как принимает решения при недостатке информации. Это гораздо важнее, чем список технологий в резюме.

Колонка автора

Кульминация: что на самом деле вы выбираете

В сухом остатке вы выбираете не набор навыков, а человека, с которым будете вместе проходить долгий и почти наверняка нелёгкий путь. AI-проект — это не спринт, а марафон с меняющейся трассой. На такой дистанции важнее не то, с какой скоростью человек стартует, а то, как он держится на десятом километре.

Хороший сигнал в найме — когда после разговора у вас не появилось ощущения, что вы получили все ответы, но появилось ощущение, что человек сможет найти их по ходу дела. Плохой сигнал — когда всё было гладко на собеседовании, а после найма выяснилось, что специалист умеет работать только в знакомых условиях.

Образование, скиллы и опыт — это ориентиры, не гарантии. Они помогают отсеять явно неподходящих, но не помогают выбрать лучшего. Лучшего вы найдёте через реальную работу, а не через формальные проверки. И если вам кажется, что это дорого и долго, — сравните с ценой ошибки, когда через три месяца выяснится, что человек не тянет.

Все в наших силах. Только надо честно признать, что формальные признаки описывают прошлое, а вам нужен кто-то, кто построит будущее.

Глоссарий терминов

• AI-проект (AI project) — проект, в котором используются модели машинного обучения или генеративного AI для решения продуктовой задачи.
• Production (прод) — рабочая среда, где система используется реальными пользователями и работает под реальной нагрузкой.
• Прототип — ранняя версия системы, созданная для проверки идеи. Не предназначена для реальных пользователей.
• RAG (Retrieval-Augmented Generation) — подход, при котором модель отвечает, опираясь на найденные внешние документы, а не только на свои внутренние знания.
• Fine-tuning — дообучение модели на специфических данных для улучшения качества в узкой области.
• LLM (Large Language Model) — большая языковая модель, основа современных AI-систем генерации текста.
• Пайплайн (pipeline) — последовательность шагов обработки данных или задач, автоматизированная цепочка процессов.
• Метрики — измеримые показатели качества работы системы: точность, полнота, задержка, стоимость.
• Системное мышление — способность видеть систему целиком, а не отдельные её части, и понимать связи между компонентами.
• Скрининг — первичный отбор кандидатов по формальным признакам: резюме, опыт, образование.
• Техническое собеседование — этап найма, на котором проверяются технические знания кандидата через вопросы и задачи.
• Вайб-кодинг (vibe coding) — практика разработки с активным использованием AI-инструментов генерации кода, где человек задаёт направление, а модель пишет значительную часть кода.
• Пет-проект (pet project) — личный проект специалиста, сделанный из интереса, а не по заказу. Часто лучший индикатор реальных навыков.
• Open source — проекты с открытым исходным кодом, в разработке которых может участвовать любой желающий.
• Тестовое задание — практическая задача, которую кандидат выполняет в процессе найма для демонстрации навыков.
• Red flags (красные флаги) — тревожные признаки в поведении или компетенции кандидата, указывающие на возможные проблемы.
• Инфраструктура — совокупность технических средств и сервисов, обеспечивающих работу системы: серверы, базы данных, очереди, мониторинг.
• Research (ресёрч) — исследовательская работа, направленная на получение новых знаний, в отличие от прикладной разработки.
• Найм — процесс подбора и приёма специалиста на работу, включающий несколько этапов отбора.
• Компетенция — совокупность знаний, навыков и опыта, позволяющих специалисту решать задачи определённого класса.
• Инженерная зрелость — способность специалиста принимать взвешенные технические решения, учитывая ограничения, риски и долгосрочные последствия.