Любовь Григорук: «Мы помогаем структурировать процесс и избежать ошибок в найме»
Рынок ИИ быстро взрослеет, работодатели переходят от общих формулировок к точным профилям. В этой реальности «СПЕЦСТАФФСЕРВИС» помогает компаниям находить специалистов и выстраивать процесс подбора так, чтобы результат был измерим. Внутренние инструменты на базе ИИ ускоряют обработку резюме и выделяют релевантный опыт, что дает больше сильных кандидатов в финале. Генеральный директор компании Любовь Григорук делится с IT-World наблюдениями о том, какие отрасли тянут спрос, какие навыки действительно ценятся и какие ожидания мешают найму.
Расскажите, чем занимается «СПЕЦСТАФФСЕРВИС»?
«СПЕЦСТАФФСЕРВИС» — это агентство по подбору персонала и управлению человеческими ресурсами с фокусом на ИТ и цифровые компетенции. Мы специализируемся на поиске специалистов для технологических компаний, помогаем закрывать сложные позиции и выстраиваем процессы найма под конкретные бизнес-задачи клиента. Особое внимание уделяем работе с компаниями, которые внедряют инновационные технологии и нуждаются в квалифицированных кадрах с современными компетенциями.
Чем для вас является ИИ в ежедневной работе компании? Это инструмент ускорения подбора и управления сменами или уже отдельная линия услуг?
Для нас это и то и другое. Внутри мы используем ИИ для автоматизации: скрининг резюме, первичная оценка кандидатов, аналитика рынка. Это реально экономит время — то, на что раньше уходила неделя, теперь делается за день.
Но параллельно появился запрос от клиентов — им нужны специалисты по ИИ: ML-инженеры, дата-сайентисты, MLOps. Это отдельное направление, которое активно растет. Мы изучили рынок, поняли специфику этих ролей и теперь закрываем такие позиции.
Что изменилось в сроках закрытия позиций и в качестве найма после внедрения ИИ?
Сроки сократились процентов на 30–40, особенно для массовых вакансий. Раньше на обработку входящих резюме уходило несколько дней, сейчас ИИ делает это за пару часов. Мы быстрее выходим на интервью с релевантными кандидатами.
По качеству тоже есть улучшения. Алгоритмы учитывают не только hard skills, но и карьерную траекторию, стабильность, даже cultural fit. Кандидаты, которых мы выводим на финальные интервью, чаще проходят испытательный срок — число таких специалистов выросло примерно на 15–20%.
Готовы ли вы выводить на рынок кандидатов с компетенциями ИИ и какими ролями чаще всего интересуются заказчики?
Да, мы уже это делаем. Сейчас больше всего запросов на ML Engineer и Data Engineer — это базовые роли для компаний, которые хотят внедрять ИИ. MLOps тоже популярен, особенно когда нужно масштабировать модели и выводить их в production.
Продуктовые роли — AI Product Manager — запрашивают реже, но интерес есть, особенно у компаний, которые строят ИИ-продукты. LLM Engineer пока экзотика, но я вижу, что спрос появляется, особенно в финтехе и e-commerce.
По каким критериям вы оцениваете ИИ-компетенции кандидатов?
Смотрим на три блока.
Первый — технические навыки: знание Python, фреймворков типа TensorFlow или PyTorch, понимание алгоритмов машинного обучения. Проверяем, работал ли человек с реальными данными, умеет ли их чистить и готовить.
Второй — практический опыт: что кандидат реально делал? Есть ли портфолио проектов? Может ли объяснить, почему выбрал ту или иную архитектуру? Для senior-ролей важно, чтобы был опыт работы с production-системами.
Третий — софт-скиллы: может ли человек работать в команде, объяснять технические решения бизнесу, быстро учиться? В ИИ все меняется очень быстро, важна способность адаптироваться.
Плюс мы привлекаем технических экспертов для финальной оценки — они проводят интервью и дают заключение.
Чем в вашей методике отличается оценка middle и senior для ИИ-ролей?
Middle — это исполнитель. Он должен уметь решать конкретные задачи: написать код, обучить модель, протестировать гипотезу. Главное — техническая глубина и самостоятельность.
Senior — это уже другой уровень. Он должен видеть всю картину: как собрать команду, какую архитектуру выбрать, как встроить решение в бизнес-процессы, как оценить ROI. Senior часто выполняет роль техлида или архитектора — он не только делает сам, но и направляет других, помогает принимать стратегические решения.
Если middle можно оценить по коду и проектам, то senior мы оцениваем по опыту построения систем и работы с бизнесом.
Какие отрасли сейчас формируют наибольший спрос на ИИ-специалистов и какие задачи ставят?
Наибольший спрос на ИИ-специалистов сейчас формируют финансы и ретейл. В финансах востребованы скоринг, выявление мошенничества и автоматизация операций. В ретейле ключевые направления — персонализация, прогнозирование спроса и оптимизация цен, крупным сетям важно заранее понимать, что и когда купит клиент. Эта же логика приводит к логистике, где на первый план выходят маршрутизация и управление запасами, что помогает снижать операционные издержки. Контакт-центры масштабно внедряют чат-ботов и голосовых ассистентов и анализируют обращения, поскольку здесь много повторяющихся задач. В производстве фокус на предиктивном обслуживании и контроле качества; сегмент пока менее массовый, но запросы уже есть.
С какими затруднениями компании чаще всего приходят к ИИ-найму?
Чаще всего компании приходят к ИИ-найму с одними и теми же трудностями. Начинается все с формулировки требований: HR не всегда может точно определить, кто именно нужен; говорят «нам нужен специалист по ИИ», а на самом деле нужен Data Engineer для подготовки данных или ML Engineer для разработки моделей. А это разные роли.
Дальше возникает вопрос оценки. Сложно проверить навыки кандидата, если сам не разбираешься в технологии — люди приходят с красивыми резюме, а на практике не могут решить базовые задачи.
Нередко завышают ожидания и ждут одного человека, который соберет данные, построит модель, внедрит в продакшн и будет поддерживать — это нереально. Параллельно ощущается дефицит кадров. Хороших senior-специалистов мало, за них конкурируют крупные компании с большими бюджетами.
И еще инфраструктура часто не готова. Нанимают специалиста, а у него нет ни данных, ни серверов, ни понимания, что делать с результатом. Мы помогаем структурировать процесс и избежать этих ошибок.
В каких ситуациях компании выгоднее работать через агентство для ИИ-ролей, а не закрывать своими силами?
Имеет смысл обращаться к агентству, есть у вас нет внутренней экспертизы для оценки ИИ-кандидатов, нужно закрыть позицию быстро — у нас уже есть база проверенных специалистов, требуется редкая комбинация навыков (например, NLP + финтех-домен), компания впервые нанимает ИИ-специалистов и не знает, с чего начать, HR-команда перегружена и не может уделить время специализированному поиску, нужна гарантия качества — мы проводим глубокую техническую оценку до выхода кандидата на интервью.
Для компаний с устоявшимися ИИ-командами и внутренними рекрутерами самостоятельный найм может быть эффективнее. Но на старте лучше работать с агентством.
Какие шаги вы посоветуете CIO и HR-директору, чтобы запустить небольшой ИИ-пилот и быстро собрать ядро команды?
Первое — определите конкретную задачу. Не «давайте внедрим ИИ», а «давайте автоматизируем обработку заявок клиентов» или «улучшим прогноз продаж на 10–15%». Чем конкретнее задача, тем понятнее, кого нанимать.
Второе — соберите минимальную команду: Data Engineer (подготовит данные), ML Engineer (построит модель), Product Owner с техническим бэкграундом (свяжет технологию с бизнесом). Не нужно сразу нанимать большую команду. Пилот — это проверка гипотезы.
Третье — начните с одного сильного senior-специалиста. Он сможет выстроить процессы, собрать команду, передать знания. Один опытный человек лучше трех джуниоров без координации.
Четвертое — подготовьте инфраструктуру до найма. Проверьте, есть ли доступ к данным, вычислительные мощности, понимание, куда интегрировать результат. Без этого специалист не сможет работать.
Пятое — не затягивайте. Лучше запустить простой пилот за два-три месяца, чем полгода планировать идеальное решение. Быстрый результат покажет, работает ли подход, и даст понимание, куда двигаться дальше.
Если нужна помощь с подбором — обращайтесь, мы поможем быстро найти нужных людей и выстроить процесс.
Написать комментарий