Более половины компаний по всему миру за последний год наняли сотрудников, которые уверенно говорили об ИИ, но не смогли нормально применять его в работе. Это следует из доклада платформы для оценки кандидатов TestGorilla. Речь идет о кандидатах, которые свободно оперируют ИИ-жаргоном на собеседовании, но на практике не умеют выстраивать работу с нейросетями. Проблема стала особенно заметной после того, как работодатели начали массово ставить ИИ-грамотность выше профильного опыта и отраслевой экспертизы.
По данным TestGorilla, компании снова и снова совершают одну и ту же ошибку при найме. Рекрутеры проверяют прежде всего знакомство кандидата с ИИ-инструментами, а не способность реально использовать их в работе. Проверку практических навыков часто оставляют отдельным менеджерам — без общих критериев и единого стандарта оценки. В итоге собеседования начинают оценивать не реальную работу с ИИ, а умение уверенно и убедительно о ней рассказывать. В результате компании нанимают людей, которые никогда не проверяли ответы нейросетей на галлюцинации и не строили полноценные рабочие процессы с использованием ИИ.
Последствия такого найма — падение производительности, проваленные проекты и новые расходы на поиск сотрудников. HRD CEO TestGorilla Воутер Дюрвиль называет три конкретных инструмента для предотвращения найма таких сотрудников. Первый совет — изменить сами вопросы на собеседованиях: вместо «как вы используете ИИ» спрашивать о конкретных случаях, когда ИИ давал неверный результат, и о том, как кандидат с этим справился.
Второй шаг — проверять способность кандидата критически оценивать ответы ИИ: способность выявить фактическую ошибку модели или формально правильный, но бесполезный в реальной задаче ответ. Третий — добавить структурированное практическое задание, максимально приближенное к реальным рабочим задачам.
Для компаний, которые подозревают, что уже столкнулись с этой проблемой, Дюрвиль рекомендует начать с аудита навыков — желательно с помощью объективных тестов, если они не применялись при найме. По его словам, такой подход «убирает субъективность из диагностики, создает задокументированный план развития и — если разрыв окажется невосполнимым — формирует доказательную базу для более жестких решений».
Отдельно Дюрвиль отметил, что массовые ИИ-тренинги, на которые компании часто делают ставку, редко оказываются эффективными. «Обучение, сфокусированное на конкретной роли и конкретных задачах, дает эффект. Общее повышение ИИ-грамотности — нет», — говорит он. Переобучение при этом он называет значительно более быстрым и дешевым путем, чем замена сотрудника, — при условии, что проблемная зона четко определена.
Авторы исследования считают, что речь идет уже не о единичных ошибках, а о системной проблеме найма. Согласно ему, большинство таких случаев происходят потому, что в момент найма у HR не было четких стандартов. Рынок труда сейчас заново определяет, какие навыки действительно имеют ценность, а системы найма и оценки кандидатов пока явно не успевают за этими изменениями.