GrandCrown | В законе Деловой навигатор: налоги, бухучет и право для бизнеса
Навык взаимодействия с искусственным интеллектом постепенно становится основным требованием на рынке труда. Согласно данным Высшей школы экономики, размер дополнительной оплаты за знание этого навыка сократился с 31% в 2022 году до 11% в 2025-м. В статье рассказывается, как реально проверить у кандидата способность работать с ИИ на практике.
Автор
• Михаил Беляев
Руководитель образовательного направления Битрикс24
Просто спросить не получится
Первое, что приходит в голову, — задать вопрос о знании навыков работы с ИИ на собеседовании. Но такой вопрос не даст достаточной информации, и это не обязательно связано с ложью со стороны кандидата. Исследование Университета Аалто показало, что чем выше человек оценивает собственную ИИ-грамотность, тем сильнее он переоценивает качество своей работы с моделью. В России рекрутеры уже связывают с ИИ рост числа приписок в резюме: треть кандидатов завышает владение программами, надеясь, что промпт заменит навык.
Значит, проверять придется практикой. Но сначала нужно определить, что именно мы хотим проверить.
Сначала определение
До найма стоит договориться о том, что ваша компания понимает под словами «работает с ИИ». Пока этого определения нет, у вас нет ни критерия для собеседования, ни понятных правил для тех, кто уже в штате.
В Битрикс24 мы обычно смотрим на нейросеть как на еще одного исполнителя, которому ставят задачу. Что делает хороший руководитель, поручая работу человеку? Понимает, какого масштаба задача: исследовать рынок целиком или ответить на один вопрос. Знает, какой контекст нужно передать, а какой оставить при себе. Умеет принять результат: отличить сделанное от правдоподобного, найти ошибку и решить, что с ней делать.
С моделью это те же четыре действия. Их уже описали в виде фреймворка AI Fluency, который называют 4D: делегирование (что отдать), описание (как поставить задачу и передать контекст), различение (как оценить результат) и ответственность (кто отвечает за итог). Этого определения достаточно, чтобы компания могла сформулировать, чего она ждет от сотрудника, работающего с ИИ.
Кто формирует регламент и строит процесс
Стандарт правильной работы с ИИ пока не принят. Правила появляются прямо сейчас, и формировать их для своих сотрудников должна компания. Выдать доступ к модели со словами «пользуйся как хочешь, но отвечаешь ты» означает переложить на сотрудника то, что должно быть решено на уровне процесса.
На практике это может выглядеть так: попросить модель сделать работу, затем сменить ей роль и выступить оппонентом — указать слабые места, какие данные не проверены, — сверить источники, поискать противоречия и только после этого принять результат. Это такая же последовательность шагов, как воронка продаж или спринт: ей следуют, а не изобретают каждый раз.
Шаг с оппонентом в критичных процессах обязателен. Другое исследование Microsoft показало: развернутые объяснения в ответе модели повышают доверие и к верным, и к неверным ответам. Убедительность объяснения ничего не говорит о его верности, и без принудительной проверки человек этого не замечает.
Такой регламент можно заложить в правила для ИИ-агентов и инструкции для помощника: настроить их так, чтобы они сам проходили цепочку «сделал, оспорил, проверил, принял». Без эталона тест превращается в разговор, а с эталоном в измерение.
Второй элемент — ошибка, заложенная в задачу. Лучше всего взять случай из вашей реальной работы: тот, на которой модель отвечает логично, уверенно и неверно. Вы такие места знаете по своим задачам. Если под рукой нет живого случая, ошибку можно специально заложить в данные.
Пример: директор по продажам
Даем кандидату выгрузку продаж по кварталам за два года и просим с помощью ИИ оценить динамику рынка и подготовить вывод для руководителя. В данных есть важная деталь: рост третьего и четвертого кварталов сделан двумя крупными разовыми сделками. Модель видит запрос «выявить тренд» и делает вполне логичный вывод: «компания показывает поступательный рост от квартала к кварталу, рекомендуем закрепить тренд». Модель здесь ни в чем не виновата, она сделала ровно то, о чем ее попросили. Проверяем мы человека.
Для такой задачи заранее определяем, что должен сделать кандидат. Сначала спросить, за счет чего именно произошел рост (вглубь, по клиентам или по сделкам), затем найти две крупные сделки, после этого переформулировать вывод (без них динамика ровная) и только потом передать модели дополнительный контекст, прежде чем просить итоговый текст. Каждая точка — балл.
Если человек принял «растем» и принес красивую справку, тест не пройден, и уже не важно, насколько грамотно был написан промпт. Если он задал нужные вопросы, я понимаю сразу две вещи: у него есть подход, и у него есть понимание продаж, потому что вопрос «за счет чего рост» задает тот, кто знает, из чего складывается выручка.
Что сказать HR
Если у вас в команде есть HR, объясните ему две вещи. Первое — что искать: не сертификат курса или строчку «опыт работы с нейросетями», а конкретные шаги: поставил задачу, передал контекст, оспорил результат, проверил, принял. Второе — чем проверять: задачей с эталоном, по которому ставится оценка. Тест и вопросы про опыт кандидат пройдет с той же нейросетью, задачу с заложенной ошибкой — уже нет. Три сигнала, которых достаточно для решения: один запрос без единого уточнения, ни одного вопроса к вам за двадцать минут и объяснение результата словами «так посчитала нейросеть».
Эталон HR за вас не напишет. Только вы знаете, где в ваших задачах модель ошибается убедительно и какой вопрос должен задать человек, чтобы это заметить. На его создание уйдет час, а результат станет основой регламента работы с ИИ для всей команды.
Трамвайный тест не отвечает, сколько в городе трамваев. Он показывает, как человек размышляет. В нашем случае — как взаимодействует с моделью. Пока правила работы с ИИ не стали стандартом, бизнесу придется формировать их и проверять этот навык еще на входе.
Похожие статьи: