Кандидат знает промпт, но не инструмент: как перестроить проверку квалификации в эпоху ИИ

Кандидат пишет в резюме «уверенный пользователь Excel и Power BI», а на деле умеет сформулировать промпт и скопировать ответ. SuperJob выяснил: 51% работодателей сталкиваются с недостоверными профессиональными навыками, а завышенное владение ПО выросло на 16 пунктов за год. Перечень программ в резюме больше ничего не подтверждает. Разбираем, как перестроить проверку квалификации: тестовое задание на реальных данных, три раздельных теста – без ИИ, с постановкой задачи ИИ и верификацией ответа, сценарий с подставной ошибкой нейросети для критичных ролей и почему наблюдение за работой с ИИ информативнее запрета.

Популярное по теме

Чек-лист подбора узкого специалиста через техинтервью + тестовое за 7 шагов

27155

0

Посмотреть чек-лист

Резюме пестрит строчкой «уверенный пользователь»: Excel, Power BI, 1C, Figma, Python. Ещё пять лет назад этот перечень говорил о чём-то реальном. Сегодня – почти ни о чём. Кандидат, который красиво формулирует промпт и копирует готовый ответ нейросети, в резюме напишет то же самое, что и человек, действительно владеющий инструментом. Разница между ними в воспроизводимом результате, который на собеседовании почти никто не проверяет.

Цифры подтверждают то, что HR и так чувствуют. По данным SuperJob (опрос 1000 кадровиков, июль–август 2026), 51% работодателей сталкиваются с недостоверными профессиональными навыками в резюме. Завышенное владение ПО отметили 33% – это на 16 пунктов больше, чем год назад. Рост почти в два раза. И это лишь то, что работодатели уже обнаружили: реальная доля завышенных характеристик заметно выше, ведь многие несоответствия всплывают только после выхода сотрудника и на задачах, где цена ошибки выше, а скорость важнее аккуратности.

Почему перечень программ больше ничего не подтверждает

Раньше список инструментов работал как сигнал: если человек пишет «Power BI», значит, он строил дашборды. Сегодня нейросеть может построить дашборд за человека, объяснить шаги и даже поправить ошибки в формулах. Знать название программы и уметь с ней работать – это разные вещи. Между ними появился промежуточный навык: умение объяснить ИИ, что тебе нужно, и вставить результат в рабочий файл.

Проблема в том, что компании сами нанимают «по заявленным инструментам». В вакансии пишут требования к ПО, в резюме видят нужные слова и на этом соглашаются. Кандидаты не врут. Они честно описывают то, что умеют: получить результат с помощью ИИ. Но компания-то нанимает человека, который должен работать, когда нейросеть недоступна, ошиблась или выдала правдоподобный, но неверный ответ. Именно здесь и нужно перестроить проверку.

Рабочая проба на реальных данных против абстрактного теста

Первое изменение – отказ от шаблонных тестов. Стандартное задание из интернета опытный кандидат решит через нейросеть за две минуты, и вы оцените не его знания, а качество промпта.

Вместо этого – тестовое задание на данных, приближенных к вашим. Дайте кандидату обезличенный фрагмент реальной задачи: не «постройте сводную таблицу из учебного набора», а «вот выгрузка из CRM за неделю, покажите, какие выводы отсюда можно сделать для руководителя отдела продаж». Так проверяется не знание кнопок, а мышление: преобразует ли человек данные в решение, видит ли аномалии, строит ли связный вывод.

Инструмент при этом не запрещайте. Интересно как раз посмотреть, как кандидат подойдёт к задаче: полезет в ручную обработку, применит формулы или обратится к ИИ. Это уже диагностика рабочих привычек и признак того, как человек будет действовать в первый месяц на вашем месте, какие инструменты выберет первым и где потеряет время.

Три отдельные проверки

Чтобы увидеть разницу между знанием инструмента и умением работать с ИИ, разделите оценку на три блока.

1. Работа без ИИ. Классическое задание, которое кандидат выполняет сам, без доступа к нейросетям. Это базовый уровень: если человек не справляется без подсказки, список программ в резюме не стоит воспринимать буквально.
2. Постановка задачи ИИ. Кандидату дают рабочий кейс и просят сформулировать запрос к нейросети. Здесь оценивается не результат, а качество промпта: насколько точно человек описывает контекст, какие ограничения задаёт, как уточняет ответ. Плохой промпт выдаёт плохой результат даже у сильной модели.
3. Верификация ответа. Кандидату дают результат, который уже сгенерировала нейросеть, и просят проверить: где ошибка, что пропущено, можно ли этому доверять, что нужно уточнить. Это самая важная проверка. Умение поймать ошибку показывает не знание инструмента, а профессиональное мышление. Кандидат, который пропустил неверный итог просто потому, что ответ выглядел гладко, – это будущий источник проблем в реальных задачах.

Есть смысл отдавать эти три блока разным людям: первый проверяет твёрдые навыки, второй – работу с ИИ, третий – критическое мышление. Итоговая картина становится объективнее, ведь сильный промптер без навыка верификации опаснее, чем искренний новичок.

Сценарий с намеренно ошибочным результатом

Для критичных ролей – аналитик, финансист, инженер, юрист – добавьте проверку на бдительность. Дайте кандидату результат нейросети, в который вы заранее заложили ошибку: неверный итог в расчётах, перепутанные столбцы, правдоподобный, но выдуманный факт. И посмотрите, что произойдёт.

Один кандидат примет ответ на веру и оформит отчёт. Другой заметит несостыковку, но оставит как есть. Третий остановится, перепроверит и зафиксирует проблему. Именно третий и нужен на позиции, где цена ошибки высока. Потому что в реальной работе нейросеть ошибается регулярно, и важно, чтобы человек заметил это до того, как результат уйдёт к заказчику или клиенту.

Эта проверка надежнее, чем вопросы про стрессоустойчивость. Она показывает поведение в рабочей ситуации, а не самоописание.

Почему наблюдение информативнее запрета

Первый порыв многих компаний – закрыть доступ к ИИ на испытательном задании. Но это спорное решение. Во-первых, технически сложно проконтролировать: кандидат использует нейросеть с телефона, и вы этого не увидите. Во-вторых, вы лишаете себя важной информации: как человек вообще работает с инструментом и умеет ли отличить хороший ответ от плохого.

Наблюдение за работой с ИИ даёт больше, чем запрет. Сильный специалист использует ИИ как ассистента: проверяет гипотезы, ускоряет рутину, но остаётся автором решения. Слабый – делегирует нейросети ответственность и не проверяет результат. Разница видна за пятнадцать минут совместной работы.

Поэтому вместо «работайте без ИИ» лучше сказать: «используйте всё, чем пользуетесь в жизни, но объясняйте, что делаете». Так вы увидите и скорость, и подход, и критическое мышление. Это важнее, чем способность вспомнить формулу без подсказки.

Что в итоге менять

Принцип простой: оценивайте не заявленные инструменты, а воспроизводимый результат. Для этого отказывайтесь от шаблонных проверок в пользу тестовых заданий на реальных данных. Разделяйте проверку на три блока: работа без ИИ, постановка задачи нейросети и верификация её ответа. Для критичных ролей добавляйте сценарий с подставной ошибкой. И наблюдайте за тем, как кандидат работает с инструментом, а не запрещайте его.

Пришло время перестать нанимать по красивым строчкам резюме, а начинать отбирать людей, способных работать в реальной среде, где ИИ – инструмент, а не автор решения. Перечень программ в резюме при этом спокойно можно убрать из списка решающих критериев и оставить лишь как ориентир. Решающим станет воспроизводимый результат и умение человека думать вместе с машиной.