За последние несколько лет рынок ИТ-найма в России пережил настоящие эмоциональные качели. Сначала ИТ-специалисты вдруг превратились в настоящих суперзвезд: государство и бизнес фактически поставили их на пьедестал. Казалось, вся индустрия полна идей и возможностей. Но за фасадом скрывались свои подводные камни, и сейчас ситуация сильно изменилась.
В статье рассмотрим, как ИТ-сфера привлекла поток новичков и «помогаторов», почему это породило проблемы качества найма и убытки для компаний, и какие технологии оценки навыков сегодня помогают находить настоящих профессионалов.
ИТ стало манить людей из других сфер, непрофессионалов. Рынок дополнительного образования на это быстро откликнулся и позволил желающим быстро получить статус «айтишника». Так, на фоне всеобщего хайпа на рынке кадров появились выпускники курсов, в том числе совершенно некачественных.
Что хуже, вместе с ними появилась также целая индустрия «помогаторов», обучающая тому, как верно составить резюме и без препятствий пройти собеседование. Они подготовили множество хитрых ребят, которые даже особо не учились ИТ-профессии, но получили навык обманывать работодателей.
Часто именно такие «волки в овечьей шкуре» занимают позиции в командах, принося компаниям серьезные убытки. Каждая ошибка при найме младшего специалиста обходится минимум в 500 тысяч рублей с учетом перераспределения обязанностей, срывов сроков и повторного найма. Ошибка при найме миддл- и сеньор-уровней может привести к значительным задержкам в проектах, снижая эффективность бизнеса.
Данные Forbes показывают, что международный рынок услуг по подготовке к прохождению собеседований — а по сути, услуг по «натаскиванию» и фальсификации резюме — превышает 4 миллиарда долларов. В России десятки агентств предлагают подобные сервисы, что говорит о системной проблеме.
HeadHunter фиксирует серьезный дисбаланс на рынке труда: индекс конкуренции в ИТ достиг 12,5, то есть на одну вакансию приходится более дюжины откликов, но при этом наблюдается дефицит квалифицированных senior-специалистов (конкуренция 2,5).
Среди джунов и миддлов излишек кандидатов приводит к снижению качества найма, поскольку многие переоценивают свои навыки и откликаются на неподходящие вакансии. Работодатели вводят меры по фильтрации откликов, но основной проблемы — низкого уровня подготовки — это не решает.
Как искать профессионалов
В условиях массового найма компании нуждаются в объективных ориентирах и проверке реальных компетенций. Собеседования и анализ резюме в этом деле не помощники. Из резюме сложно понять, каким именно опытом и знаниями обладает кандидат, а стандартное собеседование ограничено временем и субъективностью. Еще одно ограничение — дефицит по-настоящему продвинутых HR-специалистов, способных качественно провести собеседование технического специалиста.
Чтобы действительно понять, подходит ли человек для технической роли, приходится привлекать высококлассных технических специалистов и тимлидов. Но их время дорого, и многократные интервью обходятся компаниям в круглые суммы.
Мы в РОКИС подсчитывали: 500 собеседований — это 750 часов подготовки, технических интервью и формирования обратной связи. Или, по московской ставке, минимум 2 млн рублей.
Компании находятся в поисках более экономичных, автоматизированных систем оценки, которые позволят снизить риски и затраты. В последние пару лет этот рынок стал значительно расти — появились многочисленные системы для оценки hard skills специалистов, обещающие облегчить процесс определения уровня кандидата: джун, миддл или сеньор.
Есть прорывные технологии, однако решения существенно различаются по методологии и глубине проработки. Многие из них лишь частично автоматизированы и требуют ручной проверки, что снижает объективность и эффективность оценки.
Классы решений для оценки навыков ИТ-специалистов
Статичные тесты
Первый — статичные тесты, классический пример которых — международные сертификации типа всем известных Microsoft и Oracle. Эти тесты стандартизированы и хорошо подходят для базовой проверки, но не адаптируются под уровень конкретного кандидата и не учитывают комплексные роли.
В целом, они нормально показывают себя в рамках простых задач, например, владение конкретным навыком или усвоение конкретного материала в рамках образовательного курса.
Решения на базе ИИ
Второй класс включает автоматизированные решения на базе искусственного интеллекта, которые генерируют вопросы под конкретные задачи компаний. Звучит хорошо, но практическая реализация сложна — чтобы преодолеть проблему галлюцинаций, разработчики должны обучать нейронную сеть под каждого клиента.
На практике так не бывает, поэтому полагаться на ИИ, когда речь идет про генерацию вопросов тестов, нельзя. В частности, из-за таких ограничений в своей системе мы задействовали не ИИ, а алгоритмы.
Решения на базе алгоритмов
Решения на базе математических алгоритмов — третий класс решений, которые остаются наиболее надежными. Они позволяют создавать наиболее продвинутые способы оценки навыков — адаптивные опросники, в которых вопросы меняются в зависимости от скорости ответов и их правильности.
Фиксируется паттерн поведения в реальном времени, корректируется доверие к каждому успеху, квалифицируется мышление по отклонениям и темпу — и это только некоторые примеры метрик, которые алгоритмы позволяют учитывать.
Решения в будущем
При этом в деле определения профессионала у ИИ есть важная задача. При текущей скорости развития искусственного интеллекта в ближайшие пять лет может появиться AGI (Artificial General Intelligence) — и этап скрининга или технического интервью просто уйдет в прошлое.
Взаимодействие человек — человек (а значит, и вся субъективная составляющая) будет все сильнее сокращаться. Допускаю, что это будет касаться в т.ч. оценки soft-skills — современные модели ИИ уже начинают демонстрировать эмоциональные паттерны и могут оценивать тональность в аудиодиалогах.
Выводы
Как бы то ни было, мы видим большую трансформацию рынка, и в перспективе 5 лет он изменится еще сильнее. Уже сейчас на нем наблюдается значительное разнообразие в подходах к оценке ИТ-специалистов: есть простые бинарные тесты, есть тестирования, основанные на ИИ, а также те, которые формируются на базе математических алгоритмов.
Правильность выбора определяется задачей компании. Но важно помнить, что и сырых продуктов на рынке достаточно, поэтому при выборе главное, на что стоит обращать внимание, — это на команду разработчиков решения и их бэкграунд. Кроме того, всегда тестировать решения в «боевых» задачах. Благо почти все доступны в демо-доступе.