Привет, Хабр! Сегодня с вами я, Дмитрий Шестернин, СТО маркетплейса Flowwow.
Хочу поговорить с вами о доверии к IT-специалистам, а именно о том, что с ним стало и к каким последствиям в найме это привело. Мы посмотрим на наши честные кейсы и факапы с кандидатами, работниками и посчитаем экономику убытков. Начнем!
Не надежные соискатели, а цифровые профили
В 2026-м мы живем в глобальном мегаполисе удаленки. Кандидатов стало в разы больше, но вместе с масштабом пришла проблема анонимности. Мы все чаще нанимаем не людей с проверенной историей, а цифровые профили. И, к сожалению, за ними иногда скрываются не те, за кого они себя выдают. Исследовательская компания Gartner считает, что к 2028 году каждый четвертый профиль соискателя будет фейковым.
Я все чаще продолжаю вспоминать о рынке труда в IT образца 2007 года и скучать по этому времени. Тогда вся индустрия была похожа на большую (в хорошем смысле слова) деревню. Все друг друга знали максимум через одно рукопожатие: если тебе нужен был сильный инженер, ты звонил бывшему коллеге, получал рекомендацию «этот парень — зверь», и, по сути, человека можно было брать в штат. Репутация и доверие были валютой, которая экономила сотни часов на собеседованиях и найме.
Но, увы, те золотые времена закончились. В последние годы мы столкнулись с большим количеством попыток обмануть систему найма — от использования LLM в реальном времени до махинаций. Стало понятно: наступил самый настоящий кризис доверия на рынке найма IT.
Конец эпохи айтишной исключительности
Откатимся немного назад — во время, когда все начало меняться на глазах, в ковидные времена. Тогда рынок запрашивал большое количество айтишных кадров (согласно исследованиям, в то время рынок вырос на 14%). И он это получил: люди массово заканчивали профильные онлайн-курсы. Но часть соискателей шла в IT не из желания быть в этой профессии и делать классные продукты, а чтобы получать большую IT-зарплату. Безусловно, такой подход тоже имеет право на существование. Однако раньше, по моим наблюдениям, вокруг программистов был некий ореол сложности входа в профессию, поэтому до нее доходили самые заинтересованные и способные. В 2020 году под натиском роста онлайн-потребления нужда в разработчиках резко выросла, и требования к качеству, знаниям и опыту кандидатов резко упали.
Стремительное развитие ИИ дало всем, имеющим минимальный опыт, инструменты для идеальной мимикрии. Сегодня ChatGPT пишет сопроводительные письма лучше карьерных консультантов и адаптирует резюме под вакансию так, что ATS-системы сходят с ума от восторга. В итоге на этапе скрининга отсеять неподходящих кандидатов становится почти невозможно. Все выг��ядят как квалифицированные senior-разработчики. Проблемы начинаются, когда дело доходит до живого общения.
Кстати, из-за подобных проблем некоторые айтишные гиганты (даже Google) вводят обязательный этап с офлайн-собеседованием.
Как я говорил выше, у нас было много историй неудачного найма, и их можно объединить в три смысловые группы. Дальше расскажу о них.
Кейс № 1. Интервью с суфлером
Мой коллега Андрей проводил техническое интервью. Кандидат производил отличное впечатление: уверенная подача, грамотная речь. Но была одна странность.
После каждого технического вопроса следовала пауза в 5–10 секунд. Кандидат заполнял эфир междометиями типа «пу-пу-пу», фразами «дайте подумать», «сейчас сформулирую», а затем выдавал ответ. Ответ был не просто правильным — он был академически точным, структурированным, словно отвечал заправский гений. Картинка не складывалась.
Как проверили: чтобы выявить волка, нужно думать как волк. Поэтому Андрей открыл нейросетку и начал вбивать туда свои вопросы одновременно с тем, как озвучивал их кандидату. Результат приблизил нас к разгадке: ответы кандидата совпадали с выдачей нейросети по стилю вплоть до порядка перечисления аргументов.
Офтоп: тут надо сказать, что мы вообще не против использования ИИ. Более того, в компании мы часто делимся опытом его внедрения в работу друг с другом на специальных воркшопах. Условие использован��я нейросетей простое: сообщить о том, что ты их используешь (ну, или хотя бы не лгать, что не используешь). Например, один из кандидатов посыпался на собеседовании именно на этом: солгал, что не использует ИИ, но за его спиной был шкаф с зеркалом, в котором мы видели отражающийся чат с нейросетью.
Вывод: теперь мы стараемся формулировать вопросы так, чтобы сбить контекст ИИ. Больше абстракции, противоречивые вводные или задачи на логику, где нейросеть начинает «моросить», а живой человек начинает рассуждать.
Кейс № 2. Феномен осознанной меркантильности
Этот факап произошел с нашим лидом Иваном. Он провел собеседование с кандидатом (назовем его Антон), которое назвал лучшим в своей карьере. Никаких пауз, мгновенная реакция, глубокое понимание архитектуры. Мы были уве��ены, что нашли звезду.
Мы сделали оффер, Антон вышел на работу. И... продуктивность оказалась близкой к нулю. Человек не писал код, не драйвил задачи, но виртуозно объяснял на дейликах, почему работа стоит.
Суть его подхода была такой: за счет своих отличных soft skills и теоретической базы он прошел собеседование и получил оффер с высокой белой зарплатой. А потом работал в режиме энергосбережения, делая ровно столько, чтобы не уволили по статье.
Часто такие специалисты совмещают 2–3 работы, нигде не погружаясь в продукт. Это движение называют осознанной меркантильностью.
Вывод простой (и немного очевидный): крутой специалист, впечатливший вас на интервью, не равно хороший работник.
Кейс № 3. Фантом на удаленке
История с более прошаренным «волком», которая произошла не в 2025 году, но существенно повлияла на изменение и развитие процессов найма в нашей компании (об этом уже в другой статье).
Офтоп: надо отметить, что история давняя, хорошего отдела ИБ у нас тогда не было, поэтому и случилось то, что случилось.
Итак, у нас есть кандидат, назовем его Петр. Красные флаги во время его найма появлялись сразу, но, как водится, их не замечаешь, пока у тебя не появляется тень сомнения.
Звоночки были такие:
Кандидата нашли довольно быстро, и он очень торопился выйти на работу. Не с новой недели, например, а через пару дней после оффера.
Он болел почти весь первый месяц работы (да, бывает, но в сочетании с другими факторами картина рисуется странная).
Мы практически не видели его на созвонах: у него всегда были проблемы с камерой. Также он не всегда был на связи, мог отвечать час, потом не отвечать целый день.
Ну, и конечно,— продуктивность хромала.
Нанимающий менеджер заподозрил неладное и пошел гуглить кандидата. И наткнулся на сюрприз: нашел пост обманутого джуна, который работал на того самого сотрудника. Петр нанимал джунов с меньшей зарплатой для закрытия своих задач. Позже мы наткнулись на посты о поиске младших сотрудников в другие его проекты.
Примерно на 40-й день его уволили. Повезло, что полные доступы в компанию выдаются, когда наступает однозначная уверенность в кандидате или он успешно проходит ИС.
Экономика недоверия: сколько стоит ошибка?
Есть мнение, что некоторые компании неоправданно усложняют наём: долгий отбор, большое количество собеседований и так далее. Но давайте посмотрим на это с точки зрения бизнеса.
Ошибка найма — это не просто неприятность и ценный урок. Это конкретные финансовые потери. Если сотрудник уже получил оффер, затраты компании следующие:
ФОТ (зарплата + налоги) за отработанное время.
Стоимость найма: оплата труда рекрутеров, а в некоторых компаниях — агентств.
Стоимость менеджмента: часы тимлида и команды на онбординг (очень дорогой ресурс).
Упущенная выгода: задачи не сделаны, продукт не вышел вовремя.
По нашим быстрым подсчетам, один неудачный наём обходится компании примерно в 1 000 000 рублей. И, например, для небольших компаний подобные ошибки могут стать фатальными.
Если мы хотим делать классный продукт, то менеджеры (справедливо) хотят хороших спецов. И не терять время на людей, которые осознанно не хотят или не могут вкладываться своим трудом.
Вместо вывода
Сейчас мы видим то, что старые методы фильтрации (красивое резюме, стандартные вопросы, техническое интервью) перестали работать. Они слишком легко взламываются технологиями. Рынок требует нового подхода.
В 2026 году мы существенно поменяли наём, чтобы избежать повторения этих факапов.
О том, как именно выглядит наша новая воронка найма и как мы планируем фильтровать кандидатов, не теряя при этом крутых инженеров, я расскажу в следующей статье.
А сейчас предлагаю обсудить тему в комментариях. Встречали ли вы подобных кандидатов? Или, возможно, сами иногда ломали систему найма?
