Согласен, AI может ускорять рост джунов, но я не про потенциал роста, а про ценность для бизнеса на конкретной задаче прямо сейчас.
Кейс, который я наблюдал: - Прототип, который выдаёт отличный результат, сделан на n8n за неделю. - Джун навайбкодил тысячи строк кода, но тот же результат не мог выдать 2 месяца. - Потом два джуна на langchain повторили логику один-в-один за 2 недели — но результат стал менее стабильным и сильно дороже по токенам (скорее всего, из-за другой архитектуры получения данных).
И финал: джуны "набрались опыта" и ушли в банки, а решение так и не стало надёжным.
Итого: компания платит за то, чтобы посмотреть, как взрослеют джуны, вместо того, чтобы взять пару толковых ребят, которые сделают задачу за месяц.
Истории абсолютно реальные и размышления мои основаны на моём реальном опыте. Я даже указал некоторые подробности: например, "до эпохи chatgpt", и по стеку примерно можно догадаться, какой продукт мы делали. А в картинке к посту даже модели указаны :)
Понимаю по поводу нейрослопа — хочется проверить статью перед публикацией, а LLM предлагает сглаживать углы и язык получается менее живым. Это я тоже замечаю. Для будущих статей буду просить указвать только на явные ошибки, не меняя текста.
Забавно читать такое про проекты, которые ты лично строил вместе с командой (кейс 1) и наблюдал, как строят другие (кейс 2) 🙂 Ещё интереснее, что для кого-то твоя жизнь — виртуальная реальность. Прям киберпанк из "Бегущий по Лезвию" получается!
Не любой опыт автоматически масштабируется в экспертизу, и команда, которая 15 месяцев делает AI-wrapper вокруг готового API, не обязательно через пару лет превратится в 4 сильные AI-команды.
Всё-таки очень большой технологический разрыв между API-интеграциями и самостоятельной разработкой / дообучением моделей, inference, ML-ops, оптимизацией.
Поэтому я бы скорее смотрел на то, накапливает ли команда настоящую инженерную экспертизу и способность решать всё более сложные задачи.
Отличный пример того, что я действительно не учёл в посте. Согласен, в задачах стандартизированной рутины насыщенность синьорами не нужна, и экономика команды может быть совсем другой.
Думаю, мой взгляд сильно искажён тем, что мне по работе постоянно приходится запускать новые продукты и направления в условиях высокой неопределённости. А в таких задачах ценность сильных автономных инженеров резко возрастает.
Абсолютно согласен. Я просто не стал отдельно расписывать стоимость координации.
Менеджерить 15 джунов год — это отдельная задача со звёздочкой. А сильные senior-команды часто работают с высокой степенью самоорганизации — контроль требуется минимальный.
Хммм. Может я не понял мысли вашего коммента, но по вашей логике тогда в 2022 году должен был случиться резкий рост зарубежных вакансий в связи с "массовым отказом". А на графике иная картина — спад к концу 2022, дно в 2023 и рост в 2026ом.
То, что во многих компаниях сложности с определением, кто им нужен и как это называется — абсолютно точно. Бывает, даже название должности и содержание требований несоответствуют друг другу
Критика понятна. Однако, у статьи была другая цель — показать взгляд нанимающей стороны на тот самый "красный рынок", на котором "не найти работы".
Это не гайд по найму аналитиков и не попытка описать идеальный процесс. Задача текста — зафиксировать сам разрыв между ожиданиями кандидатов и реальностью отбора, а не разобрать все измерения хорошего аналитика.
Сложность входа в профессию здесь не уникальна — она примерно одинакова почти везде. И ключевой фактор не в "порогах работодателя", а в интересах самого человека.
Аналитика — не одна профессия, а спектр: — Кому-то интересна теория и математика, — другим — данные как инфраструктура: источники, схемы, доступы, — третьим — программирование и автоматизация. — четвёртым — бизнес: как продукт используют, за что платят, что растёт и почему. Все эти люди — аналитики, просто они хороши в разных задачах.
В нашем случае нужен был аналитик, который понимает цели бизнеса и умеет рассуждать на данных в этом контексте. Именно такого человека мы и нашли. А то, что в каждый подбор откликаются люди с самым разным и порой далёким от задачи опытом — это не "печальная статистика", а, видимо, нормальное состояние рынка. Люди пробуют, ищут себя, примеряют разные роли.
Это не про "молодёжь" и не про смузи. Мой опыт со студентами такой: очное обучение постоянно вмешивается в рабочий график — пары, научрук, сессии. В итоге человек формально full-time, а по факту — нет. При этом ожидания по деньгам обычно не ниже, чем у тех, кто уже закончил учиться.
Мы как раз не проверяли знание бизнес-специфики. Кейсы на собеседовании были максимально общими и доменно-нейтральными — про логику, работу с цифрами и умение рассуждать.
Если человеку в принципе интересно, как работает бизнес, и он умеет думать на данных, эти вопросы не вызывают сложностей даже без контекста. Если бизнес-контекст не интересен вовсе — испытательный срок это не исправит.
Действительно, часть первичного отсева могла и должна была быть сделана на стороне HR — это снизило бы нагрузку на меня как на нанимающего менеджера. По факту я получал резюме уже с ответами на опросник и комментариями после первичного контакта, и на каждом этапе принимал решение "идём дальше / нет".
Прямой поиск рассматривался как резервный сценарий, если входящий поток не даст результата. Судя по процессу, его стоило подключать раньше.
Процесс действительно можно было сделать эффективнее. Это хороший вывод на следующий найм.
Мы как раз и нанимали продуктового аналитика под конкретную задачу, а не "знатока теории". Поэтому тесты и вопросы были максимально приближены к реальной работе: цифры, контекст, необходимость сделать выводы и принять решение.
Цель — не проверить матстат, а увидеть, как человек думает на данных. В итоге именно такого кандидата и нашли: увидел цифры и начал выдавать понятные, логичные рассуждения.
Про тысячу откликов — да, думаю это массовые отклики. На IT-вакансиях такие объёмы — норма, это можно посмотреть в открытой статистике HH, её показывают в приложении для любой вакансии.
По поводу "не берут трубку" — мы связывались всеми доступными способами (сообщения в HH, контакты из резюме, тг). Начинали, разумеется, с предпочитаемого кандидатом способа связи.
Именно поэтому и был сделан входной опросник. Его цель — не читать 1000 откликов в день, из которых 90% не про вакансию. 85 — это уже отфильтрованный поток, а не "весь рынок".
Согласен, AI может ускорять рост джунов, но я не про потенциал роста, а про ценность для бизнеса на конкретной задаче прямо сейчас.
Кейс, который я наблюдал:
- Прототип, который выдаёт отличный результат, сделан на n8n за неделю.
- Джун навайбкодил тысячи строк кода, но тот же результат не мог выдать 2 месяца.
- Потом два джуна на langchain повторили логику один-в-один за 2 недели — но результат стал менее стабильным и сильно дороже по токенам (скорее всего, из-за другой архитектуры получения данных).
И финал: джуны "набрались опыта" и ушли в банки, а решение так и не стало надёжным.
Итого: компания платит за то, чтобы посмотреть, как взрослеют джуны, вместо того, чтобы взять пару толковых ребят, которые сделают задачу за месяц.
Воспользуюсь советом, спасиб!
Истории абсолютно реальные и размышления мои основаны на моём реальном опыте. Я даже указал некоторые подробности: например, "до эпохи chatgpt", и по стеку примерно можно догадаться, какой продукт мы делали. А в картинке к посту даже модели указаны :)
Понимаю по поводу нейрослопа — хочется проверить статью перед публикацией, а LLM предлагает сглаживать углы и язык получается менее живым. Это я тоже замечаю. Для будущих статей буду просить указвать только на явные ошибки, не меняя текста.
Забавно читать такое про проекты, которые ты лично строил вместе с командой (кейс 1) и наблюдал, как строят другие (кейс 2) 🙂 Ещё интереснее, что для кого-то твоя жизнь — виртуальная реальность. Прям киберпанк из "Бегущий по Лезвию" получается!
Не соглашусь.
Не любой опыт автоматически масштабируется в экспертизу, и команда, которая 15 месяцев делает AI-wrapper вокруг готового API, не обязательно через пару лет превратится в 4 сильные AI-команды.
Всё-таки очень большой технологический разрыв между API-интеграциями и самостоятельной разработкой / дообучением моделей, inference, ML-ops, оптимизацией.
Поэтому я бы скорее смотрел на то, накапливает ли команда настоящую инженерную экспертизу и способность решать всё более сложные задачи.
Отличный пример того, что я действительно не учёл в посте. Согласен, в задачах стандартизированной рутины насыщенность синьорами не нужна, и экономика команды может быть совсем другой.
Думаю, мой взгляд сильно искажён тем, что мне по работе постоянно приходится запускать новые продукты и направления в условиях высокой неопределённости. А в таких задачах ценность сильных автономных инженеров резко возрастает.
Абсолютно согласен. Я просто не стал отдельно расписывать стоимость координации.
Менеджерить 15 джунов год — это отдельная задача со звёздочкой. А сильные senior-команды часто работают с высокой степенью самоорганизации — контроль требуется минимальный.
Хммм. Может я не понял мысли вашего коммента, но по вашей логике тогда в 2022 году должен был случиться резкий рост зарубежных вакансий в связи с "массовым отказом". А на графике иная картина — спад к концу 2022, дно в 2023 и рост в 2026ом.
Точно!! :) Исправляю :)
То, что во многих компаниях сложности с определением, кто им нужен и как это называется — абсолютно точно. Бывает, даже название должности и содержание требований несоответствуют друг другу
Это разброс зарплат, на которые претендовали кандидаты
Вау! Интересно, давно ли отключили. Любопытно, какие теперь будут цифры откликов на вакансии.
Критика понятна. Однако, у статьи была другая цель — показать взгляд нанимающей стороны на тот самый "красный рынок", на котором "не найти работы".
Это не гайд по найму аналитиков и не попытка описать идеальный процесс. Задача текста — зафиксировать сам разрыв между ожиданиями кандидатов и реальностью отбора, а не разобрать все измерения хорошего аналитика.
Сложность входа в профессию здесь не уникальна — она примерно одинакова почти везде. И ключевой фактор не в "порогах работодателя", а в интересах самого человека.
Аналитика — не одна профессия, а спектр:
— Кому-то интересна теория и математика,
— другим — данные как инфраструктура: источники, схемы, доступы,
— третьим — программирование и автоматизация.
— четвёртым — бизнес: как продукт используют, за что платят, что растёт и почему.
Все эти люди — аналитики, просто они хороши в разных задачах.
В нашем случае нужен был аналитик, который понимает цели бизнеса и умеет рассуждать на данных в этом контексте. Именно такого человека мы и нашли. А то, что в каждый подбор откликаются люди с самым разным и порой далёким от задачи опытом — это не "печальная статистика", а, видимо, нормальное состояние рынка. Люди пробуют, ищут себя, примеряют разные роли.
Это не про "молодёжь" и не про смузи. Мой опыт со студентами такой: очное обучение постоянно вмешивается в рабочий график — пары, научрук, сессии. В итоге человек формально full-time, а по факту — нет. При этом ожидания по деньгам обычно не ниже, чем у тех, кто уже закончил учиться.
Мы как раз не проверяли знание бизнес-специфики. Кейсы на собеседовании были максимально общими и доменно-нейтральными — про логику, работу с цифрами и умение рассуждать.
Если человеку в принципе интересно, как работает бизнес, и он умеет думать на данных, эти вопросы не вызывают сложностей даже без контекста. Если бизнес-контекст не интересен вовсе — испытательный срок это не исправит.
Замечания по делу!
Действительно, часть первичного отсева могла и должна была быть сделана на стороне HR — это снизило бы нагрузку на меня как на нанимающего менеджера. По факту я получал резюме уже с ответами на опросник и комментариями после первичного контакта, и на каждом этапе принимал решение "идём дальше / нет".
Прямой поиск рассматривался как резервный сценарий, если входящий поток не даст результата. Судя по процессу, его стоило подключать раньше.
Процесс действительно можно было сделать эффективнее. Это хороший вывод на следующий найм.
Мы как раз и нанимали продуктового аналитика под конкретную задачу, а не "знатока теории". Поэтому тесты и вопросы были максимально приближены к реальной работе: цифры, контекст, необходимость сделать выводы и принять решение.
Цель — не проверить матстат, а увидеть, как человек думает на данных. В итоге именно такого кандидата и нашли: увидел цифры и начал выдавать понятные, логичные рассуждения.
Про тысячу откликов — да, думаю это массовые отклики. На IT-вакансиях такие объёмы — норма, это можно посмотреть в открытой статистике HH, её показывают в приложении для любой вакансии.
По поводу "не берут трубку" — мы связывались всеми доступными способами (сообщения в HH, контакты из резюме, тг). Начинали, разумеется, с предпочитаемого кандидатом способа связи.
Именно поэтому и был сделан входной опросник. Его цель — не читать 1000 откликов в день, из которых 90% не про вакансию. 85 — это уже отфильтрованный поток, а не "весь рынок".