AI-описания вакансий: перепишите роли, прежде чем нанимать снова

Почему старые описания вакансий перестают работать

Многие AI-описания вакансий до сих пор выглядят как чек-листы до эпохи AI. В них описывают работу, которую раньше люди делали вручную: первые черновики, рутинные ответы, базовое исследование, обновления статуса, простой анализ и стандартную документацию.

Раньше это имело смысл, потому что именно такие задачи занимали большую часть недели. Но смысл пропадает, когда AI может сделать это за минуты.

Работа не исчезает. Меняется ее центр. Вместо того чтобы большую часть дня создавать первую версию, люди тратят больше времени на проверку, исправление, решение, когда это вообще не нужно использовать, и на вмешательство там, где ситуация не совпадает с шаблоном.

Старые описания вакансий скрывают эти более сложные решения. Они описывают простые, повторяемые части, потому что их было легче перечислить и проще измерить. Но после появления AI в рабочем процессе повторяемых задач становится меньше, а сложные и неоднозначные случаи выходят на первый план.

Из-за такого несоответствия приходят не те кандидаты. Вы получаете людей, которые хорошо подходят под вчерашнюю работу: быстрых авторов, быстрых исследователей, людей, которые быстро закрывают тикеты и быстро выпускают стандартный результат. Но теряете тех, у кого есть знание предметной области, здравое суждение и терпение к исключениям.

Проблема проявляется рано. В первый месяц новый сотрудник считает, что успех — это объем, а менеджеру нужны точные решения. Кандидат ожидает, что будет создавать все с нуля. Команда ждет, что он будет проверять вывод AI, ловить неверные предположения и разбираться в нестандартных случаях. Никто не чувствует согласованности, и роль начинает казаться размытой, хотя настоящая проблема — в описании вакансии.

Это особенно часто происходит в небольших компаниях, которые переходят на AI-ориентированные процессы. Стартап публикует вакансию поддержки и просит быстрые ответы, обновления базы знаний и краткие сводки по тикетам. В первый же день AI уже черновиком делает большую часть этого. На самом деле человеку нужно успокаивать раздраженных клиентов, замечать пробелы в политике и понимать, когда проблема с багом, возвратом или безопасностью требует эскалации.

Если вакансия по-прежнему описывает старый список задач, поиск начинается с неверной рамки. Вы нанимаете не под ту работу, которая занимает день сейчас, а под ту, которая команде была нужна раньше.

Чем теперь владеет роль

Когда AI берет на себя рутинную работу, роль обычно становится уже, но серьезнее. Человек, которого вы нанимаете, отвечает за сложные части: неясные случаи, рискованные решения и моменты, когда быстрый ответ все еще может быть неправильным.

Сначала разделите повторяемую работу и решения, где нужно суждение. Если модель умеет черновик ответа, сортировку тикетов, краткое резюме или первичный анализ, это больше не должно определять роль. Роль должна описывать, что происходит, когда шаблон ломается.

Обычно это означает ответственность за случаи с недостающей, противоречивой или необычной информацией. Это также значит работу с исключениями, которые влияют на деньги, договоры, доверие или соответствие требованиям. В одних командах это означает решение, когда вывод AI звучит убедительно, но выпускать его нельзя. В других — финальное решение, когда цена ошибки слишком высока.

Опишите эти решения простым языком. Размытая обязанность вроде «управлять поддержкой» говорит кандидату очень мало. А фраза «утверждать возвраты выше порога, заменять ответы AI в спорах по аккаунтам и эскалировать подозрения на инциденты безопасности» сразу показывает, чем человек будет заниматься на самом деле.

Перепишите роль до публикации

Если вы хотите полезное описание вакансии, на неделю забудьте про оргструктуру и посмотрите на саму работу. Читайте тикеты, присутствуйте на передаче задач, просматривайте черновики из AI-инструментов и отмечайте, где люди останавливаются, перепроверяют или зовут старшего коллегу вмешаться. Большинство слабых AI-описаний вакансий описывают вчерашнюю загрузку, а не сегодняшние исключения.

Начните с одной недели фактов

Сначала опишите роль по реальным задачам, а не по статусу или названию. Для каждой задачи используйте простую метку: AI справляется хорошо, AI справляется с проверкой или человек берет задачу на себя, потому что случай становится сложным.

Это упражнение проясняет больше, чем большинство планерок. Рутинная работа часто ускоряется, но сложные части никуда не исчезают. Они просто концентрируются. Команда поддержки может весь день позволять AI черновить стандартные ответы, но возвраты, пограничные случаи политики и раздраженные корпоративные клиенты все равно будут втягивать тимлидов в процесс. Продуктовая команда может использовать AI для обычного кода, а вот инциденты, решения по безопасности и странные старые баги все равно попадут к senior-инженерам.

Считайте эти вовлечения. Если одни и те же проблемы снова и снова доходят до одних и тех же senior-сотрудников, это не случайная уборка хвостов. Это новый центр роли.

Превратите исключения в область ответственности

Теперь перепишите роль вокруг этих случаев. Если человеку нужно суждение, определите, с какого момента оно начинается. Запишите, какие исключения он ведет сам, что он может решать без согласования и что он должен улучшить, чтобы команда видела меньше повторов в следующем месяце.

Сильное описание роли делает четыре вещи понятными: какие ситуации требуют эскалации, какие решения принадлежат этой роли, какая работа требует человеческой проверки перед отправкой и какие повторяющиеся сбои этот человек должен сократить.

Потом опишите успех первых 90 дней простыми словами. Уберите фразы вроде «управлять процессами» или «поддерживать внедрение AI». Скажите, какие результаты важны. Гораздо лучше звучат такие примеры: сократить время senior-проверки эскалаций поддержки на 25 процентов, задокументировать 15 случаев, где AI все еще ошибается, или уменьшить число повторных ошибок в биллинге за счет более точных промптов и правил проверки.

Так у кандидатов появляется что-то конкретное, на что можно опереться. И вам проще сразу отсеять неподходящий профиль. Тот, кто умеет только работать со стандартными случаями, в роли, построенной на суждении, быстро начнет буксовать.

Что включить в описание вакансии

Начинайте с решений, за которые отвечает этот человек. Большинство вакансий стартует с обязанностей, но обязанности быстро смешиваются. Решения показывают, где кандидат будет применять суждение. Если роль может утверждать возвраты в пределах лимита, заменять подсказку AI, эскалировать продуктовые проблемы или отклонять рискованный запрос клиента, скажите об этом уже в первом абзаце.

Потом покажите несколько сложных ситуаций. Именно на это обращают внимание сильные кандидаты. Общие списки задач скрывают настоящую работу. Клиент говорит, что ответ, сгенерированный AI, неверный, но данные аккаунта неполные. Крупный клиент хочет особый процесс, который замедлит поддержку для всех остальных. Отчет о баге выглядит срочным, но логи намекают, что пользователь изменил настройки у себя. Такие примеры делают роль живой.

Прямо напишите, как человек будет использовать AI каждый день. Скажите, будет ли он черновить ответы с помощью AI, проверять вывод AI до отправки клиенту, просматривать транскрипты после AI-сортировки или писать обратную связь, которая улучшает промпты и рабочие процессы. Если AI делает первый проход, а человек разбирает исключения, напишите это без двусмысленности.

Объясните, что у вас считается хорошим суждением. Возможно, вам нужен человек, который замедляется перед тем, как отправить рискованный ответ. Возможно, нужен тот, кто замечает общие паттерны в случаях или понимает, когда быстрый фикс сегодня создаст большую проблему на следующей неделе. Укажите это в вакансии. Общие фразы вроде «хорошо общается» мало что говорят кандидату.

Уберите лишнее. Пропустите слова вроде «ниндзя» и «рок-звезда». Уберите гигантские списки задач, которые выглядят как три работы, склеенные вместе. Лучшие AI-описания вакансий короткие, конкретные и честные насчет сложностей. Кандидат должен дочитать и понять, какие решения он будет принимать, где помогает AI и где человеку все еще нужно думать.

Простой пример из поддержки клиентов

Раньше вакансия поддержки могла выглядеть так: отвечай на каждый тикет быстро, следуй скрипту, держи низкое время ответа. Это имело смысл, когда люди писали каждый ответ вручную. После внедрения AI такое описание указывает не на ту работу.

Если бот может черновить большую часть типовых ответов, скорость перестает быть главным навыком. Роль человека смещается к суждению. Сотрудник поддержки проверяет, что написал бот, замечает, где не тот тон, и вмешивается, если ответ может стоить денег или подорвать доверие.

Представьте клиента, который пишет после неудачного возврата во время сбоя. Бот видит слово «возврат» и отправляет стандартную заметку по биллингу. Хороший специалист по поддержке сразу замечает настоящую проблему: сбой мог вызвать двойное списание, клиент зол, а аккаунт может требовать ручного исправления. Этот человек переписывает сообщение, проверяет историю аккаунта и следит, чтобы клиент получил ясный ответ.

Чтобы делать это хорошо, человеку нужно реальное знание правил биллинга, работы при сбоях и того момента, когда должны подключаться финансы или инженерная команда. Это глубина предметной области, а не скорость обработки тикетов.

В переписанной роли поддержки человек может проверять или заменять черновики AI в рискованных случаях, разбирать возвраты и споры по биллингу, замечать моменты, когда бот путает клиента, и фиксировать повторяющиеся сбои вместо того, чтобы считать каждый тикет отдельным событием. Он также должен возвращать повторяющиеся проблемы в продукт и операционные процессы с достаточной детализацией, чтобы их можно было исправить.

Это уже другой найм. Вы ищете не самого быстрого человека в очереди и не того, кто полностью зависит от шаблонных ответов. Вам нужен тот, кто умеет прочитать сложную ситуацию, принять справедливое решение и объяснить его простыми словами.

Многие команды упускают этот сдвиг. Они оставляют старую цель, например объем тикетов или время первого ответа, и просто добавляют рядом «использовать AI». Более удачная версия описывает, что человек отвечает за исключения, защищает отношения с клиентами и превращает паттерны поддержки в изменения продукта.

Когда вы пишете роль именно так, сильные кандидаты узнают в ней себя. Слабые обычно — нет. Они говорят о скорости и скриптах. Нужные вам люди говорят о суждении, странных случаях, решениях по политике и о том, как не допустить, чтобы та же проблема вернулась завтра.

Ошибки, которые тратят время впустую

Большинство поисков идут не так еще до первого интервью. Команда публикует вакансию, рассчитанную на старый процесс, а потом неделями перебирает людей, которые выглядят нормально на бумаге, но не подходят на практике.

Одна из частых ошибок — нанимать под написание промптов вместо суждения. Хорошие промпты важны, но большинство толковых кандидатов быстро их освоит. Сложнее понять, когда ответ уже достаточно хорош, когда модель начинает уезжать в сторону и когда сложный случай требует человеческого решения.

Другая ошибка — навешивать слишком много на одну роль. Вакансия одновременно требует настройки инструментов, перестройки процессов, обучения команды, отчетности, контроля качества, работы с исключениями и достижения бизнес-результатов. Это не одна работа. Это три работы, принудительно загнанные в один бюджетный слот.

Еще одна ловушка — скопировать описание прошлого года и заменить пару слов на AI. Название меняется, а работа — нет. Если AI теперь делает первый черновик, человек, которого вы нанимаете, должен отвечать за проверку, исключения, качество и решения по политике. Если черновик по-прежнему вознаграждает только объем, вы притянете не тех кандидатов.

Команды также обходят самый сложный вопрос: кто проверяет неправильные ответы и странные случаи? AI создает больше серой зоны, а не меньше. Кто-то должен ловить плохие сводки, рискованные ответы, необычные запросы клиентов или цифры, которые выглядят правдоподобно, но не проходят простую проверку на здравый смысл. Если никто не отвечает за этот слой, проблемы тихо расползаются.

Метрики только по объему делают поиск хуже. Больше закрытых тикетов или больше созданного контента может выглядеть впечатляюще, пока качество падает. Лучше отслеживать скорость, процент ошибок, качество эскалации и то, предотвращает ли человек повторение старых ошибок.

Помогает простой тест на здравый смысл. Уберите из черновика роли все названия инструментов. Если работа все еще имеет смысл, вы близки к цели. Если все разваливается, вы все еще нанимаете не под бизнес-экспертизу, а под знание софта.

Такая ошибка быстро становится дорогой. Вы не просто нанимаете не того человека. Вы приучаете всю команду гнаться за результатом и игнорировать суждение.

Как проверять суждение на интервью

Викторина на знание фактов показывает только, кто что запомнил. Она не говорит, кто сможет принять разумное решение, когда данных мало, клиент раздражен, а AI дал наполовину верный ответ.

Если роль зависит от суждения, интервью должно проверять его под небольшим давлением. Возьмите один сложный сценарий, который близок к реальной работе. Для поддержки или операционной роли это может быть жалоба клиента с неполными данными аккаунта, ответ, написанный AI, который звучит уверенно, но обещает то, что компания не может выполнить, и записка от продаж с просьбой срочно все исправить.

Начните с простого вопроса: «Что вы сделаете в первые 10 минут и почему?» Сильные кандидаты сразу выстраивают порядок действий. Они не ходят кругами. Они говорят, что проверят, с кем свяжутся, что приостановят и что не будут отправлять.

Достаточно нескольких уточняющих вопросов. Спросите, что они проверят перед тем, как действовать на основе AI-вывода. Спросите, где они будут доверять AI, а где остановятся и перепроверят. Спросите, какой риск самый важный, если они ошибутся. Спросите, когда они эскалируют случай и какой дополнительный контекст изменил бы их решение.

Слушайте не отполированный язык, а торговлю между вариантами. Хороший ответ часто звучит просто: «Сначала я бы проверил историю аккаунта, потому что в черновике есть обещание возврата, а это уже и расходы, и прецедент». Это показывает знание предметной области. То же самое — фраза: «Я бы не позволил AI отвечать на это самостоятельно, потому что это касается биллинга, доступа и условий договора».

Один из лучших тестов — неудачный AI-вывод. Дайте кандидату черновик, который в целом неплох, но в одном-двух важных местах ошибается. Возможно, он не замечает проблему с соответствием требованиям, предлагает не тот приоритет или использует тон, который только сильнее разозлит клиента. Попросите исправить его и объяснить каждое изменение.

Следите за двумя слабыми паттернами. Одни люди слишком быстро доверяют AI. Другие в принципе его отвергают и тратят время на то, чтобы все делать вручную. Вам нужен середина: человек, который использует инструмент ради скорости, видит точку сбоя и понимает, когда должен подключиться человек.

Проверки до открытия поиска

Слабое описание вакансии создает слабый поиск. Если AI теперь делает черновики, рутинные обновления и первичный анализ, человек, которого вы нанимаете, должен отвечать за моменты, когда обычный поток ломается.

Прежде чем публиковать что-то, дайте краткое описание роли человеку вне команды. Если он все еще не понимает, какие решения этот человек принимает, без дополнительных вопросов, роль все еще размыта. Фраза «управлять операциями» почти ничего не говорит. А вот «решать, когда обойти модель, эскалировать проблему клиента или утвердить рискованный релиз» — уже гораздо яснее.

Назовите исключения. Большинство команд забывают именно об этом. Они описывают обычную ежедневную работу и пропускают редкие, но самые важные случаи. Именно они часто и оправдывают найм: разгневанный корпоративный клиент, подозрительный вывод модели, баг, затрагивающий биллинг, запрос по соответствию требованиям или изменение в продакшене, которое не может ждать.

Перед тем как открывать роль, сделайте пять быстрых проверок:

• Запишите от трех до пяти решений, за которые роль отвечает сама, и два, которые она только рекомендует.
• Уберите задачи, которые автоматизация уже делает хорошо, например первые черновики, рутинные обновления статуса, базовую сортировку или шаблонные ответы.
• Определите, как выглядит хорошая работа через 30, 60 и 90 дней, в результатах, которые команда сможет заметить.
• Сверьте оплату с уровнем суждения, которого вы ждете.
• Решите, нужна ли в этой роли глубокая экспертиза в предметной области или сильный универсал сможет освоиться достаточно быстро.

Именно здесь многие AI-описания вакансий начинают ломаться. Они требуют senior-суждения, глубины в предметной области и спокойной работы с исключениями, но оценивают роль как простое исполнение задач. Такое несоответствие затягивает поиск и наполняет воронку людьми, которые выглядят нормально на бумаге, но не смогут нести реальную нагрузку.

Если роль по-прежнему читается как список действий, остановитесь и перепишите ее еще раз. Хорошая версия делает владение очевидным, убирает работу, которую автоматизация уже закрывает, и дает обеим сторонам честную картину вакансии.

Что делать дальше

Возьмите одну открытую роль и перепишите ее до того, как утвердите еще одну вакансию. Не начинайте с самой сложной позиции в оргструктуре. Начните с той роли, где AI уже изменил ежедневную работу, даже если вслух это пока никто не сказал.

Большинство описаний вакансий становятся лучше после одного честного переписывания и одного жесткого ревью от людей, которые каждый день разбираются с исключениями. Если черновик все еще звучит как «делай задачу быстрее», это все еще старая роль в новых формулировках.

Рабочий процесс простой. Перепишите роль вокруг решений, исключений и знаний предметной области. Попросите тех, кто исправляет плохие результаты AI, занимается эскалациями и необычными случаями клиентов, проверить текст. Используйте первые интервью, чтобы проверять границы роли, а не только кандидатов. Потом отредактируйте вакансию, прежде чем расширять поиск.

Этап ревью важнее, чем многие ожидают. Люди, которые сегодня разбирают исключения, знают, где автоматизация дает сбой, где важно суждение и где роль все еще требует человека. Задайте им прямые вопросы: что попадает к вам, когда система путается, какие ошибки стоят денег и что требует контекста, а не скорости?

Используйте ранние интервью, чтобы находить слепые зоны. Если несколько кандидатов неправильно понимают ответственность, ваш черновик слишком размытый. Если сильные кандидаты снова и снова спрашивают про права на согласование, приоритеты или путь эскалации, исправьте роль до того, как продолжите интервью. Пять ранних разговоров могут сэкономить недели бесполезного поиска.

Небольшой стартап может сделать это за день. Возьмите одну роль, отметьте, что AI уже делает, отметьте, что все еще требует суждения, и перепишите объем работы простым языком. Обычно этого достаточно, чтобы увидеть недостающие обязанности или работу, которая должна быть в другой позиции.

Если ваша компания перераспределяет роли после внедрения AI и оргструктура больше не совпадает с реальной работой, Oleg Sotnikov на oleg.is может помочь пересмотреть план найма, рабочий процесс и техническую ответственность в роли Fractional CTO или советника. Такая внешняя проверка особенно полезна, когда команда уже чувствует несоответствие, но еще не может четко сформулировать новую роль.