Александр Сельдемиров: Точность определения грейда специалистов при помощи Jumse достигает 98%
Бизнесу нужно все больше ИТ-решений, сроки разработки ограничены, а квалифицированных кадров не хватает. Организации тратят на их поиск значительные средства. Однако процесс поиска и тестирования разработчиков можно автоматизировать с помощью искусственного интеллекта, уверен Александр Сельдемиров, CEO TQuick.
CNews: Какие сложности возникают при подборе сотрудников уровня senior?
Александр Сельдемиров: Российский ИТ-сектор демонстрирует впечатляющий рост, увеличившись на 12% в 2023 году, по данным Strategy Partners. Это вдвое превышает среднемировые показатели. Однако столь стремительное развитие сопровождается острой нехваткой квалифицированных кадров, особенно на уровне senior-разработчиков.
HR-специалисты могут тратить до 100 часов на поиск подходящего кандидата, а технические собеседования, проводимые высокооплачиваемыми экспертами, обходятся компании в круглую сумму. При этом конверсия остается крайне низкой — часто лишь 2-3% кандидатов проходят все этапы отбора и получают предложение о работе.
Ситуацию усугубляет отсутствие единых стандартов грейдов, что приводит к разночтениям в оценке уровня специалистов. В результате найм одного senior-разработчика может обходиться компании в полмиллиона рублей, не считая потерь от простоя проекта в ожидании нужного специалиста.
CNews: Можно ли автоматизировать этот процесс?
Александр Сельдемиров: Несмотря на очевидные преимущества, внедрение AI в процесс найма сталкивается с определенными трудностями. Многие HR-отделы с осторожностью относятся к новым технологиям в рекрутинге. Кроме того, AI пока не может полностью заменить человека в оценке личностных качеств и культурного соответствия кандидата.
Еще одним вызовом является необходимость постоянного обновления базы знаний. Технологии развиваются стремительно, и системы оценки должны успевать за этими изменениями.
Тем не менее, уверен, что за AI-powered решениями — будущее ИТ-рекрутинга. По мере развития технологий искусственного интеллекта, эти системы будут становиться все более точными и многофункциональными.
CNews: Как меняется процесс подбора благодаря использованию платформы Jumse?
Александр Сельдемиров: Мы создали платформу Jumse для автоматизации технического скрининга, использующую в том числе искусственный интеллект для оценки навыков ИТ-специалистов. Система предлагает тестирование на основе реальных кейсов в формате код-ревью, сокращая время оценки кандидата с 3-4 часов до 1 часа. Мы провели более 2000 технических скринингов разработчиков, и точность определения грейда специалистов достигает 98%, если сравнивать с имеющимися представлениями в компании об их сотрудниках.
Ключевым преимуществом Jumse является гибкая настройка требований под конкретную вакансию и комплексная оценка всего необходимого стека технологий. Это позволяет HR-специалистам отбирать кандидатов, соответствующих специфическим требованиям CTO и тимлидов.
Внедрение AI-powered решений, подобных Jumse, радикально меняет процесс рекрутинга в ИТ. Сокращается цепочка собеседований при приеме на работу. Рекрутеру достаточно настроить параметры в конфигураторе вакансий, и тест сформируется автоматически. Это дает двойную выгоду: техлиды могут заниматься своими прямыми обязанностями, не отвлекаясь на проведение интервью. Кандидат не уйдет к конкурентам из-за длительного времени ожидания следующего этапа собеседования.
Важным аспектом является снижение стресса для кандидатов. Тестирование проходит в привычном для разработчиков формате code-review, его можно проходить в любое удобное время, при этом кандидат может пользоваться любыми справочными материалами.
Автоматизация процесса оценки существенно снижает стоимость найма каждого специалиста. Проведение одного стандартного скрининга Sr-разработчика обходится компании от 30 до 50 тысяч рублей, а таких скринингов приходится проводить от 5 до 10, чтобы закрыть одну вакансию.
Платформа также открывает новые возможности для аналитики и развития. Она позволяет не только оценивать новых кандидатов, но и анализировать навыки текущей команды, предлагая индивидуальные планы обучения и позволяет формировать продуктовые команды разработки на основании детальных знаний о навыках членов команды. Таким образом TTM (time to market) можно сократить в 2 и более раз.