Соберите сами: как HR перестал ждать разработчиков

Инструменты для найма и оценки всё чаще собирают не программисты, а активные и увлеченные сотрудники, далёкие от написания кода. По последним данным Vercel — одного из разработчиков решений для вайб‑кодинга — около двух третей всех, кто сегодня собирает рабочие программы с помощью ИИ, это люди без инженерного бэкграунда: продакт‑менеджеры, маркетологи, специалисты‑предметники. В HR‑отрасли уже наметилось смещение в сторону использования ИИ‑инструментов — и со стороны HR‑управленцев, и со стороны кандидатов.

Поэтому сегодня покажем на примере двух студентов «Зерокодера» по разные стороны HR‑процессов, как вайб‑кодинг работает на реальных задачах бизнеса.

Тренд, а не единичный случай

В России картина похожая. По данным исследования hh.ru, 57% работодателей уже применяют ИИ в HR‑процессах, но системной эту практику пока назвать нельзя. И вот разрыв, который всё объясняет: около 54% HR готовы делегировать ИИ подбор и скрининг, но меньше 30% умеют работать с такими инструментами. Спрос есть, инструменты есть, но не хватает людей, которые умеют их собирать.

Сторона работодателя: HR, который собрал систему сам

Этой весной мы запустили первый курс по вайб‑кодингу для нетехнических специалистов, заведомо понимая степень их консерватизма, страха перед новыми технологиями и работой в чёрном окне терминала. Но прошёл месяц обучения, и до финала дошло почти 80% студентов, преодолев самые сложные модули — по логике ИИ‑процессов, оркестрации моделей и сборке готовых решений.

Хочу поделиться первой историей о том, как HR‑директор Анастасия — 25+ лет в профессии, команда из 230 человек в штате IT‑компании — смогла самостоятельно, без написания кода, разработать единую систему оценки сотрудников: с указанием их ролей, градацией по принципу «светофора», автоматическим расчетом условий перехода на грейд и уведомлениями. Задачу, которая в обычном порядке встала бы в очередь на месяцы, — а в IT‑компании на HR‑проекты разработчиков не выделяли вовсе, — она закрыла за пару недель полностью самостоятельно, осваивая алгоритмы работы языковых моделей.

Как мы считали время. В методическом отделе мы не ведем отдельный дневник работы по студентам, а восстанавливаем картину по автоматическому журналу Git. Он показывает, что первая запись была сделана 24 июня, сколько всего было таких точек сохранения (71) и как они распределились по дням, — из чего и складывается оценка затраченного времени. Получилось около 50 часов за примерно 14 рабочих сессий; целевой модуль — порядка 10,8 тысячи строк кода. Принцип похож на историю версий в Google Документах: видно, кто, когда и что менял, и можно отмотать к любому прошлому состоянию, только Git делает это для программного кода.

Практически весь код сгенерировал или существенно правил ИИ, тогда как все продуктовые решения — модель оценки, роли участников, правила согласования — остались за самой Анастасией.

При этом интеграцию с корпоративными системами, развёртывание и вопросы безопасности Анастасия не стала делать в одиночку — подключились штатные администраторы и разработчики. А демонстрационный прототип пришлось переписать под требования компании.

Почему я отдельно выделил этот кейс как флагманский для использования ИИ в HR‑процессах? Как видите, почти у любого руководителя — и далеко не только в HR — есть целый пласт задач, которые быстрее, дешевле и качественнее собрать тому, кто сам глубоко погружен в предметные процессы. Вручную такой человек нередко упирается лишь на последнем этапе — в «упаковке» решения, и именно здесь ему помогает ИИ. А ещё у подхода есть неожиданный бонус: команда принимает беспристрастную систему охотнее, чем повышение «по знакомству» — потому что хороший человек, потому что давно работает, потому что выслуга лет. Когда условия перехода на грейд считаются одинаково для всех, вопросов «а почему он, а не я» становится меньше.

Собрать рабочий прототип может предметник. Довести его до продакшена — работа профессионалов.

Сторона продукта: рабочий ИИ‑сервис за вечер и почти без бюджета

Вторая история интересна бизнесу не тем, что помогает искать работу, а тем, как она собрана. Системный аналитик Александр примерно за четыре часа собрал на вайб‑кодинге сервис, который разбирает вакансию и готовит сопроводительное письмо, — на бесплатных нейросетях и без команды разработки. Для предпринимателя это готовый шаблон, как за вечер проверить ИИ‑идею, не нанимая разработчиков и не тратя бюджет на инфраструктуру.

Главное здесь — инженерное решение, которое переносится на любой продукт с ИИ внутри. Чтобы сервис работал быстро и не упирался в лимиты бесплатных тарифов, Александр выстроил подстраховку: каждый запрос уходит сразу в две нейросети параллельно: чей ответ пришел первым, тот и берётся; если обе заняты, запрос автоматически перебрасывается на резервные, всего в схеме семь бесплатных моделей. Ответ приходит за одну–пять секунд, сбои почти исключены. Тот же приём — параллельный запрос плюс каскад запасных провайдеров — крупные компании закладывают в свои ИИ‑функции, чтобы не зависеть от одного поставщика; здесь его в одиночку повторил предметник.

Это ровно то, на чем McKinsey фиксирует реальную отдачу от ИИ: выигрывают не те, кто купил модель помощнее, а те, кто перестроил под неё сам процесс. Здесь «процесс», то есть сборка и подстраховка ИИ, сделан так, что работает надежно и бесплатно.

Ценна и экономика: рабочий прототип обошелся в один вечер и ноль рублей на модели, но сразу проверяет спрос на живых пользователях. Это дешёвая проверка гипотезы до найма разработчиков — принцип, который в венчурной среде формулируют просто: если за первую версию продукта не стыдно, вы вышли на рынок слишком поздно. Быстро собрать, показать пользователям, доработать дешевле, чем месяцами полировать продукт «в столе».

Пока сервисом пользуются единицы, подтвержденного отклика работодателей нет, а главный риск — те самые лимиты бесплатных API, из‑за которых при росте нагрузки придётся переходить на платные тарифы. Прототип показывает идею и экономику, но не заменяет промышленное решение.

Что это значит для бизнеса

Во‑первых, собрать самому дешевле, чем заказывать разработке или подрядчику. По оценкам Gartner, гражданская разработка обходится на 40–60% дешевле профессиональной. В кейсе с системой оценки компетенций до задач HR у внутренней команды руки дошли бы месяца через три в лучшем случае, а реально — ближе к году: впереди стояли гипотезы, приоритеты других отделов и сложная инфраструктура. Руководитель увидел потребность здесь и сейчас — и закрыл её сам. А решение наболевшей задачи в моменте экономит компании больше денег и сил, чем долгий поиск исполнителя.

Во‑вторых, человек остается владельцем процесса. ИИ — исполнитель, а не заказчик: модель, роли, правила и финальные решения задает специалист, и ответственность за внедрение всё равно остаётся на человеке, который его ведёт. У этого есть и практический выигрыш: когда позже понадобится доработка — поправить логику, настроить конфигурацию ИИ‑процессов, внести изменения, — предметник сделает это сам и, скорее всего, в рамках своего оклада, без отдельного бюджета на подрядчика. У специалиста появляется стимул улучшать свою работу и заодно показывать влияние на бизнес‑результаты, что обычно ведет и к карьерному, и к зарплатному росту. Внесение правок в проекты нетехнических специалистов — это не месяцы разработки, а несколько диалогов с ИИ и пара итераций, которые не отрывают от основной работы на часы.

И последнее: границы нужно уважать. Прототип — не продакшен; безопасность, персональные данные и интеграции в сложные сквозные процессы нескольких отделов остаются зоной профессионалов‑технарей.

С чего начать бизнесу

Посмотрите, какие задачи годами висят в IT‑бэклоге как непроходные, и отдайте их предметникам, которых обучили сборке на ИИ, — начиная с рутины и внутренних инструментов, а не с критичных систем. Границы задайте сразу: безопасность, персональные данные и вывод в продакшен — вместе с профессионалами. А прототип предметника передавайте IT для доведения до боевой эксплуатации.

Мои примеры применения ИИ в HR — со стороны и соискателя, и работодателя — показывают, что главный навык в развитии команды не в овладении программированием. Он — в умении внятно поставить задачу ИИ, спроектировать логику решения и собрать из моделей рабочий инструмент. Это становится новой грамотностью отраслевого специалиста — вне зависимости от должности, зоны ответственности и интересов. Обе истории объединяет не то, что «ИИ всё сделал сам», а то, что человек без инженерного бэкграунда научился этим управлять. Верю, что таких кейсов будет только больше.