Я получаю много отказов по резюме

Статья 64 ТК РФ даёт соискателю право потребовать письменное объяснение отказа. На практике этим правом почти никто не пользуется — и не потому, что люди его не знают. А потому, что оно не встроено в процесс найма.  Как выглядит процесс сегодня Соискатель откликается на вакансию. Через час приходит автоотказ. Или через неделю — молчание. Или через две — шаблонное «мы выбрали другого кандидата». Кто принял решение? Непонятно. Бот, который отсортировал резюме по ключевым словам? Рекрутер, который просмотрел 300 откликов за день? Нанимающий менеджер, который сказал «не то»? Платформа, которая показала резюме не тем людям? Никто не знает. И это не баг. Это система. Три разрыва, из-за которых права не работают Разрыв первый: отклик ≠ заявление Закон говорит о «лице, которому отказано в заключении трудового договора». Чтобы стать таким лицом, нужно, чтобы работодатель отказал вам в заключении договора. А чтобы он мог отказать, вы должны сначала предложить ему этот договор заключить. Отклик на вакансию — это не предложение заключить договор. Это предложение рассмотреть вашу кандидатуру. Юридически — разные вещи. Суды это подтверждают: направление резюме через сайт поиска вакансий и даже прохождение собеседования не может рассматриваться как обращение с требованием о заключении трудового договора . А значит, и ответные действия работодателя — в том числе автоотказ — не являются отказом в трудоустройстве в юридическом смысле. Разрыв второй: автоотказ ≠ решение человека Автоотказ на hh.ru — это не «отказ в заключении трудового договора». Это «отклонение отклика». Формально — техническое действие системы. Юридически — ничего. Соискатель получает шаблонное сообщение. Иногда — без указания причин. Иногда — с формулировкой «не подходит по опыту». Конкретная причина отказа соискателю не показывается. И потребовать её он не может, потому что юридически отказа и не было. Разрыв третий: право есть, но механизма нет Даже если вы знаете свои права, встроить их в процесс не получается. Чтобы получить мотивированный отказ, нужно подать отдельное письменное заявление о приёме на работу . Не строчку в сопроводительном, не сообщение в чате, а формальный документ — через канцелярию или заказным письмом. Представьте это в реальности. Вы пришли на первое интервью. Поговорили. И достаёте бумагу: «Прошу принять меня на должность. Вот заявление, поставьте отметку о получении». Что произойдёт? В лучшем случае — неловкая пауза. В худшем — вас сочтут странным. Это нарушает социальный сценарий найма. Работодатель воспринимает это как давление. Рекрутер положит бумагу в папку. Или не положит. Механизм существует в теории. На практике он превращает живого человека в юридического зануду. И почти никто так не делает. Почему суды чаще отказывают соискателям Даже если вы всё сделали правильно — подали заявление, получили немотивированный отказ, пошли в суд — результат предсказуем. В большинстве дел суды встают на сторону работодателя. Причины: - Свобода трудового договора. Заключение договора — исключительная компетенция работодателя. Суд не может обязать взять конкретного человека. - «Деловые качества» — широкое понятие. Опыт, образование, личностные качества, состояние здоровья, специфика работы. Доказать, что отказ связан с чем-то иным, крайне сложно. - Бремя доказывания на соискателе. Именно вы должны доказать дискриминацию или необоснованность. Простого несогласия недостаточно. - Формальное соблюдение процедуры. Если работодатель сослался на «деловые качества» — даже общими словами — суд часто считает это достаточным. Статистика это подтверждает: если в 2021 году работодатели выигрывали 82% таких споров, то в 2025 году — уже 49,5%. Ситуация меняется, но всё ещё далека от справедливой. Где именно проходит серая зона и способы изменения Серая зона — это пространство между «право существует» и «право работает». Вот её границы: Ответственность за отказ не закреплена ни за кем. Алгоритм не отвечает. Рекрутер не отвечает. Платформа не отвечает. Нанимающий менеджер не отвечает. Каждый может сказать: «Это не я». Что нужно изменить Проблема не в том, что соискатель не знает своих прав. Проблема в том, что эти права не встроены в процесс. И пока они не встроены, никакое заявление после первого интервью ситуацию не изменит. Что должно быть встроено: 1. Маркировка ИИ-решений. Соискатель должен знать, что отказ принял алгоритм, а не человек. 2. Запрет автоотказа. ИИ может пригласить или передать человеку. Но не выкинуть молча. 3. Понятные критерии . Не «63%», а по каким требованиям совпало, а по каким нет. 4. Кнопка «Запросить объяснение» . Прямо в интерфейсе отклика. Без заявлений и канцелярии. 5. Ручная проверка . С понятным SLA. Возможность выйти на живого рекрутера. 6. Апелляция . Если кандидат не согласен — он может оспорить решение. 7. Ответственность. Конкретный человек, который подписывается под отказом. Главное Право на объяснение отказа существует. Но оно не универсально и не автоматично. Чтобы оно заработало, соискателю нужно создать юридический факт — подать заявление. А это в реальной жизни почти никто не делает, потому что процесс найма устроен иначе. Так что проблема не в юридической безграмотности соискателей. Проблема в том, что система не предполагает их прав по умолчанию. И пока это не изменится — на уровне платформ, практики и законодательства — серая зона ответственности будет только расти. А вместе с ней — количество людей, которые получили отказ и так и не поняли, почему.

29 сентября 2026

ИИ не просто забирает работу. Он создаёт новые рабочие места. И вот что важно: это не только «промпт-инженер» и «ML-разработчик». Это целая экосистема ролей, которые ещё два года назад не существовали. Кто-то должен проверять модели на предвзятость, кто-то — тренировать нейросети на профессиональных данных, кто-то — взламывать ИИ-системы до того, как это сделают злоумышленники. Gartner в 2026 году разбил все ИИ-роли на три группы: Emerging (новые, закрывают пробелы в ответственности), Must-have (ядро команды) и Operational (те, кто запускает систему в ежедневную эксплуатацию). Ниже — карта по этим группам с описанием, требованиями и примерными зарплатами. Группа 1: Emerging AI Roles (новые роли) Это те, кого ещё год назад не было. Они закрывают пробелы, которые появились, когда ИИ начал ошибаться, галлюцинировать и дискриминировать. Model Validator (Валидатор моделей) > Что делает: тестирует модели как аудитор тестирует бухгалтерские книги. Ищет скрытую предвзятость, слабые edge cases, дрейф модели во времени и плохие сценарии оценки. Превращает «работает в демо» в «работает в реальной жизни». >> Что нужно: понимание ML, статистика, опыт тестирования, критическое мышление. Knowledge Engineer (Инженер знаний) > Что делает: превращает хаотичные знания компании в топливо для ИИ. Строит мост между документами, политиками, спецификациями, тикетами поддержки и «племенным знанием», которое живёт в головах сотрудников. Делает ответы ИИ обоснованными и последовательными. >> Что нужно: системное мышление, опыт работы с базами знаний, таксономия, понимание RAG-систем. Decision Engineer (Инженер решений) > Что делает: соединяет выходные данные ИИ с реальными бизнес-действиями. Проектирует решающие потоки, пороги, human-in-the-loop шаги и эскалационные пути. Следит, чтобы ИИ поддерживал стратегию, а не создавал шум. >> Что нужно: бизнес-аналитика, понимание процессов, работа с KPI, проектирование workflow. AI Red Teamer (ИИ-редтимер) > Что делает: симулирует атаки на ИИ-системы. Ищет prompt injection, jailbreak, утечки данных, предвзятость и safety failures до того, как это сделают реальные злоумышленники. Microsoft сформировала первую команду AI Red Team ещё в 2018 году, но роль взорвалась после 2023-го. >> Что нужно: опыт в кибербезопасности (или лингвистике, психологии — команды Microsoft включают нейроучёных и лингвистов), понимание LLM-поведения, prompt engineering, тестирование моделей. AI Ethicist / AI Auditor (Специалист по этике ИИ / ИИ-аудитор) > Что делает: следит за тем, чтобы ИИ соответствовал человеческим и корпоративным ценностям. Fairness, bias, privacy, consent, transparency, explainability, harm prevention. Рассматривает этику как требование к сборке, а не как PR-заплатку. На 2026 год уже существует европейский стандарт компетенций для профессиональных ИИ-этиков (prEN 18274), который описывает знания, навыки и установки для этой роли. >> Что нужно: понимание ML и LLM, знание регуляторики (EU AI Act и др.), философия/этика, аудиторское мышление, умение работать со стейкхолдерами. AI Risk & Governance Specialist (Специалист по рискам и управлению ИИ) > Что делает: разрабатывает и оценивает модели управления ИИ, aligns AI-инициативы с бизнес-стратегией и регуляторными ожиданиями (например, EU AI Act). Идентифицирует специфические риски: безопасность, целостность модели, качество данных, зависимости от третьих сторон. >> Что нужно: опыт в risk management, compliance, юриспруденции или аудите. Понимание AI/ML на уровне достаточном для оценки рисков. Agent Auditor (Аудитор агентных систем) > Что делает: новая профессия, которая только формируется. Мониторит, аудирует и управляет агентными системами в масштабе. Существующие организационные роли не приспособлены для этого — отсюда и появление отдельной специальности. >> Что нужно: понимание агентных архитектур, аудит, governance. Группа 2: Must-have AI Roles (ядро команды) Эти роли существовали и раньше, но в 2026 году они изменились. AI Trainer / ИИ-тренер > Что делает: не просто использует нейросети, а формирует их «личность» и знания. Собирает и классифицирует тысячи диалогов для чат-бота, учит модель распознавать эмоции, размечает изображения для компьютерного зрения. Тестирует и корректирует: задаёт сложные вопросы, анализирует сгенерированные тексты по критериям точности, полноты, безопасности и стиля. Борется с «галлюцинациями». >> Что нужно: профильное образование в своей области (медицина, юриспруденция, финансы и т.д.), структурное мышление, умение выстраивать однозначные инструкции. Опыт в разработке ИИ **не требуется** — важны знания в предметной области. Prompt Engineer / Промпт-инженер > Что делает: управляет нейросетями с помощью текста. Проектирует логику ответов LLM так, чтобы они были точными, понятными и предсказуемыми. Настраивает тон, формат, ограничения, контекст. Тестирует необычные запросы и закладывает guardrails. >> Что нужно: понимание LLM, prompt design, коммуникация, креативное решение проблем. По данным исследования 2026 года, промпт-инженерам нужны AI-знания (22,8%), навыки промпт-дизайна (18,7%), коммуникация (21,9%) и креативность (15,8%). Важный нюанс: в 2026 году роль промпт-инженера трансформируется. Microsoft опросила 31 000 работников, и Prompt Engineer занял второе место с конца по приоритетам найма. Количество вакансий упало на 85% с 2023 года. Но навык не умер — он эволюционировал в проектирование мультиагентных архитектур, RAG-систем и production-ready guardrails. То есть чистый промпт-инженер уходит, а «инженер, который умеет проектировать поведение ИИ» — остаётся. AI Product Manager (Продуктовый менеджер ИИ) > Что делает: владеет продуктами, где ядро опыта driven не фиксированными бизнес-правилами, а моделью. В 2026 году AI PM должен понимать LLM, RAG, агентов, evals, AI UX, trade-offs моделей и AI-экономику — а не просто писать PRD. >> Что нужно: классические PM-навыки + AI/ML-грамотность + AI product sense. Data fluency — обязательна. AI Orchestrator (Оркестратор ИИ) > Что делает: координирует работу множественных ИИ-агентов для получения сложного результата. Соединяет разные workflow и части бизнеса. Проектирует экосистему, в которой работают агенты, устанавливает приоритеты, определяет границы и гарантирует, что автоматизированные решения align с бизнес-стратегией. >> Что нужно: системное мышление, понимание агентных архитектур, коммуникация, умение видеть картину целиком. Техническое совершенство — **не** главное. Главное — дизайн коллаборации человека и ИИ. Группа 3: Operational Roles (запуск в эксплуатацию) Эти роли масштабируют то, что построили первые две группы. MCP Engineer (Инженер MCP) > Что делает: проектирует, строит и поддерживает MCP-серверы (Model Context Protocol), которые выставляют корпоративные инструменты, данные и API для ИИ-агентов. Разрабатывает переиспользуемые коннекторы и адаптеры для внутренних и внешних систем. >>Что нужно: 5+ лет в software engineering, API integration, data engineering. Понимание протоколов интеграции и безопасности. Data Labeler / Data Annotation Specialist (Разметчик данных) > Что делает: размечает данные — текст, аудио, изображения, видео — чтобы модели могли учиться. Отмечает пешеходов и машины на street view, произношение и смысл речей, семантику и экспрессивные нюансы текстов. >> Что нужно: базовые навыки, систематичность, внимательность. Для 5-го уровня (начального) — достаточно пройти системное обучение. Студенты и даже учащиеся средних специальных заведений могут участвовать. Важно: в 2020 году профессия «AI-тренер» была внесена в государственный классификатор профессий России, а data labeler — ключевой вид работы в этой категории. Сегодня в отрасли более 10 миллионов разметчиков, но дефицит всё ещё высокий. Bug Bounty Hunter (Баг-баунти-хантер) > Что делает: независимый исследователь безопасности, который находит уязвимости в системах и сообщает о них вендорам через программы bug bounty или coordinated disclosure в обмен на денежное вознаграждение и признание. >> Что нужно: глубокое понимание веб-безопасности (OWASP Top 10), IDOR, OAuth-уязвимостей, business logic flaws. Для 2026 года — специализация: облачные конфигурации, API-logic-flaws, AI safety, специфическое enterprise-ПО. Важный тренд 2026: generic bug hunting насыщается. Специализация в узких областях даёт премиальные выплаты. Многие хантеры переходят в AI red teaming. Если вы думаете, куда идти — вот три вывода. Первый: порог входа в ИИ-профессии не всегда высокий. AI-тренер не требует опыта в разработке. Data labeler — вообще стартовая точка. Prompt engineer — можно войти с гуманитарным бэкграундом, если понимаете логику. Второй: предметная экспертиза становится валютой. Медик, который умеет обучать медицинские LLM, стоит дороже ML-инженера. Юрист, который размечает правовые данные, — тоже. ИИ нужны люди, которые понимают, что такое «правильно» в конкретной области. Третий: роли разделяются. Generalist «AI engineer» уходит. Приходят специалисты: валидатор, этик, оркестратор, редтимер. 2026 год вознаграждает специалистов и наказывает генералистов. И да — bug bounty никуда не делся. Он просто стал специализированнее. Если вы умеете ломать не сети, а модели, — это отдельная и очень дорогая ниша.

29 сентября 2026