Раньше на собеседованиях я смотрел на опыт и навыки. Теперь добавился новый критерий — умеет ли человек работать с нейросетями. Но это не значит, что я жду от кандидата навыков программирования ML-моделей.

Мне важно другое: понимает ли он, как использовать LLM-модели в своей работе? Может ли он ставить четкие задачи, получать нужный результат и экономить себе время?

❗Если менеджер проекта не использует нейросеть для подготовки отчетов, анализа рисков или автоматизации рутинных задач — значит, он тратит на это часы, а не минуты.

❗Если разработчик пишет повторяющийся код вручную, вместо того чтобы оптимизировать процесс через LLM, он уже работает медленнее коллег, которые делают то же самое, но быстрее.

❗Если аналитик вручную обрабатывает огромные массивы данных, пишет SQL-запросы с нуля и ищет закономерности вручную, когда можно хотя бы частично делегировать это модели — он уступает в эффективности тем, кто умеет правильно ставить задачи нейросети.

❗Если тестировщик вручную прописывает тест-кейсы, когда можно генерировать их быстрее с помощью модели — он не использует возможности, которые уже есть.

🔹В 2023 году этот навык был дополнительным преимуществом. 🔹В 2024 — ключевым ускорителем работы. 🔹В 2025 — он будет необходимым минимумом.

📌 Почему промпт-инжиниринг — это базовый навык? LLM уже стали частью работы разработчиков, аналитиков, тестировщиков и менеджеров.

Я вижу это на примере своей команды: 🔹 Разработчики используют нейросети для генерации кода, проверки логики, анализа сложных алгоритмов и оптимизации. 🔹 Аналитики автоматизируют обработку данных, генерацию SQL-запросов, анализ больших массивов информации. 🔹 Тестировщики быстро формируют тест-кейсы, проводят статический анализ, проверяют баг-репорты. 🔹 Менеджеры проектов экономят часы на отчетности, анализе рисков, подготовке документации.

Но все это работает только при одном условии — если человек умеет работать с моделями правильно.

❗Потому что плохой промпт = плохой результат. Если кандидат не понимает, как правильно формулировать запросы, он либо тратит больше времени, либо получает нерелевантный результат.

💡А теперь представьте: один разработчик пишет код 3 часа, а другой — 30 минут, потому что использует нейросеть грамотно. ❓Вопрос: кого выгоднее держать в команде?

📌 Как понять, умеет ли человек работать с нейросетями? На собеседовании это проверяется буквально за 5 минут. Я просто прошу кандидата решить небольшую задачу с помощью LLM. И тут сразу становится все понятно.

🔹 Кто-то за 30 секунд получает отличный результат. 🔹 А кто-то 10 минут вводит бессмысленные промпты, мучается, не добивается результата, а потом говорит: «Ну, я пытался…»

И дело не в модели. Дело в мышлении. 📌 Что меняет умение писать промпты?1️⃣ Скорость - ты не тратишь часы на рутину. LLM делает за тебя черновую работу, а ты только корректируешь. 2️⃣ Качество - грамотный промпт = качественный результат. В коде, отчетах, данных. 3⃣ Конкурентоспособность - рынок меняется. Люди, которые не используют нейросети, уже медленнее. 4⃣ Осознанность работы - тот, кто умеет работать с нейросетями, лучше понимает процессы, потому что он четко формулирует запросы и анализирует полученные результаты.

📌 Почему это важно уже сейчас?🔹 В 2023 году LLM были чем-то вроде дополнительного бонуса. 🔹 В 2024 это стало реальным инструментом, без которого многие процессы уже не обходятся. 🔹 В 2025 — спрос на людей, которые не умеют работать с нейросетями, просто исчезнет.

✅ Мы уже видим, как разработчики пишут код быстрее, чем раньше. ✅ Как аналитики автоматизируют рутину, а не тратят часы на однообразную работу. ✅ Как тестировщики сокращают время на составление тестов, не теряя в качестве. ✅ Как менеджеры проектов убирают бюрократию и делают отчетность быстрее. Вывод:Проблема не в технологиях. Они уже здесь. Проблема в тех, кто их игнорирует. Я сразу смотрю, как кандидат использует LLM. Потому что если он этого не делает - он уже медленнее. А медленные в бизнесе долго не задерживаются 🚀