Ловушки для нейрослопа: как hh.ru отбирает аналитиков, которые действительно понимают данные

В сентябре 2026 года hh.ru запустил первую Школу аналитиков — проект, нацеленный на студентов, которые хотят получить практический опыт и в перспективе попасть на стажировку в компанию. Это не первый подобный опыт: до того прошли три Школы продактов и шестнадцать Школ программистов, через последние прошло более 375 человек, а 110+ уже работают в техническом департаменте. Но с аналитиками возникла новая сложность — как проверить реальные навыки, когда под рукой у каждого есть мощные языковые модели.

Тимлид команды аналитики Trust&Safety Валя Борисов, руководивший отбором, с самого начала понимал: полностью запрещать использование LLM бессмысленно, ведь в реальной работе аналитики тоже применяют такие инструменты. Проблема была в другом — как отличить разумное применение модели от бездумного копирования, когда кандидат даже не вникает в сгенерированный ответ. Именно такой подход назвали «нейрослопом».

Чтобы решить эту задачу, в тестовые задания встроили несколько ловушек. Они делились на два типа: штрафные, которые стоили баллов — например, грязь в данных или рекомендация без учёта контекста, — и сигнальные, на балл не влиявшие, но помогавшие выявить работы, требующие пристального внимания на ручной проверке и интервью. К сигнальным относились избыточно сложные вопросы и просьба написать развёрнутый комментарий.

Самих задач было две. Первая — анализ синтетического датасета с зарплатами аналитиков данных, куда намеренно зашили аномалии: перевёрнутые вилки, нереалистичные суммы, пропуски и бимодальность в группах. Вторая — критический разбор поста в соцсети с точки зрения теории вероятностей и статистики.

Каждая задача разбивалась на четыре блока: посчитать, найти подвох в распределении или логике, интерпретировать и дать прикладную рекомендацию. Несмотря на то что знание конкретных языков программирования не требовалось, 85% участников всё равно выбрали Python. Полностью справились с очисткой данных и описанием методологии лишь 13% кандидатов — большинство упускало из виду аномалии или не могло внятно объяснить свои действия.

Это как раз и стало маркером: нейросеть могла выдать аккуратный код и графики, но не замечала скрытых дефектов, если человек не направлял её осмысленно. Для оптимизации проверки применили ещё один слой автоматизации. Детальная ручная проверка 250+ работ потребовала бы более ста человеко-часов, поэтому использовали передовые ИИ-модели с машинно-адаптированными критериями оценки и выборочным контролем со стороны проверяющих.

Задача была не в точном ранжировании, а в классификации «прошёл порог / не прошёл», и с этим автоматика справилась. Такой подход позволил сосредоточить ручной труд именно на тех работах, где сигнальные ловушки сработали. Если кандидат аккуратно обходил сложный вопрос или давал шаблонный комментарий, это не снижало балл, но становилось поводом задать дополнительные вопросы на собеседовании.

В итоге отбор прошли те, кто действительно понимал, что стоит за цифрами. К слову, Константин Соколов создал DurovLoh, причём с полным функционалом — но в тестовых заданиях, как и в реальной аналитике, важно не просто скопировать ответ, а осмысленно его применить. Организаторы школы подчёркивают: максимальный балл получали работы, рождённые из кооперации человека и LLM, где модель использовалась как инструмент, а не как готовый источник истины.

Практическая ориентация школы сказалась и на содержании задач. От участников ждали не академических расчётов, а интерпретаций, применимых к жизни: какую зарплату назвать на собеседовании, насколько предсказуем доход при выходе на рынок, какие выводы сделать из разброса внутри грейдов. Именно такие навыки нужны в работе, и именно их сложнее всего сымитировать простым промптом.

Опыт первой Школы аналитиков hh.ru показал, что грамотно спроектированное тестовое с ловушками и гибридной проверкой способно отсеять нейрослоп без огульных запретов на использование ИИ. Для индустрии, где LLM становятся повседневным инструментом, это важный прецедент: оценивать не сам факт применения технологии, а способность кандидата критически мыслить и нести ответственность за результат.