Доказательная цифровая профессиональная карта заменит резюме
HR и руководители всё чаще используют LLM, чтобы собрать объективный профиль специалиста из его цифрового следа. В статье обсуждается необходимость нового стандарта – цифровой профессиональной карты.
В статье на Habr AI описывается растущая тенденция в ИТ‑компаниях: традиционные резюме всё реже служат единственным источником информации о кандидате. Вместо этого руководители, заказчики и HR‑специалисты открывают чат‑модель (ChatGPT, Gemini, DeepSeek и др.) и задают вопрос типа «Что известно об этом специалисте как о профессионале?».
Модель собирает ответ не из того, что кандидат сам решил рассказать, а из того, что действительно осталось в публичных цифровых источниках: профили в GitHub, публикации в научных журналах, выступления на конференциях, сертификаты, упоминания в новостях, активность в профессиональных соцсетях. Такой «доказательный» подход позволяет увидеть реальное влияние и компетенции, а не только отфильтрованную саморекламу.
Авторы статьи подчёркивают, что без единого формата такие запросы могут стать разрозненными и подверженными ошибкам. Предлагается создать цифровую профессиональную карту – стандартизированный набор проверяемых метрик (проектный опыт, количество коммитов, количество публикаций, уровень репутации в профессиональных сообществах, подтверждённые сертификаты). Карта должна храниться в блокчейне или в надёжных децентрализованных реестрах, чтобы обеспечить неизменность и проверяемость.
По результатам опроса, проведённого среди 1 200 HR‑специалистов, более 68 % уже используют LLM для предварительного скрининга кандидатов, а 42 % планируют внедрить цифровые карты в течение года. При этом 55 % отмечают риски неверной интерпретации данных и необходимость чётких правил конфиденциальности.
Внедрение доказательной карты обещает ускорить процесс найма, снизить субъективность и дать кандидатам возможность демонстрировать реальные достижения, а не только отобранные пункты резюме.
Для разработчиков и студентов это шанс собрать свои публичные достижения в единую, проверяемую карту и повысить шансы при отборе. Однако необходимо внимательно относиться к защите личных данных и проверять, какие источники используют модели, чтобы избежать неверных выводов.
