user10398747

• Проектирование механизма запросов

• Реализация хранилища «ключ-значение»

• Проектирование базы данных in-memory для обработки транзакций

Стартапы на ранней стадии пошли ещё дальше — они часто заменяют традиционные задачи по программированию на домашние проекты, в которых прямо разрешено использовать инструменты на базе ИИ. Янгшун Тэй, основатель GreatFrontEnd, активно продвигает этот подход на LinkedIn и делится опытом того, как его команда успешно внедрила такую практику, чтобы лучше оценивать реальные навыки решения задач у кандидатов:

«Я пришёл из Big Tech и хорошо знаю недостатки типичного интервью. Поэтому я использую немного другой подход при найме фронтенд-инженеров в GreatFrontEnd:

Никакого LeetCode

Домашнее задание

Домашнее задание — это список дел (что?!)

Оценивается продуктовое мышление

Кандидаты, успешно прошедшие домашнее задание, заранее знают, какие будут вопросы на интервью, и могут спокойно подготовиться

За само участие в интервью предусмотрен бонус (...)

Важно понимать, что такой процесс найма требует больше времени по сравнению со стандартными LeetCode-интервью и плохо масштабируется при большом количестве кандидатов.»

Этот сдвиг в подходе к найму служит двойной цели: он лучше отражает реальные условия работы и одновременно помогает бороться с растущей проблемой мошенничества при оценке кандидатов. Один из основателей AI-стартапа на стадии посевных инвестиций в районе залива (Bay Area), с которым мы поговорили, оценил, что как минимум 20% кандидатов явно жульничали во время традиционных тестов по программированию. Проблема касается не только стартапов: один из близких друзей Эвана, интервьюер в Amazon, признался, что половина из последних десяти кандидатов явно использовали ИИ-инструменты на дополнительных экранах во время формально наблюдаемых оценочных тестов. Встраивая такие инструменты напрямую в процесс оценки, компании адаптируются как к реалиям современной рабочей среды, так и к вызовам, связанным с обеспечением честности этих оценок.

Инновации в подходах к технической оценке сегодня зарождаются в небольших, более гибких компаниях, в то время как крупные технологические корпорации лишь наблюдают со стороны. Это интересный переворот исторической тенденции: в течение последнего десятилетия практики проведения собеседований, разработанные Google и другими техногигантами, постепенно перенимались мелкими компаниями, стремившимися повторить их успех. Теперь всё наоборот! Вопрос лишь в том, когда — и случится ли вообще — работодатели из FAANG адаптируются к этой новой реальности.

Правда в том, что крупные технологические компании вряд ли будут менять процессы найма без ярко выраженных негативных сигналов после интервью — например, значительного количества увольнений, о которых никто не жалеет, и которые можно напрямую связать с ошибками в отборе кандидатов.

Скорее всего, Big Tech ограничится незначительными изменениями, вроде возвращения к очным интервью в краткосрочной перспективе. Они понимают, что текущий процесс собеседований по сути является игрой, но он действительно помогает выявлять тех, кто готов серьёзно вложиться в интенсивную подготовку. К сожалению для кандидатов, готовность преодолевать произвольные алгоритмические задачи хоть немного, но всё же коррелирует с теми качествами, которые присущи успешным инженерам в реальной работе — и этого достаточно, чтобы оправдывать сохранение существующего порядка.

Возникает вопрос: насколько жизнеспособны традиционные подходы к собеседованиям в эпоху больших языковых моделей (LLM)? По мере того как ИИ-инструменты всё лучше справляются с типичными алгоритмическими задачами, используемыми на интервью, их ценность как индикатора квалификации неизбежно снижается. В будущем ни одному инженеру не придётся вручную писать код для задач вроде проверки сбалансированности скобок или обхода бинарного дерева — вместо этого он просто даст правильный запрос ИИ, и тот сгенерирует нужное решение. Компании, которые внедряют более реалистичные, проектно-ориентированные оценки, уже сейчас адаптируются к тому, как на самом деле будет выглядеть инженерная работа в ближайшие годы.

Ясно одно: кандидаты сегодня сталкиваются с раздвоенной реальностью. Чтобы попасть в Big Tech, нужно готовиться к классическим алгоритмическим интервью. Но параллельно важно развивать навыки, которые позволят успешно проходить более открытые, практико-ориентированные оценки в других компаниях.

5. Стратегии подготовки по уровню опыта

Мы обнаружили, что оптимальная стратегия подготовки значительно варьируется в зависимости от уровня опыта, а относительная важность различных компонентов интервью меняется с карьерным ростом. Вот закономерности, которые мы наблюдали:

Для младших инженеров с опытом работы от 0 до 2 лет мы сочли эту подготовку наиболее эффективной:

• 80% времени — на алгоритмы и задачи по программированию

• 20% времени — на подготовку к поведенческому интервью (behavioral interview)

Технические требования для младших позиций значительно возросли, и теперь владение базовыми алгоритмами и структурами данных стало обязательным. Успешные кандидаты на junior-уровне, как правило, решают от 150 до 200 задач по программированию разной степени сложности перед интервью.

Прежде всего, ты должен стать сильным разработчиком — всё остальное вторично.

Инженерам среднего уровня с опытом от 2 до 4 лет подходит более сбалансированный подход к подготовке:

• 50% — задачи по программированию

• 25% — системный дизайн

• 25% — подготовка к поведенческому интервью

На этом этапе компании ожидают от кандидатов не только уверенные навыки реализации, но и формирующееся архитектурное мышление. Самые успешные кандидаты среди тех, с кем мы работаем, развивают системный подход к проектированию, сосредотачиваясь на понимании базовых строительных блоков, которые можно комбинировать и адаптировать под конкретные задачи, а не просто заучивать готовые решения.

Для инженеров старшего уровня с опытом от 5 до 8 лет хорошо работает следующая структура подготовки:

• 50% — системный дизайн

• 20% — программирование

• 30% — поведенческие интервью

На этом уровне ключевое отличие — это способность проектировать надёжные и масштабируемые системы, при этом чётко объясняя компромиссы в архитектурных решениях. От senior-инженеров также ожидается, что они умеют работать с неопределённостью: задают уточняющие вопросы, формулируют разумные допущения, если информация неполная.

Самая распространённая ошибка, которую мы наблюдаем у кандидатов на senior-позиции — недооценка подготовки к поведенческому интервью. Это критическая ошибка: на этом уровне компании оценивают не только технические навыки, но и потенциал к лидерству, умение разрешать конфликты и соответствие корпоративной культуре.

Мы видели, как технически сильные кандидаты проваливали интервью или получали понижение уровня только потому, что не смогли убедительно рассказать о своём вкладе, описать, как они влияли на кросс-функциональные команды, или показать осознанность в отношении собственных ошибок и сложностей. Подготовка к поведенческому интервью — это не формальность. Она оказывает существенное влияние на итоговое решение о найме, особенно на senior-уровне и выше.

Инженеры уровня Staff и выше сталкиваются с другим типом вызова:

• Кодинг — это уже базовое ожидание; ошибка здесь может быстро привести к отказу.

• 90% отличий между кандидатами определяется по системному дизайну и поведенческим/лидерским аспектам.

На этих позициях компании смотрят далеко за пределы навыков реализации: они оценивают архитектурное видение, кросс-функциональное лидерство и умение общаться на уровне руководства. Успешные кандидаты на Staff+-уровне демонстрируют стратегическое мышление, связывая технические решения с бизнес-результатами во время обсуждения системного дизайна.

Ведущие AI-лаборатории, такие как OpenAI, имеют свои особенности в подходе к найму. Вместо того чтобы делать упор на традиционные лидерские качества, они жёстко отбирают кандидатов по "родословной" и громким достижениям. Явными фаворитами становятся кандидаты из элитных и известных компаний, AI-стартапов, престижных университетов, а также те, у кого есть яркие, легко подающиеся достижения, которые можно эффектно презентовать. Без всего этого кандидатам приходится преодолевать серьёзное сопротивление, даже если они обладают выдающимся техническим уровнем.

Эффективная практика

Стоит признать реальность: процесс технических собеседований превратился в специализированную игру, всё дальше отходящую от повседневной инженерной работы. Это далеко от идеала — но такова сегодняшняя практика. Компании выбрали стандартизированные методы оценки, которые далеко не всегда отражают реальные рабочие задачи, и этот разрыв нередко вызывает разочарование у инженеров.

Хорошей новостью является то, что правила игры общеизвестны. По сути, это «секретное рукопожатие», которому нужно научиться, чтобы попасть в эти компании. Процесс может показаться произвольным, но при должной подготовке ему вполне можно научиться. Любой, кто достаточно предан делу, может освоить эти шаблоны и значительно улучшить свои показатели.

Мы осознаем свою предвзятость; как платформа для подготовки к собеседованиям, мы, очевидно, верим в ценность структурированной практики. Данные говорят сами за себя: кандидаты, которые занимаются осознанной практикой, постоянно превосходят тех, кто этого не делает, независимо от природных способностей или уровня опыта. Закономерности очевидны в тысячах результатов собеседований.

Если вложение в формальные пробные собеседования не соответствует вашим предпочтениям или бюджету, это вполне понятно, и есть множество альтернатив: найдите друга, который работает в вашей целевой компании, познакомьтесь с коллегами в сообществах Reddit или Discord или создайте учебные группы с другими соискателями. Конкретный метод имеет меньшее значение, чем фундаментальный принцип, что собеседование — это навык, который улучшается с практикой, обратной связью и итерацией.

Что точно не работает — это полагать, что повседневная инженерная работа подготовила тебя к интервью. Интервью — это выступление, и оно требует отдельной, целенаправленной подготовки. Умение думать вслух, держать себя под давлением, ясно излагать мысли во время решения задач — всё это навыки, которые развиваются в условиях, приближённых к реальному интервью. Без такой тренировки даже очень сильные инженеры могут не справиться с тем, чтобы показать свой уровень внутри искусственных рамок интервью-процесса.

6. Положительные стороны

Рынок найма в техе в 2025 году кардинально отличается от «золотой лихорадки» 2020–2021 годов. Маятник резко качнулся от «пожалуйста, возьмите наши деньги» к «докажите, что вы того стоите» — и инженеры это ощущают на себе. Давление выросло, конкуренция стала жёстче. Но это не повод сдаваться!

Крупные технологические компании — такие как Amazon, Apple, Microsoft, Google и Meta — в совокупности по-прежнему держат около 40 000 открытых вакансий. Даже те команды внутри этих корпораций, которые формально не расширяются, продолжают нанимать на замещение ушедших сотрудников — несмотря на параллельные волны увольнений.

Сектор искусственного интеллекта продолжает стремительно расти. Компании вроде OpenAI, Anthropic и множество стартапов, работающих над AI-инфраструктурой, активно нанимают. Не стоит поддаваться мрачным прогнозам о скорой замене инженеров. Реальная ситуация с наймом показывает, насколько бизнесу по-прежнему нужны технические специалисты для достижения своих целей. Многие AI-компании предлагают компенсационные пакеты, сравнимые с уровнями 2021 года, особенно для инженеров с релевантной экспертизой или выраженным потенциалом к обучению в смежных с ИИ направлениях.

Инженеры, которые сейчас добиваются успеха, понимают, что современные тех-интервью по сути превратились в отдельный, странный вид спорта — со своими произвольными правилами и специфическими традициями. Они относятся к интервью как к выступлению, а не просто к технической проверке, и тратят время на подготовку соответственно.

Поскольку ИИ продолжает менять то, как выполняется инженерная работа, процессы собеседований также должны будут эволюционировать, поскольку они не могут продолжать проверять навыки, которые ИИ делает устаревшими. Но на данный момент мы застряли в этой неудобной переходной фазе, где вам нужно освоить как старые алгоритмические игры, так и новые, более практичные оценки.

Рискуя констатировать очевидное, в Hello Interview мы видим четкую закономерность: существует сильная корреляция между инвестициями в подготовку и успехом на собеседовании. Кандидаты, которые уделяют время структурированной практике, по-прежнему с большей вероятностью получат несколько предложений, даже в этой более избирательной среде.

Игра может быть сложнее, но, по крайней мере, свод правил публичен. При достаточной осознанной практике и правильной стратегии подготовки для вашего уровня вы все равно можете выйти победителем, даже на этом более жестком рынке.

Выводы

Снова Gergely.

Большое спасибо Эвану и Стефану за то, что они обобщили то, что они видят на рынке технологий. Они собрали большую часть этих идей, взаимодействуя с разработчиками с помощью Hello Interview , сервиса пробных интервью и подготовки к интервью, соучредителями которого они являются.

Вот несколько интересных мыслей, над которыми я размышляю:

Более жёсткий рынок труда стал ожидаемым последствием окончания эпохи нулевых процентных ставок. Год назад мы анализировали, что это изменение будет означать для инженеров. Один из главных выводов тогда — готовиться к более сложной ситуации на рынке: рост конкуренции, меньше возможностей «попробовать разные варианты», особенно тяжело приходится инженерным руководителям. Это подтверждают и наблюдения Эвана и Стефана, которые работают на передовой найма. В каком-то смысле, поскольку такой эффект был предсказуем, его проще принять как одну из причин текущих трудностей с поиском работы.

ИИ сейчас на пике интереса, и ведущие компании в этой сфере уделяют большое внимание «родословной» кандидатов. Немного неожиданно было узнать от Эвана и Стефана, насколько сильно такие компании, как OpenAI, Anthropic и другие крупные игроки, отбирают кандидатов по предыдущим местам работы и достижениями. Хотя, если подумать, в этом нет ничего странного — когда у тебя тысячи заявок, почему бы не выбирать из самых громких имён в индустрии?

Это ещё раз напоминает: даже если ты уже работаешь в сфере AI, попасть в топ-компанию из менее известной — почти невозможно без весомой репутации в отрасли. Если цель — однажды попасть в такую компанию, стоит готовиться к карьерному пути в несколько шагов: начать с менее известных мест, заниматься реальной AI-разработкой, накапливать опыт и переходить в более узнаваемые компании. И только потом — возможно — появится шанс войти в число избранных.

Устройство на работу теперь требует гораздо больше времени и усилий. Разработчики всё чаще жалуются на то, насколько трудоёмка подготовка к тех-интервью. Если речь идёт о компаниях с алгоритмическими собеседованиями в духе Leetcode — недовольство вызывает объём подготовки. Если же формат предполагает объёмное домашнее задание — раздражает само выполнение задания, которое может занимать часы, а то и дни.

Как компетентный инженер, ты, скорее всего, считаешь, что работодатель должен и так понимать, что ты умеешь делать свою работу. И логично было бы просто поверить в твой опыт, пропустить всю эту бессмысленную оценку и сразу предложить оффер, верно?

Но с точки зрения менеджера по найму, новый сотрудник — это всегда риск. И мало что хуже, чем найм, который не оправдал себя — из-за нехватки навыков, мотивации или по любой другой причине. Интервью как раз и нужны для того, чтобы проверить, подходит ли кандидат по уровню и действительно ли он хочет эту работу.

Если раньше, в 2020–2022 годах, рынок был на стороне кандидатов, то сейчас — это уже рынок работодателей. В такой ситуации почти наверняка придётся вкладывать больше времени в подготовку к интервью и прохождение самих процессов. Хорошая новость в том, что такая подготовка не пропадает зря. Форматы интервью не меняются слишком быстро, и наработанные навыки будут полезны в течение долгого времени.

Ожидания растут и будут расти. В Uber мой тогдашний менеджер сказал мне, что ожидания производительности в Uber шли только в одну сторону для одного и того же уровня : вверх. Это было связано с тем, что бизнес быстро рос, и от любого нового сотрудника ожидалось поднять планку. Это означало, что со временем ожидания «нормы» для любого уровня карьеры продолжали расти. Через некоторое время это стало казаться естественным, но было странно к этому приспосабливаться!

Я чувствую, что мы наблюдаем нечто подобное в более широкой отрасли сегодня. Из-за большого количества квалифицированных, способных инженеров, претендующих на работу, ожидания растут на всех уровнях карьеры, и именно поэтому понижение уровня становится более распространенным.

Если вы получили предложение о понижении уровня: прежде всего, поздравляю с получением предложения! На этом рынке труда это само по себе достижение. Полезно принять во внимание текущую ситуацию на рынке труда, прежде чем слишком разочаровываться в таком результате. И если вы еще не получили предложение, знайте, что рынок сейчас жестче, чем был за последнее десятилетие, поэтому поиск работы занимает больше времени, чем раньше.

Если вы в настоящее время находитесь на рынке труда или проходите собеседования и заметили какие-либо изменения в процессах подбора персонала, пожалуйста, поделитесь ими в комментариях.

Я связался с ними после прочтения их практичного, свежего анализа собеседований системному дизайну, чтобы узнать, как разработчики проходят собеседования в стартапах и Big Tech в нынешних условиях, особенно по сравнению с тем, что было несколько лет назад. Сегодня мы рассмотрим:

1. Новая реальность найма технических специалистов . Восстанавливающийся рынок все еще значительно ниже пика 2021–2022 годов.

2. Анализ рынка найма в сфере технологий . Искусственный интеллект (ИИ) и связанные с ним секторы популярны, а вот фронтенд/бэкенд/мобильные приложения — нет. Новичкам сложнее, чем опытным инженерам.

3. Изменения в процессе собеседования. Форматы собеседований по DSA и системному дизайну остались прежними, но стали более требовательными. Снижение уровня стало более распространенным явлением, а подбор команды незаметно превратился в еще одно препятствие, которое необходимо преодолеть.

4. Форматы интервью различаются между стартапами и Big Tech . Стартапы используют более практичные интервью и инструменты ИИ, в то время как Big Tech кажутся менее гибкими в изменении подхода.

5. Стратегии подготовки на основе опыта. Советы для начального, среднего, старшего уровня, персонала+технических специалистов и для EM.

6. Положительные моменты. В крупных технологических компаниях растет число сотрудников, наблюдается бум вакансий, связанных с искусственным интеллектом, а план проведения собеседований стал общедоступным.

На этом слово предоставляется Эвану и Стефану:

1. Новая реальность найма технических специалистов

Три года назад, если вы были компетентным инженером-программистом с 3+ годами опыта, рекрутеры, вероятно, заваливали ваш почтовый ящик предложениями. Компании боролись за инженерные таланты, предлагали кандидатам необычайные компенсационные пакеты, а в некоторых случаях даже закрывали глаза на плохие результаты собеседований, чтобы быстрее нанять сотрудников. Ажиотаж найма в сфере технологий в 2020–2021 годах был исключительным; сейчас многие вспоминают этот период со смесью ностальгии и недоверия.

Если перенестись в 2025 год, то ландшафт изменится кардинально. Будучи соучредителями HelloInterview.com, мы наблюдали за этими изменениями в первом ряду, наблюдая за десятками тысяч инженерных собеседований в компаниях всех размеров. В этой статье мы хотим рассказать вам о том, как будут проходить собеседования в 2025 году, используя реальный опыт кандидатов, проходящих собеседования сегодня.

Мы заметили, что объемы найма в Big Tech выросли примерно на 40% в годовом исчислении. Эти данные получены от кандидатов, которые в настоящее время работают в компаниях на поздней стадии, из которых подавляющее большинство использует нашу платформу для подготовки к собеседованиям, которые они уже запланировали. Это дает надежный показатель общих тенденций найма в сфере технологий, поскольку у кандидатов на нашей платформе есть непосредственные, конкретные даты собеседований. Рост числа кандидатов, получающих больше собеседований, говорит о том, что худшая часть технологической зимы 2022–2023 годов уже позади, и что есть более привлекательные вакансии, к которым стоит готовиться. Тем не менее, мы работаем на принципиально ином рынке с новыми правилами, ожиданиями и вызовами.

Цифра восстановления в 40% — это только часть истории. Да, в целом найм технических специалистов медленно возвращается, но это выборочное стратегическое восстановление, которое заставляет некоторых квалифицированных инженеров бороться с процессами, которые теперь стали более требовательными и менее снисходительными. Компании, которые когда-то отчаянно пытались заполнить вакансии, теперь действуют методично и осторожно, отдавая приоритет точности в решениях о найме, а не скорости и объему.

То, что мы наблюдаем, — это не просто коррекция рынка; это тонкий, но существенный сдвиг в стандартах оценки. Хотя основная структура собеседований в Big Tech остается в основном неизменной, планка сместилась примерно на одно стандартное отклонение выше по всем направлениям, и результаты, которые обеспечили бы оффер в 2021 году, сегодня могут даже не пройти этап отбора.

2. Анализ рынка найма технических специалистов

Вот наш взгляд на текущую ситуацию на рынке труда.

Избирательное восстановление

Судя по количественным показателям, наем сотрудников в сфере технологий находится на твердой восходящей траектории. Отслеживание трендов TrueUp.io показывает, что количество вакансий в сфере технологий выросло с минимального уровня в 163 000 в 2023 году до примерно 230 000 в настоящее время, что составляет примерно 41 %.

Рост числа вакансий на 42% соответствует тому, что мы наблюдали внутри компании по показателям использования HelloInterview и объему пробных собеседований, когда мы корректировали данные по кандидатам, у которых запланированы собеседования.

Однако до лихорадочных высот 2020-2022 годов нам еще далеко. Тогда пик открытых позиций составлял почти 500 000. Нынешнее восстановление, хотя и значительное, вернуло нас лишь к 46 % от того пика.

В отличие от предыдущих циклов найма на работу в сфере технологий, когда прилив поднимал все лодки, сегодняшний рынок характеризуется крайней избирательностью. Компании стали гораздо более разборчивы в выборе места для размещения персонала, причем различия в возможностях зависят от специализации, уровня опыта и престижа бывших работодателей.Специализация домена

Инженеры в определенных областях специализации видят много актуальных вакансий, например:

• Инфраструктура ИИ

• Machine learning

• Разработка приложений генеративного ИИ

Эти сферы найма напоминают пик 2021 года: часто с множественными предложениями, агрессивной компенсацией и ускоренными процессами собеседований.

Например, инженер из Bay Area, специализирующийся на инфраструктуре ИИ в Google, недавно получил конкурирующее предложение от команды по инфраструктуре ИИ Meta, общая компенсация которого превышала 1 миллион долларов. Ранее в Google такие цифры обычно резервировались для руководящих должностей. Но получение большой прибавки к зарплате при смене компании, при этом оставаясь на том же уровне, не является единичным случаем; мы видим аналогичные по размеру компенсационные пакеты для специалистов по высокопроизводительным вычислениям, проектированию систем ML и специалистов по ответственной разработке ИИ .

Инженеры в «основных (core)» областях видят меньше возможностей. «Основные области» относятся к фронтенду, бэкенд-сервисам, мобильной разработке и аналогичным областям. Стартапы более поздних стадий, которые ранее содержали несколько команд в этих областях, объединились с более мощными full-stack инженерами. Сосредоточение на полном цикле приводит к снижению общей численности персонала, меньшему количеству вакансий и более избирательному процессу найма. Мы видим, что кандидатам с сильным опытом в этих областях часто требуется много времени, чтобы получить должность, и когда они получают предложение, рост компенсации редко превышает их текущий доход.
Примечание от Gergely: ранее мы видели, как нативные мобильные инженеры сталкиваются с более жестким рынком труда , и что переход full-stack является разумной стратегией для того, чтобы быть более трудоспособным..

Старшие инженеры все еще могут привлекать множество предложений, особенно те, у кого есть опыт, непосредственно связанный с наймом компаний. Это может быть глубокая экспертиза в предметной области (например, работа в области инфраструктуры при собеседовании для инфраструктурных команд, работа в области финансов при собеседовании в FinTech и т. д.) или это может быть глубокая экспертиза в области технологий, которая важна для работодателя. Между тем инженеры с менее универсальными навыками сталкиваются с нелегкой задачей. Узкие навыки часто формируются в результате работы в таких компаниях, как Google или Meta, где люди специализируются на собственных системах, инструментах и технологиях, которых не существует на широком рынке.

Разница в уровне опыта

Текущий рынок также сильно разделен по этапам карьеры, что создает кардинально разные реалии для инженеров в зависимости от опыта:

Джуны и выпускники сталкиваются с самой большой проблемой. Мы поговорили с соискателем работы из Индии, который окончил IIT — самый престижный университет компьютерных наук в стране. Они поделились тщательно поддерживаемой таблицей своего поиска работы:

• 6 месяцев поиска

• 100 компаний, с которыми удалось связаться; все они нанимают сотрудников из IIT

• 4 начальных интервью

• Ноль предложений

Компании, которые когда-то поддерживали активные программы набора в университеты, резко сократили их, что вызывает беспокойство, поскольку это может привести к нехватке опыта, которая будет влиять на отрасль в течение многих лет, и может проявиться в «пропавшем поколении» инженеров. Это может создать общеотраслевой дефицит талантливых специалистов раннего и среднего возраста, что может привести к торможению инноваций, поскольку все меньше свежих взглядов приходят в отрасль и бросают вызов устоявшейся практике.

Мидлы: больше циклов собеседований до предложения. Под инженерами среднего звена мы подразумеваем профессионалов с 3-4 годами опыта работы в уважаемых компаниях. Кандидаты с таким опытом, как правило, добиваются собеседований, но количество циклов собеседований, которые они проходят, чтобы получить предложение, существенно возросло.

Например, успешный инженер среднего звена из Bay Area с 4-летним опытом работы в Amazon прошел одиннадцать полных циклов собеседований в различных масштабируемых и технологических компаниях, прежде чем получил свое первое — и единственное — предложение!

Старшие и ведущие инженеры с востребованными специальностями: премиальная оплата и множество предложений. Компании готовы платить значительно выше рыночной ставки за подтвержденный опыт в области искусственного интеллекта, инфраструктуры и безопасности. У таких кандидатов часто есть возможность выбирать между конкурирующими предложениями и вести агрессивные переговоры.

Один из недавних подопечных Эвана — главный SDE, работающий в Bay Area в одной из групп Microsoft по инфраструктуре ИИ. Этот главный SDE получил конкурирующие предложения от NVIDIA, Snowflake, Meta и других мест — и все это в течение одного месяца!

Менеджеры инженеров сталкиваются с жестким рынком . В 2022–2023 годах в сфере технологий прошла масштабная организационная реструктуризация, в результате которой были ликвидированы целые уровни управления , и с тех пор компании не спешили восстанавливать эти должности. В результате многие квалифицированные инженерные руководители теперь конкурируют за значительно сокращенный пул возможностей. Усиление конкуренции изменило стандарты найма.

Технические способности, которые раньше игнорировались менеджерами, теперь тщательно оцениваются, а навыки проектирования систем также становятся непререкаемыми. Раньше менеджеров часто нанимали в первую очередь из-за их лидерских качеств, но сегодня им нужно доказать лидерские качества, а также быть практическими специалистами в области технологий, разработки и проектирования программного обеспечения.

Приоритеты в руководящих ролях также кардинально изменились. Многие технологические компании ранее фокусировались на навыках работы в крупных организациях, чтобы выстроить согласованность в больших командах. Сегодня эти компании ищут старших руководителей, которые могут сосредоточиться на исполнении (execution) и поддерживать более высокий уровень руководства; они обычно не ищут старших руководителей, которые хотят оставаться на высоком уровне, заинтересованные только в управлении кораблем.

Этот переход к тому, что от руководителей инженерных отделов ожидают практического участия, подпитывает давние дебаты о различии между руководителями инженерных отделов и техлидами. В конце концов, сегодняшние руководители инженерных отделов ужасно похожи на вчерашних техлидов! Это изменение меняет то, чего компании ожидают от своих руководителей инженерных отделов.

3. Изменения в процессе собеседования

Собеседования в сфере технологий меняются, и ниже приведены самые значительные изменения, которые мы заметили за последние несколько лет.

Интервью DSA: повышенная техническая планка

С одной стороны, фундаментальная структура технических интервью радикально не изменилась. С другой стороны, ожидания стали значительно более высокими. Компании просто устанавливают более высокий стандарт того, что представляет собой проходной результат.

На собеседованиях по структуре данных и алгоритмам (DSA) инженеры сталкиваются с заметно более сложными проблемами на каждом этапе процесса. Один старший инженер проходил собеседование в Google в 2021 году и сделал это снова в прошлом году. Они рассказали нам:

«Раньше я думал, что «сложные» задачи LeetCode никогда не задаются в Google. Теперь [в 2024 году] они, похоже, стали нормой».

Помимо чистой сложности, мы видим больше акцента на полноте внедрения. Интервьюеры теперь обычно ожидают такие вещи, как:

• правильная обработка ошибок

• надежная проверка входных данных

• чистый код

• …все в тех же временных рамках, что и раньше.

У вас не будет причин проходить собеседование с тем, кто не все полностью правильно понял. Такова мрачная реальность того, что происходит, когда в списке кандидатов на собеседование очень много квалифицированных специалистов.

Собеседования по системному дизайну: более высокие ожидания

Собеседования по системному дизайну претерпели столь же драматический подъем. Кандидаты на руководящие должности, с которыми мы общаемся, сообщают, что от них ожидают демонстрации знакомства с современными концепциями распределенных систем, которые ранее могли быть ожидаемы только на уровне персонала.

Специализированные знания даже проникли в стандартные собеседования. Например, геопространственное индексирование когда-то считалось узкоспециализированным, но теперь стало обычным явлением в популярных вопросах по проектированию систем, таких как «найти друзей поблизости», приложениях типа Yelp или платформах совместного использования поездок, таких как Uber. Теперь мы советуем кандидатам всех уровней иметь хотя бы базовые знания о таких концепциях, как геохеширование и пространственные структуры данных (например, quadtrees или R-trees) — как бы глупо это ни звучало. Те же тенденции применимы и к DSA: больше кандидатов, больше конкуренции, более высокая планка для найма.

Один кандидат на должность инженера, с которым мы работали, действительно выделялся. Он проработал в Google в Сиэтле почти 15 лет и впервые с тех пор вернулся на рынок. Он был ошеломлен ожиданиями на современных собеседованиях по сравнению с тем, что было, когда он присоединился к Google. Как человек, никогда ранее не работавший с системами обработки потоков, он был разочарован тем, что компании, в которых он проходил собеседование, ожидали от него глубокого знакомства с такими понятиями, как семантика «точно в одно мгновение» (exactly-once semantics), методы оконной обработки (windowing techniques) и алгоритмы водяных знаков (watermarking algorithms). Он сказал нам:

«Я создавал и поддерживал критически важную инфраструктуру более десяти лет, но внезапно от меня стали требовать специальных знаний в областях, совершенно не связанных с моей специализацией. Это просто раздражает».

Легко сопереживать. В то же время легко увидеть, как роскошь выбора кандидатов приводит к этому. Этот рост технических ожиданий не является произвольным; при сокращении объемов найма компании могут позволить себе быть более избирательными, и многие специально ищут инженеров, которые могут внести вклад в более широкий спектр проблем. Инженеры с глубокой, но узкой специализацией имеют меньше возможностей в этой среде.

Понижение уровня

Похоже, понижение уровня — это новая тенденция. С ростом планки найма и текущей рыночной конъюнктурой мы видим, что кандидаты регулярно получают предложения на уровень ниже их текущей должности, особенно на руководящих должностях и на уровне персонала.

В одном случае Стефан работал с кандидатом в Meta, который позже успешно прошел собеседование на руководящую должность, но предложение было отозвано, и вместо этого ему предложили должность среднего уровня. Это понижение уровня было связано с новой политикой, требующей от кандидатов иметь не менее шести лет опыта для руководящих должностей. Лично мне очень неприятно видеть, как компании подобным образом принуждают таланты. - когда компании вот так заставляют талантливых людей работать. Кандидат в итоге принял предложение, не имея возможности получить более подходящий вариант.

Эта тенденция особенно выражена среди инженеров уровня Staff: многим из них предлагают позиции уровня Senior, даже если они соответствуют, но не превосходят явно требования уровня Staff. Компании, учитывая снижение конкуренции за таланты, начали применять более жёсткую политику грейдов (левелинга). В итоге многие кандидаты соглашаются на предложения ниже своего текущего уровня (например, Staff соглашается на Senior), поскольку потратили месяцы на поиски работы.

Долгосрочные карьерные последствия этого значительны, так как часто требуется 2-3 года, чтобы вернуться на прежний уровень. Несмотря на это влияние на траекторию карьеры, мы видим, что процент принятия предложений c понижением уровня значительно увеличивается, поскольку кандидаты отдают приоритет стабильности на неопределенном рынке.

Эволюция командного матча

Возможно, самым значительным структурным изменением в процессе собеседования стала эволюция подбора команды. Это процесс, популярный сейчас в Meta и Google, когда кандидаты сначала проходят собеседование, но не получают предложения до тех пор, пока не подберут себе команду.

Такой подход к подбору команды получил более широкое распространение в крупных технологических компаниях, но с несколько неприятным нюансом: он все чаще работает как дополнительный фильтр, а не на благо кандидата.

По нашим наблюдениям, подбор команды представляет собой новый набор «собеседований» с менеджерами по персоналу, которые должны пройти кандидаты. Это позиционируется как процесс взаимного отбора, но на деле становится еще одним препятствием, которое кандидаты должны преодолеть, прежде чем получить предложение.

Meta в частности пересмотрела свой процесс найма в 2024 году, исключив большинство аспектов своей давней программы «учебного лагеря», в которой новые сотрудники сначала присоединялись к компании, а затем находили свою команду во время учебного лагеря. Вместо этого они внедрили систему подбора команды, которая требует от кандидатов обеспечить соответствие команде, прежде чем получить окончательное предложение.

Результаты оказались проблематичными для многих кандидатов. Один staff инженер, с которым мы работали, прошел все технические раунды в Meta с сильными и положительными отзывами, четыре месяца простоял в ожидании командного матча. Что еще хуже, к тому времени, когда командный матч завершился, все их конкурирующие предложения уже были просрочены!

Когда совпадение, наконец, состоялось, предложение оказалось значительно ниже первоначальных ожиданий, а возможности для переговоров в отсутствие альтернатив практически отсутствовали. Мы видим, что в последнее время в Meta, похоже, удалось устранить отставание в подборе команды, но ожидание в течение многих месяцев остается обычным явлением, особенно на более конкурентных рынках, таких как Нью-Йорк.

Действительно, некоторые компании, похоже, используют задержки в подборе команды стратегически как тактику переговоров. Между тем, процессы подбора команды трансформировались из предоставления кандидатам вариантов в дополнительные уровни проверки, где квалифицированные кандидаты часто оказываются отсеянными или в подвешенном состоянии.

Подбор команды превратился в фактическое второе собеседование, несмотря на попытки компаний представить его иначе. Из наших бесед с менеджерами по подбору персонала мы узнали, что обычно они проводят собеседование с десятью кандидатами на одну должность. Эти менеджеры настоятельно рекомендуют кандидатам тщательно готовиться к этому этапу и адаптировать свои презентации специально для команды, в которую они хотят попасть.

Стефан советует кандидатам планировать этот этап и использовать его в своих интересах. Действительно, процесс подбора команды медленный, но это может создать возможность синхронизировать предложения, запланировав собеседования без подбора команды на более позднее время. Наличие нескольких предложений дает решающее преимущество в переговорах.

Продолжение в части 2. (из-за ограничений Pikabu не влезло)

Что они делают сейчас:

- Сокращение штата, закрытие старых рекламных платформ.

- Новые версии всех ключевых продуктов (новости, спорт, финансы, почта).

- Найм новых лидеров.

- Развитие сильных направлений и внедрение AI-решений.

- Ищут новые источники дохода помимо классической рекламы.

По сути, Yahoo снова строят компанию внутри старого бренда.

В современном интернете Yahoo воспринимается как "винтаж", а конкуренция за внимание пользователей безумная. Тем не менее, если им удастся превратить этот "камбэк" в устойчивый рост, Yahoo точно попадёт в учебники по бизнесу, как из один примеров перезапуска 💪

P.S. Про другие интересные стартапы можно почитать на моем канале StartupHunt

Послушал интервью c CPO OpenAI (очень рекомендую), мне понравилась его мысль, что при создании продуктов на базе LLM нужно исходить не из текущих возможностей, а предполагать, что существующие ограничения будут преодолены через 3-6 месяцев. Такой подход может показаться рискованным, но именно он позволяет создавать прорывные решения.

Наверно потому-что сегодня день космонавтики, эта идея напомнила мне один из эпизодов романа «Тёмный лес» Лю Цысиня, который я неоднократно многим рекомендовал

В книге, когда человечество сталкивается с угрозой вторжения инопланетян, перед одной из научных групп встаёт задача - как отправить человека на "переговоры". Все расчёты показывают, что это невозможно из-за колоссальных энергозатрат. Но руководитель проекта делает радикальный шаг - отправляет в космос не человека, а только его мозг, надеясь, что инопланетяне обладают достаточными технологиями, чтобы его расшифровать и восстановить сознание и в итоге это сработало.

По сути он совершает тот самый leap of faith - вера в то, что за пределами наших знаний и возможностей есть нечто, что поможет нам преодолеть любые ограничения. При создании новых продуктов часто приходится делать такие прыжки, данных мало, или нет времени на их сбор, что-то новое придумывается или еще что-то.

Сегодня хочется вам пожелать не бояться делать такие прыжки, люди первыми полетевшие в космос, столько их сделали, и все у них получилось и у вас получится. 🙂

С Днём космонавтики! 🚀

-Deep Research встроен в основной интерфейс. После использования режима кнопка становится неактивной, требуется дополнительный клик для повторного использования, мне так показалось удобней.

Perplexity

-Более интуитивный интерфейс, ориентированный на конечного пользователя. Несмотря на то, что Perplexity использует множество моделей (OpenAI, Claude, Gemini, Grok), параметры выбора значительно упрощены.

-Deep Research вынесен в отдельную вкладку, но при необходимости мелких уточнений приходится вручную переключаться обратно или открывать новое окно. Также можно забыть выключить Deep Research, из-за чего простой запрос уходит в долгий режим обработки.

-Режим «Auto» вводит в заблуждение: на практике не всегда понятно, когда именно запускается Deep Research. Запросы вроде «сделай Deep Research на тему...» не всегда приводят к ожидаемому результату.

2. Точность, скорость и качество ответов:

ChatGPT (OpenAI)

-Ответы обычно более глубокие и тщательно проработанные, но подготовка занимает больше времени (по ощущениям примерно вдвое дольше, чем у Perplexity).

-Почти всегда запрашивает уточнения, что позволяет получить более релевантный результат, но при этом увеличивает время взаимодействия.

При больших и сложных запросах (например, сравнение 9 поставщиков по 30 параметрам) начинает выдавать ошибки или не справляется с объемом информации.

Perplexity

-Работает быстрее и не требует предварительных уточнений, сразу выдавая готовый результат, что удобно.

-Однако иногда это приводит к тому, что результаты получаются менее точными, и пользователю приходится повторять запросы несколько раз.

-При сложных запросах также теряет часть информации, не сообщая об этом напрямую: в моём случае вместо сравнения 9 поставщиков по 30 параметрам выдал только 4 поставщика по 20 параметрам без уведомления об ошибке.

3. Тарификация:

ChatGPT (OpenAI)

Deep Research ограничен: тариф Plus — 10 запросов в месяц, тариф PRO — 120 запросов.

Perplexity

-Бесплатный тариф предоставляет до 5 запросов Deep Research в день.

-На платном тарифе нет ограничений.

4. Представление результатов:

ChatGPT (OpenAI)

Результат можно копировать с встроенными ссылками. Для экспорта результатов в PDF предлагается инструкция, явно неудобная и неподходящая массовому пользователю.

Perplexity

Позволяет удобно экспортировать отчет в PDF или DOC, оформленный в виде полноценного исследования со ссылками и источниками. Тут явно подумали о том, как будет использоваться это исследование.

Итоговое сравнение на примере сотрудников:

Если предположить, что это наши сотрудники, которым дали задание провести исследование, то оба инструмента похожи на начинающих сотрудников :

- Perplexity — прилежная девочка-практикантка: очень старается, стесняется уточнить детали, чтобы не подумали, что она чего-то не знает, красиво оформляет результаты, но иногда ей не хватает знаний и глубины, готова перерабатывать, боится потерять работу.

-ChatGPT — умный студент: знает очень много, уточняет детали, с но не особо задумывается о том, как удобно будут использовать полученные данные, явные проблемы с софт скилами, сами как-то разберетесь, не нравится не пользуйтесь, уходит ровно 18:00, у него и так дел полно, не очень боится потерять работу, занят получением новых знаний.

В целом оба инструмента довольно простые в использовании, Perplexity пользоваться чуть удобнее, и большинство моих задач решает. Видно, что продакты там действительно чуть больше думают о пользователях.Подписка стоит недорого, и если финансы позволяют, я бы брал оба инструмента, тем более в подписке не только Deep Research. Если что-то важное исследуете, запустить в обеих системах, можно рассматривать как два независимых кабинетных исследования. Если все же есть ограничения, а отчетов нужно делать много, то я бы взял Perplexity, все таки 10 запросов в месяц у OpenAI, по крайней мере в моем случае, это маловато, особенно когда во вкус входишь.

p.s. а еще я пишу про управление продуктами в своем тг-канале Inspired Product Manager