Пассивные кандидаты в AI/ML: как достучаться до тех, кто не ищет работу

Самые сильные AI/ML специалисты обычно не ищут работу. Они строят модели, улучшают evaluation-пайплайны, снижают стоимость inference, выводят продукт в прод или выбирают между несколькими предложениями, пришедшими через доверенную сеть контактов. Именно поэтому опубликовать вакансию и ждать откликов для этого рынка почти всегда слишком пассивно. В IT рекрутинговом агентстве EvoTalents мы каждый день работаем с ролями, где публичный конкурс не даёт результата, и видим одну закономерность: разговор с таким кандидатом начинает не бренд работодателя, а конкретный технический контекст.

Эта статья для фаундеров, CEO, CTO и Heads of Talent, которые нанимают AI/ML команду и уже поняли, что обычный рекрутинг здесь не работает. Ниже мы разбираем, почему job post слишком пассивен для этого рынка, как определить роль до старта сорсинга, как разделять профили AI-инженеров, как писать технический outreach, доказывающий понимание работы, и что команде найма нужно исправить у себя, прежде чем кандидат вообще захочет ответить.

ПОЧЕМУ AI/ML КАНДИДАТЫ ОСТАЮТСЯ ПАССИВНЫМИ

Senior AI/ML специалистам не нужно листать job boards. Многие из них каждую неделю получают по несколько сообщений от рекрутеров, и большинство этих сообщений похожи одно на другое. Поэтому по умолчанию такой кандидат ничего не ищет и фильтрует входящий поток почти автоматически.

Пассивный AI/ML кандидат соглашается на разговор обычно по одной из пяти причин:

• более сложная техническая задача, чем у него сейчас;
• более качественная среда: данные, инфраструктура или исследовательские условия;
• более понятное влияние на продукт и на метрики бизнеса;
• более сильное лидерство и быстрое принятие решений;
• уравнение компенсации, equity и миссии, которое имеет смысл.

Если компания не может убедительно объяснить хотя бы две из этих причин, пассивный candidate sourcing будет идти медленно, сколько бы профилей ни просмотрел рекрутер. В EvoTalents мы начинаем не с поиска людей, а с честного ответа на вопрос, почему сильный инженер должен променять свою текущую задачу именно на эту.

ПОЧЕМУ JOB POST СЛИШКОМ ПАССИВЕН ДЛЯ AI/ML РЫНКА

Вакансия на сайте или на job board работает для ролей, где есть активный поток кандидатов. В AI/ML это не так. Люди, которые действительно умеют строить production LLM-системы, RAG-пайплайны, agentic-воркфлоу или ML-платформу, почти не просматривают вакансии, потому что их и так регулярно хантят.

Поэтому опубликованная вакансия собирает преимущественно тех, кто уже в активном поиске, а это не всегда верхний сегмент рынка. Самые сильные кандидаты просто не видят вашего объявления, поэтому и не попадают в воронку. Технический sourcing и адресный outreach нужны как раз для того, чтобы дотянуться до людей, которые не подают заявок.

ПЕРЕСТАНЬТЕ ИСКАТЬ ПО ГОДАМ ОПЫТА

Найм в AI ломается тогда, когда компании применяют старые фильтры опыта к молодым технологиям. Production LLM, RAG, agentic-системы и современный MLOps существуют как массовая практика всего несколько лет. Требование вроде «5+ лет коммерческого опыта с LLM» отсеивает именно тех людей, которые строили эти системы с нуля, потому что такого стажа физически ещё не могло накопиться.

Вместо лет опыта ищите доказательства работы: выведенные в прод системы, оценку качества моделей, оптимизацию latency и стоимости inference, владение data-пайплайнами, fine-tuning, реальные продуктовые решения на базе AI. Сигнал найма лежит в том, что человек построил, протестировал и улучшил, а не в количестве лет в резюме. Кандидат с двумя интенсивными годами production LLM-работы часто сильнее человека с шестью годами общего ML, который ни разу не вывел AI-фичу до реального пользователя.

ОПРЕДЕЛИТЕ ПЕРСОНЫ КАНДИДАТОВ ДО СТАРТА СОРСИНГА

«AI-инженер» - слишком широкое понятие для сорсинга. Под этим названием скрываются люди с совершенно разными навыками, разными целевыми компаниями и разной мотивацией. До старта outreach рынок стоит разделить на персоны:

• Applied LLM engineer: RAG, агенты, evaluation, интеграция в продукт.
• ML platform engineer: MLOps, деплой, observability, инфраструктура, model serving.
• Research-to-product профиль: статьи, прототипы, эксперименты и перевод исследования в продакшн.
• Data / AI product engineer: продуктовое мышление, аналитика, пользовательские сценарии и бизнес-метрики.
• AI governance или safety профиль: evaluation, риски, политики, responsible AI, аудируемость.

Каждая персона требует отдельного списка целевых компаний, отдельных поисковых запросов, своих screening-вопросов и своего угла в outreach. Попытка искать всех одним запросом даёт размытую воронку и слабый response rate. В EvoTalents мы фиксируем персону и профиль ICP ещё до первой волны сорсинга, потому что это напрямую определяет, кому и что мы пишем.

ПИШИТЕ OUTREACH, КОТОРЫЙ ДОКАЗЫВАЕТ, ЧТО ВЫ ПОНИМАЕТЕ РАБОТУ

Пассивные кандидаты отвечают, когда сообщение конкретное. «У нас интересная AI-роль» - это не конкретика. Сильное первое сообщение показывает, что автор понимает, чем человек реально занимается, и почему эта новая задача может быть ему интересна.

Рабочая структура первого контакта выглядит так:

• одна строка о том, почему именно этот кандидат релевантен;
• одна строка о техническом вызове, который нужно решить;
• одна строка о влиянии на продукт или бизнес;
• одна строка о практическом сетапе: локация, remote-модель, уровень и процесс;
• вопрос с низким порогом входа, на который легко ответить.

Задача первого контакта скромнее, чем кажется: заслужить короткий разговор. Продавать компанию можно уже в диалоге, где работает контекст, а не текст объявления.

ИСПОЛЬЗУЙТЕ AI-ИНСТРУМЕНТЫ, НО ОСТАВЛЯЙТЕ ЧЕЛОВЕЧЕСКОЕ СУЖДЕНИЕ

AI помогает рекрутерам находить профили, обогащать контекст, определять смежные тайтлы, готовить варианты сообщений и быстрее обрабатывать большие списки. Рынок это уже принял: 84% разработчиков используют или планируют использовать AI-инструменты в своей работе, а 51% профессиональных разработчиков пользуются ими ежедневно.

При этом пользоваться AI-инструментами и нанимать сильных AI/ML специалистов - это разные вещи. В AI/ML найме человеческий просмотр обязателен, потому что сильные кандидаты часто имеют нелинейные профили. Backend-инженер, который за последний год вывел в прод две LLM-фичи, может быть релевантнее человека с формально «правильным» тайтлом. Дата-сайентист, построивший систему оценки качества моделей, бывает ценнее формального ML Engineer. Автоматический фильтр таких кандидатов пропустит, а опытный рекрутер увидит сигнал за формулировкой.

ЧТО КОМАНДЕ НАЙМА НУЖНО ИСПРАВИТЬ, ПРЕЖДЕ ЧЕМ КАНДИДАТЫ ЗАХОТЯТ ОТВЕТИТЬ

Часто проблема не в сорсинге, а в том, что роль не готова к рынку. Прежде чем запускать outreach, в EvoTalents мы проверяем несколько вещей на стороне клиента, потому что именно они чаще всего убивают response rate:

• Нечётко спроектированная AI-роль, когда одна вакансия объединяет ML, backend, data и product research без приоритетов.
• Зарплата, посчитанная от бюджета, а не от рынка.
• Слабая AI- и продуктовая история: «AI-first» без глубины на уровне моделей, данных и инфраструктуры.
• Медленное принятие решений и непонятно, кто именно принимает финальное решение.
• Слишком много людей, влияющих на решение, без единого владельца роли.

Если эти вещи не исправлены, даже идеальный outreach даст слабый результат. Поэтому первая задача - сделать роль привлекательной и понятной, и только потом масштабировать сорсинг.

ПЕРВЫЕ 90 ДНЕЙ: ПЛАН ПАССИВНОГО AI/ML СОРСИНГА

Первый месяц должен ответить на главный вопрос: верит ли рынок, что эта роль привлекательна. Если response слабый, менять нужно месседж, скоуп роли или компенсацию, а не объём сорсинга.

• Дни 1-7: определить архетип роли, must-have компетенции, целевые компании и нарратив outreach.
• Дни 8-21: запустить первые волны сорсинга по точным и смежным тайтлам, отслеживать response по каждой персоне.
• Дни 22-35: откалибровать брифинг с hiring manager на основе реального фидбека кандидатов, а не предположений.
• Дни 36-60: углубить работу с рефералами, сообществами, open-source сигналами и картой конкурентов.
• Дни 61-90: собрать тёплый пайплайн, который можно повторно использовать для следующих AI/ML ролей.

ПРОЦЕСС ИНТЕРВЬЮ: КАК УДЕРЖАТЬ ПАССИВНОГО КАНДИДАТА

Пассивные кандидаты быстро выходят из медленных процессов. Они не подавали заявку, поэтому компания должна всё время заново заслуживать их внимание. Длинный, размытый или непоследовательный процесс читается как сигнал того, как компания работает внутри.

• Ограничьте процесс действительно нужными этапами.
• Используйте структурированные технические интервью и реалистичные work samples.
• Не давайте бесплатных проектов, которые фактически являются production-работой.
• Давайте фидбек быстро.
• Держите hiring manager видимым и подготовленным.
• Честно объясняйте миссию, roadmap и то, как принимаются решения.

Хороший пассивный кандидат оценивает компанию так же внимательно, как компания оценивает его. Поэтому скорость и ясность процесса - это не вежливость, а часть оффера.

КЕЙС EVOTALENTS: КАК ОТСУТСТВИЕ ОТКЛИКОВ ПРЕВРАТИТЬ В РЫНОЧНЫЙ СИГНАЛ

Клиент: анонимизированная технологическая компания. Уровень: senior AI/ML или специализированная инженерная роль. Формат: специализированный sourcing и работа с вовлечением кандидатов.

Ситуация

Компания нуждалась в AI/ML таланте, но прямые отклики не соответствовали нужному уровню экспертизы. Самые сильные кандидаты уже имели работу, были избирательными и не реагировали на типовые рекрутерские сообщения. Стандартный job post не привлекал именно тех людей, которые реально строили подобные системы.

Подход EvoTalents

• Сначала построили карту целевых компаний и смежных пулов кандидатов, и только потом начали outreach.
• Выстроили сообщения вокруг технической задачи, продуктового контекста и скоупа решений, а не вокруг общего «AI-хайпа».
• Использовали возражения кандидатов, чтобы уточнить бриф и скорректировать позиционирование роли.
• Помогли команде найма увидеть, где именно оффер, скоуп роли или география требуют корректировки.

Результат

• Определён более сильный целевой рынок для роли: Сербия
• Уровень компенсации по рынку: $5,000-7,500
• Сильных профилей в мэппинге: около 15-20 по стеку Python, LLM API и RAG
• Клиент получил рыночный сигнал до старта полного поиска

Более широкий вывод касается любого пассивного AI/ML сорсинга: кандидаты отвечают тогда, когда outreach опирается на реальную техническую релевантность, реалистичную компенсацию и процесс, который движется достаточно быстро, чтобы не терять momentum.

САМЫЕ ЧАСТЫЕ ОШИБКИ

• Использование «5+ лет опыта с LLM» как жёсткого фильтра.
• Рассылка generic-сообщений кандидатам, которые и так получают десятки таких писем.
• Отсутствие деления на персоны applied AI, ML platform, research и governance.
• Медленный процесс для людей, которые и не думали искать работу.
• Игнорирование мотивации кандидата и фокус только на технических ключевых словах.

FAQ

Где искать пассивных AI/ML кандидатов?

Начинайте с целевых компаний, open-source экосистем, исследовательских сообществ, продуктовых AI-команд и групп, занимающихся ML-платформой. Дальше подключайте рефералов и смежные тайтлы. Главное - не полагаться только на job boards, потому что именно там сильных пассивных кандидатов меньше всего.

Что делает AI/ML outreach эффективным?

Конкретика. Упомяните техническую задачу, объясните, почему именно этот кандидат выглядит релевантным, расскажите, что строит компания и как выглядит процесс. Общего восторга от AI недостаточно для senior-кандидатов, которые получают много похожих сообщений.

Как быстро оценить пассивного AI-кандидата?

Используйте структурированные интервью, доказательства выведенных в прод систем и реалистичные work samples. Фокусируйтесь на влиянии на продакшн, на оценке качества моделей и на реальных решениях, а не на количестве лет в резюме.

Почему пассивные кандидаты отваливаются?

Они выходят из процесса, когда он медленный, когда роль размыта, когда компенсация непонятна, а технические интервью воспринимаются как бесплатная работа. Поскольку такой кандидат не подавал заявку, любое трение в процессе стоит дороже, чем в обычном найме.

Когда стоит привлекать рекрутинговое агентство для AI/ML найма?

Когда роль стратегическая, нишевая или конфиденциальная, а прямые отклики не дают нужного уровня. В таких случаях стоит начинать с рыночного сигнала и market-mapping, а не с массовой отправки резюме. Это экономит время команды и показывает реальную картину доступного таланта ещё до старта полного поиска.