Пасивні кандидати в AI/ML: як достукатися до тих, хто не шукає роботу

Найсильніші AI/ML спеціалісти зазвичай не шукають роботу. Вони будують моделі, покращують evaluation-пайплайни, зменшують вартість inference, виводять продукт у прод або обирають між кількома пропозиціями, що прийшли через довірену мережу контактів. Саме тому опублікувати вакансію і чекати відгуків для цього ринку майже завжди занадто пасивно. У IT рекрутинговому агентстві EvoTalents ми щодня працюємо з ролями, де публічний конкурс не дає результату, і бачимо одну закономірність: розмову з таким кандидатом починає не бренд роботодавця, а конкретний технічний контекст.

Ця стаття для фаундерів, CEO, CTO і Heads of Talent, які наймають AI/ML команду і вже зрозуміли, що звичайний рекрутинг тут не спрацьовує. Нижче ми розкладаємо, чому job post занадто пасивний для цього ринку, як визначити роль до початку сорсингу, як розділяти профілі AI-інженерів, як писати технічний outreach, що доводить розуміння роботи, і що команда найму має виправити в себе, перш ніж кандидат взагалі захоче відповісти.

ЧОМУ AI/ML КАНДИДАТИ ЗАЛИШАЮТЬСЯ ПАСИВНИМИ

Senior AI/ML спеціалістам не потрібно гортати job boards. Багато з них щотижня отримують по кілька повідомлень від рекрутерів, і більшість цих повідомлень схожі одне на одне. Тому за замовчуванням такий кандидат нічого не шукає і фільтрує вхідний потік майже автоматично.

Пасивний AI/ML кандидат погоджується на розмову зазвичай через одну з п'яти причин:

• складніша технічна задача, ніж у нього зараз;
• краще середовище: якісніші дані, інфраструктура або дослідницькі умови;
• зрозуміліший вплив на продукт і на метрики бізнесу;
• сильніше лідерство і швидше ухвалення рішень;
• рівняння компенсації, equity і місії, яке має сенс.

Якщо компанія не може переконливо пояснити хоча б дві з цих причин, пасивний candidate sourcing буде йти повільно, скільки б профілів не переглянув рекрутер. У EvoTalents ми починаємо не з пошуку людей, а з чесної відповіді на питання, чому сильний інженер має проміняти свою поточну задачу саме на цю.

ЧОМУ JOB POST ЗАНАДТО ПАСИВНИЙ ДЛЯ AI/ML РИНКУ

Вакансія на сайті чи на job board працює для ролей, де є активний потік кандидатів. У AI/ML це не так. Люди, які реально вміють будувати production LLM-системи, RAG-пайплайни, agentic-воркфлоу або ML-платформу, майже не переглядають вакансії, тому що їх і так регулярно хантять.

Тому опублікована вакансія збирає переважно тих, хто вже в активному пошуку, а це не завжди верхній сегмент ринку. Найсильніші кандидати просто не бачать вашого оголошення, тому й не потрапляють у воронку. Технічний sourcing і адресний outreach потрібні саме для того, щоб дотягнутися до людей, які не подають заявок.

ПЕРЕСТАНЬТЕ ШУКАТИ ЗА РОКАМИ ДОСВІДУ

Найм у AI ламається тоді, коли компанії застосовують старі фільтри досвіду до молодих технологій. Production LLM, RAG, agentic-системи і сучасний MLOps існують як масова практика лише кілька років. Вимога на кшталт «5+ років комерційного досвіду з LLM» відсіює саме тих людей, які будували ці системи з нуля, бо такого стажу фізично ще не могло накопитися.

Замість років досвіду шукайте докази роботи: виведені в прод системи, оцінку якості моделей, оптимізацію latency і вартості inference, володіння data-пайплайнами, fine-tuning, реальні продуктові рішення на базі AI. Сигнал найму лежить у тому, що людина побудувала, протестувала і покращила, а не в кількості років у резюме. Кандидат із двома інтенсивними роками production LLM-роботи часто сильніший за людину з шістьма роками загального ML, яка жодного разу не вивела AI-фічу до реального користувача.

ВИЗНАЧТЕ ПЕРСОНИ КАНДИДАТІВ ДО ПОЧАТКУ СОРСИНГУ

«AI-інженер» - надто широке поняття для сорсингу. Під цією назвою ховаються люди з зовсім різними навичками, різними цільовими компаніями і різною мотивацією. До старту outreach ринок варто розділити на персони:

• Applied LLM engineer: RAG, агенти, evaluation, інтеграція в продукт.
• ML platform engineer: MLOps, деплой, observability, інфраструктура, model serving.
• Research-to-product профіль: статті, прототипи, експерименти і переклад дослідження в продакшн.
• Data / AI product engineer: продуктове мислення, аналітика, користувацькі сценарії і бізнес-метрики.
• AI governance або safety профіль: evaluation, ризики, політики, responsible AI, аудитованість.

Кожна персона потребує окремого списку цільових компаній, окремих пошукових запитів, своїх screening-питань і свого кута в outreach. Спроба шукати всіх одним запитом дає розмиту воронку і слабкий response rate. У EvoTalents ми фіксуємо персону і профіль ICP ще до першої хвилі сорсингу, тому що це напряму визначає, кому і що ми пишемо.

ПИШІТЬ OUTREACH, ЯКИЙ ДОВОДИТЬ, ЩО ВИ РОЗУМІЄТЕ РОБОТУ

Пасивні кандидати відповідають, коли повідомлення конкретне. «У нас цікава AI-роль» - це не конкретика. Сильне перше повідомлення показує, що автор розуміє, чим людина реально займається, і чому ця нова задача може бути для неї цікавою.

Робоча структура першого контакту виглядає так:

• один рядок про те, чому саме цей кандидат релевантний;
• один рядок про технічний виклик, який треба вирішити;
• один рядок про вплив на продукт або бізнес;
• один рядок про практичний сетап: локація, remote-модель, рівень і процес;
• питання з низьким порогом входу, на яке легко відповісти.

Завдання першого контакту скромніше, ніж здається: заслужити коротку розмову. Продавати компанію можна вже в діалозі, де працює контекст, а не текст оголошення.

ВИКОРИСТОВУЙТЕ AI-ІНСТРУМЕНТИ, АЛЕ ЗАЛИШАЙТЕ ЛЮДСЬКЕ СУДЖЕННЯ

AI допомагає рекрутерам знаходити профілі, збагачувати контекст, визначати суміжні тайтли, готувати варіанти повідомлень і швидше обробляти великі списки. Ринок це вже прийняв: 84% розробників використовують або планують використовувати AI-інструменти у своїй роботі, а 51% професійних розробників користуються ними щодня.

Водночас користуватися AI-інструментами і наймати сильних AI/ML спеціалістів - це різні речі. У AI/ML наймі людський перегляд обов'язковий, бо сильні кандидати часто мають нелінійні профілі. Backend-інженер, який за останній рік вивів у прод дві LLM-фічі, може бути релевантнішим за людину з формально «правильним» тайтлом. Дата-сайєнтист, який побудував систему оцінки якості моделей, буває ціннішим за формального ML Engineer. Автоматичний фільтр таких кандидатів пропустить, а досвідчений рекрутер побачить сигнал за формулюванням.

ЩО КОМАНДА НАЙМУ МАЄ ВИПРАВИТИ, ПЕРШ НІЖ КАНДИДАТИ ЗАХОЧУТЬ ВІДПОВІСТИ

Часто проблема не в сорсингу, а в тому, що роль не готова до ринку. Перш ніж запускати outreach, у EvoTalents ми перевіряємо кілька речей на боці клієнта, бо саме вони найчастіше вбивають response rate:

• Нечітко спроєктована AI-роль, коли одна вакансія поєднує ML, backend, data і product research без пріоритетів.
• Зарплата, порахована від бюджету, а не від ринку.
• Слабка AI- і продуктова історія: «AI-first» без глибини на рівні моделей, даних та інфраструктури.
• Повільне ухвалення рішень і незрозуміле, хто саме приймає фінальне рішення.
• Забагато осіб, які впливають на рішення, без єдиного власника ролі.

Якщо ці речі не виправлені, навіть ідеальний outreach дасть слабкий результат. Тому перша задача - зробити роль привабливою і зрозумілою, а вже потім масштабувати сорсинг.

ПЕРШІ 90 ДНІВ: ПЛАН ПАСИВНОГО AI/ML СОРСИНГУ

Перший місяць має відповісти на головне питання: чи вірить ринок, що ця роль приваблива. Якщо response слабкий, змінювати треба меседж, скоуп ролі або компенсацію, а не обсяг сорсингу.

• Дні 1-7: визначити архетип ролі, must-have компетенції, цільові компанії і наратив outreach.
• Дні 8-21: запустити перші хвилі сорсингу по точних і суміжних тайтлах, відстежувати response по кожній персоні.
• Дні 22-35: відкалібрувати брифінг з hiring manager на основі реального фідбеку кандидатів, а не припущень.
• Дні 36-60: поглибити роботу з рефералами, спільнотами, open-source сигналами і мапою конкурентів.
• Дні 61-90: зібрати теплий пайплайн, який можна повторно використати для наступних AI/ML ролей.

ПРОЦЕС ІНТЕРВ'Ю: ЯК УТРИМАТИ ПАСИВНОГО КАНДИДАТА

Пасивні кандидати швидко виходять із повільних процесів. Вони не подавали заявку, тому компанія має весь час наново заслуговувати їхню увагу. Довгий, розмитий або непослідовний процес читається як сигнал того, як компанія працює всередині.

• Обмежте процес до справді потрібних етапів.
• Використовуйте структуровані технічні інтерв'ю і реалістичні work samples.
• Не давайте безоплатних проєктів, що фактично є production-роботою.
• Давайте фідбек швидко.
• Тримайте hiring manager видимим і підготовленим.
• Чесно пояснюйте місію, roadmap і те, як ухвалюються рішення.

Хороший пасивний кандидат оцінює компанію так само уважно, як компанія оцінює його. Тому швидкість і ясність процесу - це не ввічливість, а частина офера.

КЕЙС EVOTALENTS: ЯК ВІДСУТНІСТЬ ВІДГУКІВ ПЕРЕТВОРИТИ НА РИНКОВИЙ СИГНАЛ

Клієнт: анонімізована технологічна компанія. Рівень: senior AI/ML або спеціалізована інженерна роль. Формат: спеціалізований sourcing і робота з залученням кандидатів.

Ситуація

Компанія потребувала AI/ML таланту, але прямі відгуки не відповідали потрібному рівню експертизи. Найсильніші кандидати вже мали роботу, були вибірковими і не реагували на типові рекрутерські повідомлення. Стандартний job post не приваблював саме тих людей, які реально будували подібні системи.

Підхід EvoTalents

• Спершу побудували мапу цільових компаній і суміжних пулів кандидатів, і лише потім почали outreach.
• Вибудували повідомлення навколо технічної задачі, продуктового контексту і скоупу рішень, а не навколо загального «AI-хайпу».
• Використали заперечення кандидатів, щоб уточнити бриф і скоригувати позиціонування ролі.
• Допомогли команді найму побачити, де саме офер, скоуп ролі або географія потребують коригування.

Результат

• Визначено сильніший цільовий ринок для ролі: Сербія
• Рівень компенсації за ринком: $5,000-7,500
• Сильних профілів у мапінгу: близько 15-20 за стеком Python, LLM API і RAG
• Клієнт отримав ринковий сигнал до старту повного пошуку

Ширший висновок стосується будь-якого пасивного AI/ML сорсингу: кандидати відповідають тоді, коли outreach спирається на реальну технічну релевантність, реалістичну компенсацію і процес, що рухається достатньо швидко, аби не втрачати momentum.

НАЙПОШИРЕНІШІ ПОМИЛКИ

• Використання «5+ років досвіду з LLM» як жорсткого фільтра.
• Розсилка generic-повідомлень кандидатам, які й так отримують десятки таких листів.
• Відсутність поділу на персони applied AI, ML platform, research і governance.
• Повільний процес для людей, які й не думали шукати роботу.
• Ігнорування мотивації кандидата і фокус лише на технічних ключових словах.

FAQ

Де шукати пасивних AI/ML кандидатів?

Починайте з цільових компаній, open-source екосистем, дослідницьких спільнот, продуктових AI-команд і груп, що займаються ML-платформою. Далі підключайте реферали і суміжні тайтли. Головне - не покладатися лише на job boards, бо саме там сильних пасивних кандидатів найменше.

Що робить AI/ML outreach ефективним?

Конкретика. Згадайте технічну задачу, поясніть, чому саме цей кандидат виглядає релевантним, розкажіть, що будує компанія і як виглядає процес. Загального захвату від AI недостатньо для senior-кандидатів, які отримують багато схожих повідомлень.

Як швидко оцінити пасивного AI-кандидата?

Використовуйте структуровані інтерв'ю, докази виведених у прод систем і реалістичні work samples. Фокусуйтеся на впливі на продакшн, на оцінці якості моделей і на реальних рішеннях, а не на кількості років у резюме.

Чому пасивні кандидати відпадають?

Вони виходять із процесу, коли він повільний, коли роль розмита, коли компенсація незрозуміла, а технічні інтерв'ю сприймаються як безоплатна робота. Оскільки такий кандидат не подавав заявку, будь-яке тертя в процесі коштує дорожче, ніж у звичайному наймі.

Коли варто залучати рекрутингове агентство для AI/ML найму?

Коли роль стратегічна, нішева або конфіденційна, а прямі відгуки не дають потрібного рівня. У таких випадках варто починати з ринкового сигналу і market-mapping, а не з масової відправки резюме. Це економить час команди і показує реальну картину доступного таланту ще до старту повного пошуку.