hh рассказали, что на первое тестовое в Школу аналитиков пришло больше 250 работ на 25 мест. Часть решений была сделана с помощью нейросетей — и это не считалось минусом: аналитики в работе тоже пользуются LLM. Проблема была в другом — за аккуратным текстом от модели разглядеть кандидата, который понимает, что он делает. Разберём, что это значит для вас, если вы проходите тестовые и готовите отклики.

Что на самом деле проверяет тестовое

Тестовое — это не экзамен на знание синтаксиса SQL или умение строить графики. Оно показывает, как вы рассуждаете: какие данные взяли, почему именно их, какие допущения сделали, что проверили и где остановились. Если работа выглядит гладкой, но в ней нет следов ваших решений, рекрутер не может отличить вас от другого кандидата с таким же промптом.

Как выглядит «нейрослоп» и почему его видно

Типичные признаки: общие формулировки без привязки к данным, выводы, которые не следуют из расчётов, отсутствие промежуточных шагов, слишком уверенные утверждения без проверки. Модель хорошо пишет связный текст, но не знает контекста вашей задачи. Когда в решении нет ни одной цифры из вашего датасета или ни одного вопроса к постановке — это сигнал, что автор не погружался.

Что делать, если вы пользуетесь LLM на тестовом

Пользуйтесь, но оставляйте следы своей работы. Практичные шаги:

  • Опишите, как поняли задачу и какие вопросы возникли бы у заказчика.
  • Покажите, откуда взяли данные и как их проверили на пропуски и выбросы.
  • Добавьте короткий раздел с допущениями и тем, что вы не стали делать и почему.
  • Приложите расчёты или код, который можно запустить, а не только вывод.
  • Сформулируйте выводы своими словами — так, как рассказали бы коллеге на встрече.

Критерии, по которым вас будут сравнивать

Смотрите на свою работу глазами проверяющего: понятно ли, что вы сделали; можно ли воспроизвести результат; есть ли логика в выборе методов; признаёте ли вы ограничения. Если по каждому пункту ответ «да», нейросеть вам не помешает — она будет инструментом, а не автором.

Чего не делать

Не отправляйте текст, который не можете объяснить на защите. Не прячьте использование LLM — это нормальная практика, но будьте готовы сказать, что именно модель сделала, а что вы проверили и переписали. Не пытайтесь впечатлить объёмом: короткое решение с ясной логикой читается лучше, чем десять страниц общих слов.

Вывод

Отбор в Школу аналитиков hh показал простую вещь: инструменты не отменяют необходимости думать. На тестовом выигрывает не тот, кто лучше сгенерировал текст, а тот, кто показал ход мысли и готовность отвечать за результат. Это правило работает и в других отборах, где разрешено использовать ИИ.