Как найти AI-native разработчика (и не ошибиться)
По резюме нельзя отличить AI-native инженера от того, кто выучил правильные слова. Разбираем, как читать реальные сигналы — из кода, семантического матчинга и голосового скрининга.
Авторы: slavb18
Рынок разработчиков разделился на два типа: обычные инженеры и AI-native, которые закрывают в 5-10 раз больше. Проблема в том, что на бумаге они выглядят одинаково.
Тот, кто реально собирает продукт за выходные, и тот, кто просто выучил слово «ai-native», пишут в резюме одно и то же: Cursor, «MVP за 2 недели», нужный стек, пять лет опыта. Поэтому настоящий вопрос не «где найти AI-native разработчика», а «как отличить его от того, кто выучил правильные слова».
Резюме говорит о заявленном. Код — о сделанном
Главная ошибка — верить полям резюме. Резюме — это claimed: что человек о себе написал. А решение нужно принимать по demonstrated: что он реально делал руками.
Простой пример. В резюме — «5 лет SQL». В коммитах за эти пять лет — ни одной схемы и ни одной миграции, только правки строк в готовых запросах. Коммитил SQL ≠ проектировал на SQL. В резюме этой разницы нет. В артефактах — есть.
Поэтому мы не доверяем самоописанию, а собираем «латентное резюме» прямо из репозитория кандидата: извлекаем реальные концепты из кода — не абстрактный «бэкенд», а конкретные технологии (TypeScript, PostgreSQL, MongoDB, Temporal, Redis, Drizzle), их связки и вес в проекте. А дальше смотрим на глубину: проектировал схемы и миграции или правил строки; свой код или форк; кто автор коммитов. Это и есть demonstrated — то, что нельзя приписать себе одной строчкой.
Настоящие сигналы: это про поведение, а не про инструменты
- AI как множитель, а не игрушка. Не «пробовал ChatGPT», а агенты в ежедневном цикле — генерация кода, тестов, архитектуры. Маркер — пропускная способность, а не длина списка инструментов.
- Скорость от идеи до продакшена. «Собрал MVP за две недели», «5+ экспериментов в неделю» — но проверяемые: за фразой должен стоять реальный релиз, а не слайд.
- End-to-end и product thinking. Человек говорит про retention и conversion и доводит фичу от идеи до измеренного результата, а не «реализовал API».
- Automation-first. Рутина по умолчанию уходит в скрипты и пайплайны.
Важно: этот сигнал ортогонален грейду и стеку. Из 487 заявок, прошедших через платформу за март, Senior-специалисты составляли 40-60% почти в каждом стеке — но «Senior» и «AI-native» это не одно и то же. Можно быть Senior на Java с восемью годами опыта и работать по-старому, а можно Middle, который агентами закрывает работу двоих.
Как это верифицируется в пайплайне
Дальше сигнал проверяет не глаз рекрутера, а система:
- Семантический матчинг, а не ключевые слова. «data visualization» = «дашборды в Tableau» — совпадение по смыслу в векторном пространстве, а не по вхождению строки.
- Match Score — не «похож / не похож», а вероятность fit-а, разложенная по навыкам, опыту и контексту.
- AI-теги с обоснованием:
ai-native,product-engineer(берёт ответственность за бизнес-метрики),high-velocity(0→1 в рекордные сроки). - Уточняющие вопросы. Система достаёт скрытый опыт и убирает около половины шума ещё до скрининга.
- Голосовой AI-скрининг за минуту вместо первичного созвона — проверяет реальные знания и глубину, а не заученные формулировки.
Если коротко
AI-native разработчик — это не строчка в резюме и не список инструментов. Это поведение и артефакты: что человек уже собрал и с какой скоростью. Спрашивать об этом бесполезно — правильными словами отвечают все. Настоящего видно по тому, что он реально сделал.