AI на собесах: что спрашивают и что нужно уметь Все больше компаний добавляют на собеседования отдельный блок вопросов про AI-инструменты. И речь не про «AI всех заменит», а про то, что это — новый базовый рабочий инструмент. Как когда-то Excel или SQL. Особенно это заметно в вакансиях, где AI — часть продукта или процессов: PM, аналитика, создание контента. Там проверка знаний уже обязательна. Какого формата проверка: 1. Какие AI-инструменты вы используете и для каких задач? Проверяется не«набор приложений», а понимание логики применения: где AI ускоряет ресёрч, где помогает с кодом, где закрывает рутину или генерирует варианты. С примерами: Cursor для рефакторинга, Claude для длинных документов, Midjourney для визуалов. 2. Как AI ускоряет путь от идеи до прототипа? Тут чаще обсуждают практику и понимание того что AI всё сам не сделает — быстрое создание сценариев, UI-набросков, пользовательских потоков; — использование генераторов для wireframes и кликабельных прототипов; — реальные примеры: Figma-плагины, генерация интерфейсов, автосоздание копирайта. 3. Что такое LLM и как она учится? Базовое понимание того что модель предсказывает следующий токен, проходит этапы предобучения, дообучения и настройки на человеческую обратную связь. 4. Какие ограничения есть у моделей? Обычно обсуждают реальные провалы: галлюцинации, слабую логику в многошаговых задачах, ограниченный контекст, отсутствие онлайн-данных. Часто просят привести пример, когда модель ошиблась — и что вы сделали дальше. 5. Как снижать галлюцинации в продукте? Про глубину практических навыков: RAG, верификация данных, человек-в-цикле, грамотные UX-ограничения. Иногда — про метрики качества: groundedness, task completion, скорость и стоимость генерации. Что важно уметь >> Базовая AI-грамотность. Понимать, как устроены модели, где они сильны, где слабы и когда их лучше не использовать. >> Навык структурного промптинга. Чёткая постановка задачи: контекст → роль модели → шаги → ограничения → формат результата. >> Интеграция AI в рабочие процессы. Не абстрактно, а через свои кейсы: автоматизация, анализ, черновики, эксперименты, быстрые гипотезы. >> Критическое мышление. Умение проверять ответы, замечать ошибки, не перекладывать ответственность на модель. >> Оценка эффективности. Понимание, как измерять пользу: скорость, снижение рутины, качество решений, экономия.