Резюме уже не объясняет специалиста: зачем нужна доказательная цифровая профессиональная карта

В последние годы я всё чаще сталкиваюсь с ситуацией, которая ещё недавно выглядела непривычно. Когда руководитель проекта, заказчик или специалист кадровой службы рассматривает человека в команду, он уже не обязательно начинает с поисковой строки Яндекса или Google и не ограничивается присланным резюме. Гораздо проще открыть ChatGPT, Gemini, DeepSeek, Qwen или другую привычную модель и задать ей обычный человеческий вопрос: что известно об этом человеке, чем он занимался, какие у него есть проекты, публикации, профессиональные результаты и насколько его заявленный опыт вообще подтверждается тем, что можно обнаружить в цифровой среде.

Особенно естественно это выглядит в ИТ, где значительная часть профессиональной жизни и без того оставляет цифровые следы. Мы участвуем в проектах, выступаем на конференциях, пишем статьи, обсуждаем решения, публикуем материалы, появляемся на сайтах компаний и профессиональных площадках. Резюме при этом никуда не исчезает, но постепенно меняется его роль: оно становится важным исходным сообщением самого человека о себе, а рядом возникает ещё один источник — внешняя цифровая картина, которую другой человек способен получить без нашего участия.

Именно эта ситуация заставила меня серьёзнее задуматься о понятии профессионального цифрового профиля. Сначала мне казалось, что речь идёт просто о более развитой версии резюме: собрать в одном месте образование, опыт, проекты, публикации, сертификаты и отзывы. Но довольно быстро выяснилось, что профиль решает только часть задачи. Он показывает сведения о специалисте в форме, которую предусмотрела конкретная площадка, тогда как настоящий вопрос заказчика обычно звучит иначе: что именно этот человек способен сделать, какие задачи он уже решал и на чём основано ожидание, что он справится ещё раз.

Когда о вас спрашивают не вас

В старой модели профессионального знакомства человек в значительной степени управлял первым впечатлением сам. Он отправлял резюме, приходил на собеседование и последовательно рассказывал о своём опыте. Конечно, работодатель мог запросить рекомендации или поискать дополнительные сведения, но основным входом всё равно оставался документ, подготовленный кандидатом. Сейчас между кандидатом и человеком, принимающим решение, всё чаще появляется ещё один посредник — искусственный интеллект, способный за несколько секунд собрать предварительный ответ из доступных ему источников.

По моим наблюдениям, в проектной ИТ-среде такая проверка постепенно становится вполне бытовой. Не обязательно потому, что человек подозревает кандидата во лжи. Чаще причина намного проще: перед руководителем лежит несколько фамилий, времени мало, проект сложный, а ошибка в выборе архитектора, аналитика или руководителя направления обходится дорого. Поэтому естественно задать машине вопрос и посмотреть, существует ли за красивыми строками резюме хоть какая-то восстанавливаемая профессиональная история.

В этот момент обнаруживается довольно неприятная вещь. Можно двадцать лет быть хорошим специалистом и при этом оказаться почти невидимым для такого запроса. Сильные результаты могли остаться внутри корпоративных систем, документы принадлежать заказчикам, проекты завершиться много лет назад, а люди, способные подтвердить роль, разойтись по разным компаниям. В открытом пространстве останутся две старые конференции, несколько фотографий, должность на странице работодателя и случайное упоминание, из которых машине предстоит самой понять, чем человек на самом деле занимался.

Возможна и обратная ситуация. Человек умеет хорошо создавать публичное представление, много публикуется, аккуратно ведёт профили и уверенно описывает собственные компетенции, поэтому цифровой образ выглядит значительно сильнее фактического профессионального основания. ИИ здесь не решает проблему автоматически: он получает доступные фрагменты и пытается связать их между собой. Если сами связи не подготовлены, машина может только реконструировать их с большей или меньшей точностью.

Поэтому вопрос для меня постепенно изменился. Меня стало интересовать не столько то, как хорошо человек выглядит в интернете, сколько то, из чего вообще может быть собран доказательный ответ о нём как о профессионале.

Почему резюме становится недостаточным

Резюме остаётся полезным документом, но у него есть естественная граница. Оно хорошо показывает образование, последовательность должностей, длительность работы и несколько выбранных человеком достижений. Проблема появляется тогда, когда из этих сведений пытаются сделать вывод о реальной профессиональной способности, потому что одинаковая должность в разных организациях может означать совершенно разную работу, а разные должности иногда скрывают одну устойчивую способность.

Это особенно заметно в ERP-проектах. Один специалист с должностью бизнес-аналитика собирает требования пользователей и описывает текущие операции. Другой строит предметные модели и ищет противоречия между подразделениями. Третий фактически выполняет архитектурную работу, хотя формально продолжает называться аналитиком. Если в резюме у всех троих написано одно и то же название должности, адресату приходится самостоятельно догадываться, что именно за ним находится.

С опытом ситуация становится ещё сложнее. Человек двадцать лет меняет проекты, компании и роли, а его профессиональная сила может проходить совсем не по названиям должностей. Например, в нескольких разных проектах он снова и снова оказывается в одной ситуации: предприятие по-разному понимает собственные процессы, требования подразделений противоречат друг другу, информационная система не удерживает предметную логику, и требуется человек, способный разобрать этот клубок и довести решение до согласования. В одном месте такой человек называется аналитиком, в другом — архитектором, в третьем — руководителем проекта. Названия изменились, а профессиональная способность осталась.

Поэтому полезно провести простой мысленный эксперимент. Если убрать из резюме названия работодателей, должностей и привычные определения вроде «опытный», «системный» или «ориентированный на результат», останется ли из текста понятно, какие задачи человек действительно решал, что делал лично, где проходила граница его ответственности, какой результат появился и чем всё это можно подтвердить? Если после удаления формальных маркеров профессиональная история почти исчезает, проблема находится не в качестве резюме. Просто сама история ещё не собрана.

Профиль показывает, карта связывает

Когда я начал разбирать эту проблему, оказалось важно отделить несколько близких понятий. Цифровой след возникает после события: человек написал статью, выступил на конференции, участвовал в проекте, получил отзыв, оставил профессиональный комментарий. След может быть полезным и совершенно точным, но обычно сообщает только о том, что в определённое время что-то произошло. Из одной программы конференции нельзя понять всю профессиональную линию докладчика, а из одной старой публикации нельзя автоматически вывести его нынешнюю позицию.

Профиль выполняет другую функцию. Он собирает сведения в рамках конкретной площадки и поэтому неизбежно показывает человека через её собственную задачу. На Хабре видны публикации и профессиональные дискуссии, на площадке исполнителей — завершённые заказы и отзывы, на сайте работодателя — должность и принадлежность к организации. Один человек может выглядеть на этих площадках совершенно по-разному, и в этом нет противоречия. Проблема начинается только тогда, когда одно из таких представлений принимают за человека целиком.

Репутация устроена ещё иначе, потому что существует прежде всего в оценках и ожиданиях других людей. Она проявляется через рекомендации, повторные приглашения, отзывы, профессиональные споры и готовность снова работать вместе. Человек способен последовательно подтверждать свою работу и исправлять фактические ошибки, но не может просто назначить себе хорошую репутацию тем же способом, каким редактирует текст профиля.

Мне не хватало ещё одного слоя — собственной связной основы, которая позволяла бы объяснить, что именно подтверждает каждый найденный фрагмент. Фотография завершённой работы должна быть связана с конкретным проектом и ролью. Публикация — с профессиональной линией и периодом. Отзыв — с реальной работой, которую он оценивает. Старый профиль — со своим назначением и временем актуальности. Из этого постепенно возникла идея доказательной цифровой профессиональной карты: не ещё одного публичного профиля, а системы связей между профессиональными высказываниями и их основаниями.

В своей книге «Антропология цифровой личности» я обозначил эту конструкцию как MAP — Multidimensional Augmented Persona, «многомерная расширенная цифровая персона». Название звучит сложнее основного принципа. Человек не пытается собрать всю жизнь в одну гигантскую публичную анкету, а создаёт переносимую основу, в которой проекты, задачи, роли, действия, результаты и подтверждения имеют происхождение, даты, права и версии. Наружу из этой основы могут выходить разные представления в зависимости от того, кому и для какой задачи они нужны.

Именно здесь появляется важное отличие от личного маркетинга. Доказательная карта не требует открыть клиентскую документацию, выложить корпоративные архивы или присвоить себе коллективный результат ради красивой страницы. Напротив, она должна удерживать границы: вот сведения, которые доступны публично; вот материал, который можно показать выбранному адресату; вот факт, подтверждение которого существует, но не может быть раскрыто; а вот место, где доказательства пока недостаточны. Такая система становится сильнее не тогда, когда в ней исчезают все сомнения, а когда сомнения названы и не замаскированы уверенной формулировкой.

Что должна увидеть машина

Возвращаясь к ситуации с ИИ, представим, что руководитель проекта получил резюме специалиста и спрашивает модель: «Что известно об этом человеке и чем подтверждается его опыт в производственной автоматизации?» Машина может найти выступление, публикацию, страницу компании, книгу, старую презентацию и несколько профессиональных упоминаний. Но каждый источник сам по себе ещё не отвечает на вопрос о профессиональной способности, поэтому настоящая ценность появляется только тогда, когда между источником и утверждением существует понятная связь.

Если в резюме написано «внедрил ERP на производственном предприятии», машине и человеку необходимо понять, что скрывается за этой строкой. Возможно, специалист проводил обследование и строил предметную модель. Возможно, программировал интеграцию. Возможно, отвечал за испытания или организовывал работу проектного комитета. Все участники действительно могли участвовать во внедрении, но коллективный результат не превращается автоматически в одинаковый личный результат каждого.

Поэтому доказательное профессиональное высказывание устроено иначе. Оно должно позволить восстановить логику работы: в каком контексте возникла задача, что требовалось изменить, какое действие человек выполнил лично, где проходила граница его ответственности, какой наблюдаемый результат появился и чем эту связь можно проверить. Не каждое описание обязано быть длинным и содержать все элементы в одном предложении, но сами элементы должны существовать и не заменяться прилагательным «сильный».

Например, вместо фразы «опытный бизнес-аналитик, успешно участвовал во внедрении ERP» можно описать конкретный эпизод: в проекте производственного учёта специалист выявил противоречия между требованиями трёх подразделений, провёл серию интервью, подготовил несколько вариантов предметной модели и вынес их на проектный комитет; один вариант был принят, а его участие подтверждается протоколом и обезличенной схемой. Такое описание выглядит менее эффектно, зато адресат понимает, в чём именно состояла работа и какой следующий вопрос можно задать.

В мире, где текст хорошего резюме можно сгенерировать за несколько минут, именно происхождение утверждений постепенно становится намного важнее качества формулировки. Машина без труда поможет написать убедительное описание компетенций, подобрать профессиональные слова и адаптировать текст под конкретную вакансию. Но она не способна задним числом создать реальный проект, роль, результат и независимое подтверждение. Чем дешевле становится красивый профессиональный рассказ, тем ценнее оказывается возможность показать, на чём он основан.

За должностями становится видна профессиональная нить

Когда таких проверяемых эпизодов становится не один и не два, профессиональная карта начинает решать ещё одну задачу, которую обычное резюме почти не решает. Если наложить друг на друга десять или двадцать значимых проектов, становятся заметны повторяющиеся связи между предметной областью, типом задачи, действиями, ролью и результатом. Именно эти повторения показывают, что в накопленном опыте было случайным, а что действительно стало устойчивой профессиональной способностью.

Человек может много лет считать своей профессией последнее название должности и при этом не замечать более глубокую линию. Руководитель проекта может обнаружить, что собственно управление большой командой никогда не было его основной силой, а сильнее всего он работал там, где требовалось восстановить предметную архитектуру и организовать принятие спорных решений. Аналитик может увидеть, что разные отрасли объединяет одна способность — быстро входить в незнакомую предметную область, находить противоречия и превращать их в проверяемую модель. Формальная биография показывает последовательность мест работы, а профессиональная нить показывает, что из этого опыта переносимо дальше.

Это различие становится особенно важным именно сейчас, когда профессии начинают меняться быстрее привычных карьерных схем. Я не думаю, что инженеры, аналитики, программисты или архитекторы однажды просто исчезнут. Меняется другое: всё меньше оснований считать, что одно название профессии способно навсегда объяснить человека и набор задач, которые он может решать. Часть действий передаётся машине, появляются новые предметные области, соседние роли соединяются, а человек несколько раз за профессиональную жизнь пересобирает собственную конфигурацию.

Поэтому поиск специалиста тоже может постепенно меняться. Сегодня заказчик формулирует запрос как «нужен бизнес-аналитик» или «нужен архитектор 1С:ERP». Но гораздо точнее был бы другой запрос: нужен человек, который уже входил в проблемные проекты производственного учёта, восстанавливал предметную модель, находил противоречия между требованиями подразделений и ограничениями системы и способен показать несколько подтверждённых случаев такой работы. В этом запросе название должности остаётся полезным ориентиром, но главным становится повторяемый способ решать определённый класс задач.

И вот здесь искусственный интеллект способен довольно сильно изменить саму механику профессионального поиска. Машине не обязательно ограничиваться совпадением должности и нескольких ключевых слов из резюме. При наличии достаточно связной и проверяемой профессиональной истории она может искать человека по сочетанию предметной области, типа задачи, выполненных действий и подтверждённых результатов. Это пока скорее направление развития, чем завершённый порядок, но готовиться к нему можно уже сейчас, не пытаясь угадать название будущей профессии, а сохраняя собственную профессиональную нить.

Когда в цифровом мире вас либо видно, либо приходится додумывать

Для меня главный вывод оказался довольно простым и одновременно неприятным. Быть хорошим специалистом и быть доказательно представленным в цифровой среде — не одно и то же. Человек может иметь огромный опыт, но если его проекты, результаты и профессиональные связи рассеяны по закрытым архивам, старым площадкам и памяти бывших коллег, внешний адресат увидит только небольшую часть этой истории. Машина тоже не сможет извлечь то, чего нет в доступном ей контексте, и неизбежно начнёт строить вывод по найденным фрагментам.

Поэтому я не рассматриваю профессиональную цифровую карту как средство «понравиться ChatGPT». Задача намного шире. Нужно сделать так, чтобы при проверке профессионального утверждения существовал понятный путь от слов к основаниям: от заявленной способности — к конкретным работам, от работ — к личному вкладу, от вклада — к результату, от результата — к источнику, а рядом были указаны время, права и границы раскрытия. Тогда ИИ оказывается полезным посредником, который быстро собирает и сопоставляет сведения, но не вынужден изобретать профессиональную биографию там, где человек сам не сохранил связей.

Именно поэтому вопрос «есть ли я в цифровом мире?» для специалиста становится совсем не вопросом количества упоминаний. Можно иметь сотни следов и оставаться плохо понятным, а можно иметь сравнительно небольшое количество материалов, но связать их так, чтобы адресат видел профессиональную логику. Хорошая карта не обещает сделать человека идеальным кандидатом и не гарантирует следующий проект. Она делает другое: позволяет увидеть его не как набор должностей и случайных цифровых фрагментов, а как профессионала с понятной историей, границами и направлением.

Как из этого получилась книга

Сам я пришёл к этой теме не потому, что собирался написать ещё одну книгу о карьере. Мне стало интересно разобраться с вполне конкретной проблемой профессионального цифрового профиля: что именно видит о человеке внешний адресат, почему резюме уже недостаточно, каким сведениям можно доверять и как подготовить профессиональную историю к миру, где предварительный вопрос о специалисте всё чаще задаётся машине. Я начал исследовать эту конструкцию для себя, затем появились вопросы о доказательствах, личном вкладе, профессиональной памяти, правах, разных адресатах и восстановлении старого опыта, и в какой-то момент стало понятно, что материал уже не помещается в одну статью.

Так появилась книга «Как быть, если профессии заканчиваются? Как собрать доказательную цифровую профессиональную карту» . В ней я прошёл этот путь значительно подробнее: от ситуации, когда двадцать лет опыта существуют кусками, до профессиональной археологии, проверяемых высказываний, профессиональных линий, переносимой основы и правил работы с цифровыми помощниками. Это не книга о том, какую новую профессию срочно выбрать вместо старой. Она о том, как сохранить способность быть понятным и доказательным профессионалом тогда, когда названия должностей, технологии и цифровые посредники меняются быстрее привычной карьерной биографии.

Тем, для кого эта проблема уже перестала быть теоретической, книгу я могу рекомендовать именно как практическое продолжение этой статьи. Там я показываю не только саму идею доказательной профессиональной карты, но и то, как её собирать: какие эпизоды восстанавливать, как отделять личный вклад от коллективного результата, чем подтверждать профессиональные утверждения, что оставлять закрытым и как не отдавать всю профессиональную память одной площадке.

Книга на Ridero ISBN: 978-5-0070-9492-4:
https://ridero.ru/books/kak_byt_esli_professii_zakanchivayutsya/

Авторская страница книги:
https://gl-erp-cfo.lpxl.ru/book-about-prof

А закончить я хотел бы тем же вопросом, с которого для меня началось всё исследование. Представьте, что завтра руководитель проекта получает ваше резюме, откладывает его рядом и спрашивает у привычной ему нейросети: «Что известно об этом человеке как о профессионале и чем подтверждается его опыт?» Из каких источников машина сможет собрать ответ, что ей придётся додумать самой и насколько получившийся человек будет похож на вас?

Источник: habr.com