Вайбкодинг на собеседованиях продактов и дизайнеров: круто или дань моде?

В последнее время компании добавляют вайбкодинг в качестве этапа собеседований. Причём не только для разработчиков, но и для продактов и дизайнеров.

Одними из первых этот тренд подхватили в Яндекс, вчера узнал, что такой этап появился и в IVI. Казалось бы, компании молодцы, первыми подхватывают тренды, разве нет? Вот только проблема в том, что одно дело - тренд, а другое - практическая значимость.

Главная ценность вайбкодинга - быстрое прототипирование. Все стали буквально одержимы этой идеей, однако для продуктовых дизайнеров и менеджеров это не ключевой навык. У нас годами были инструменты no-code, с помощью которых можно сделать тот же лендинг для теста гипотезы за день, но их не пихали в каждое собеседование.

Большинство крупных компаний уже имеют существующий продукт, и если он не связан с AI - фичи пилятся сразу в продакшн. Вайбкод работает хорошо, когда вы пилите что-то с нуля, чтобы быстро обкатать гипотезы. Однако это не ключевой навык для собеса. Даже работая в R&D-команде, помимо прототипирования нужно уметь проектировать пользовательские пути, проводить исследования, быстро накидывать дизайн-концепты. Вайбкод не проверяет ни один из этих навыков.

Что тогда важно, когда AI проникает везде?
Мой товарищ Коля, канал которого многие из вас читают, буквально недавно писал пост на эту тему - очень рекомендую прочитать и подписаться. Здесь же опишу, что считаю важным со своей стороны.

1. Умение решать проблему чистого листа. Если раньше нужно было проводить тягомотные исследования, то сейчас с помощью LLM можно обрабатывать довольно большие массивы существующей информации о продукте и преобразовывать их в какие-то инсайты, а на базе этих концептов генерировать идеи продуктовых фич.

2. Критическое мышление и верификация работы AI. Часто вижу паттерн, когда результат работы GPT просто копируют. Мол, это быстро и GPT уже делает работу на уровне среднестатистического специалиста. Нанимая человека, я хочу видеть HiPo-спеца, а не среднячка. Умение разруливать ситуацию, когда AI косячит, отличает реального специалиста от GPT-дилетанта.

3. Вместо вайбкодинга. Предложите кейс, связанный с внедрением AI-фичи. Например:

Мы хотим добавить функцию, которая с помощью AI анализирует переписку пользователя и предлагает готовые ответы. Опиши пользовательский путь и риски. Какие инсайты из базы отзывов ты бы запросил у LLM для проверки гипотезы?

4. Проектирование доверия и работа с ошибками AI. Реальные AI-продукты ошибаются. Дайте кандидату кейс:

Наша AI-фича работает неверно в 30% случаев. Пользователи завалили саппорт жалобами. Как мы должны были спроектировать интерфейс, чтобы (а) этого не допустить и (б) что показать после ошибки?

Здесь проверяем основные принципы:
- Transparency: Понимает ли кандидат, что AI должен объяснять свои решения?
- Human-in-the-Loop: Есть ли у пользователя другой выход? Как легко исправить ошибку AI?
- Обработка ошибок: Как сообщать об ошибке, не разрушая доверие к продукту?

5. Представление об AI как части экосистемы продукта. Многие AI-фичи - просто обертка для GPT, не интегрированная в основной продукт, а мы хотим этого избежать. Можно дать кандидату такой кейс:

У нас продукт для X. Мы хотим внедрить AI-ассистента. Куда его встроим? Это будет отдельный чат-бот или контекстные подсказки в интерфейсе?

Здесь проверяем способность думать о всей системе:
- Как это изменит CJM?
- Где AI принесёт максимальную ценность, а где помешает?
- Какие данные ему нужны и как их получить?
- Как использовать данные от работы этой фичи?

Часто из-за FOMO и/или некомпетентности, менеджеры плодят ненужные этапы интервью. Вайбкодинг - яркий пример такого подхода. Если у вас не стартап, не R&D-команда, которая пилит по 10 инноваций в месяц, и не ультрасовременный AI-продукт - вайбкод не всегда ответ на ваш вопрос.

Вместо того чтобы слепо копировать модные практики, стоит задуматься: какие навыки действительно нужны вашим кандидатам в реальной работе? Именно их и проверяйте на собеседованиях.