Зарплатная аналитика с ИИ: как всегда быть в рынке и проверять гипотезы быстро

В статье — разбор этого эксперимента: от моделей, которые выдумывали данные вакансий, до создания рабочих промптов, способных отличить инженера техподдержки от оператора кол-центра. 

Потребность в зарплатной аналитике появляется в нескольких сценариях:

• Первый — открытие новой роли или возобновление найма после долгого перерыва, когда нанимающему менеджеру нужно определить актуальные вилки и бюджет на специалиста.

• Второй — плановый пересмотр окладов в команде: руководителю требуются рыночные данные для аргументации при повышении выплат.

• Третий сценарий — работа с «перегретыми» нишами, например, такими как ML- и AI-направления, где ожидания кандидатов растут быстрее средних показателей по рынку.

В Битрикс24 запрос аналитики автоматизирован через Смарт-процессы. При формировании ТЗ на вакансию заказчик может отметить пункт «Нужно исследование зарплат по направлению». Так, совмещение запуска найма со сбором аналитики повышает качество подбора и экономит время: заказчику не нужно отдельно объяснять контекст задачи на звонке или в переписке.

Что касается частоты обновлений, то для поддержки, QA, бэк-офиса, разработки и других стабильных позиций рынок меняется плавно, поэтому актуализировать данные чаще раза в год обычно не требуется. В динамичных направлениях или при возникновении точечных бизнес-задач запросы от руководителей могут приходить чаще и вне графика. Вне зависимости от причины запроса, каждый такой отчет требовал от нас полной концентрации и нескольких дней внимательной работы.

Долгое время зарплатную аналитику рекрутеры команды считали вручную. Мы открывали вакансии на HH, Dream Job, Хабр Карьере и других площадках и собирали данные в большую Excel-таблицу: формат работы, указанный оклад, KPI, основной пул задач, дополнительные условия и другие критерии, которые важны для бизнес-заказчика. Текст каждой вакансии нужно было внимательно изучать, потому что название позиции очень часто не отражает реальный функционал, и это принципиально важно для корректного сравнения. После сбора данных шла ручная фильтрация: сколько из найденных вакансий близки по задачам к нашим, как они распределены по форматам работы, где есть выбросы и почему. Все это завершалось большим сводным отчетом и выводом.

Первая гипотеза была самой очевидной: отправить нейросети прямые ссылки на вакансии конкурентов, чтобы она сама собрала данные и подготовила анализ. На практике этот подход не сработал. На момент первых тестов бесплатные ИИ-модели не могли корректно анализировать веб-страницы в режиме реального времени. В результате, когда мы передавали список ссылок, ИИ начал «галлюцинировать» и додумывать требования и зарплаты на основе заголовков.

В итоге вместо реальной аналитики мы получали усредненные и часто вымышленные цифры.

Например, в выводах по зарплатам техподдержки модель могла выдать вполне убедительный анализ и сослаться на конкретную ссылку, но при переходе по ней обнаруживалась вакансия сантехника или механика.

Стало ясно: чтобы получить точные данные, нужно менять способ подачи информации.

Структура запроса к модели складывалась итеративно и сейчас включает несколько устойчивых блоков.

Описание роли. Это первое и принципиальное условие корректного анализа. Рынок пестрит случаями, когда «старший технический инженер поддержки» в одной компании работает с кодом и базами данных, а в другой — отвечает на телефонные звонки без какого-либо погружения в техническую часть. Модели нужно объяснить, что именно делают наши специалисты, и попросить ее сгруппировать найденные вакансии по смыслу описания.

Контекст задачи. Зачем нужна аналитика — для планирования системы мотивации, для открытия новой роли, для сравнения текущих окладов с рынком. Это влияет на то, какие выводы модель будет выделять как приоритетные.

Требуемый результат. Зарплатные вилки, структура требований, распространенные бенефиты, распределение по городам и формату работы. Последнее нередко оказывается неочевидным инсайтом: иногда выясняется, что более высокая оплата коррелирует с офисным форматом, и это важно учитывать при формировании вакансии.

Если вакансия не содержит указания на зарплату, она попадает в отдельный пул. Там модель анализирует условия: задачи, KPI, бонусные схемы, бенефиты. Это уже не зарплатная аналитика в чистом виде, скорее анализ рынка труда с точки зрения того, что и кого сейчас ищут.

Резюме анализируются по той же схеме, но с дополнительным шагом: перед загрузкой из них убираются имена, контакты и другие персональные данные. Этот формат используется реже — он чуть более трудоемкий, зато дает взгляд на зарплатные ожидания со стороны кандидатов.

О том, как оптимизировать процесс аналитики, мы задумались, когда начали регулярно получать запросы на анализ зарплат специалистов техподдержки. Рынок для этой роли заметно трансформируется с распространением ИИ: боты и автоматизированные системы закрывают все больше типовых обращений, и одновременно растет запрос на живое человеческое общение, особенно там, где проблема нестандартная. Требования к специалистам и оплата навыков меняются вместе с этим, и команде важно понимать, как рынок их оценивает прямо сейчас. Чтобы держать руку на пульсе, нужно актуализировать данные по этому направлению минимум раз в год.

Поддержка была устроена в четыре уровня: 

• первый — консультанты, которые глубоко знают продукт, но не касаются кода и других глубоких технических аспектов; 

• второй — специалисты по облачной версии, которые могут проконсультировать по облачной версии продукта и эскалируют более сложные вопросы выше; 

• третий и четвертый — инженеры, которые уже разбираются в технической части всерьез: пишут скрипты, работают с базами данных, погружаются в продукт на уровне кода. 

Сложность состояла в том, что на рынке очень мало вакансий, которые действительно близки к профилю таких третьего и четвертого уровня. При этом под похожими названиями нередко скрывается совершенно другой функционал: «глубокая техническая инженерная поддержка» в одной компании — это работа с кодом, в другой — телефонные консультации без технического погружения. Чтобы сравнение было осмысленным, в промпте мы подробно описывали реальный функционал наших сотрудников и просили модель разделить найденные вакансии по степени технической глубины. Тогда разницу в зарплатах можно объяснить и разложить на причины, например, платят больше там, где требования действительно выше, или там, где это крупная компания со статусными условиями.

Минимального порога как такового нет.

Для редких и специфических ролей даже пять вакансий дают хоть какую-то точку отсчета — модель проанализирует то немногое, что есть, покажет, где есть корреляция, а где ее нет, и от чего вообще можно отталкиваться.

Для массовых позиций — офис-менеджеры, QA, разработчики — достаточно 20-30 вакансий, чтобы общая картина начала вырисовываться. При 50 и более повторяющихся паттернов становится заметно больше, но принципиально новых выводов уже почти нет. Загружать 100 вакансий, особенно если они похожи между собой, точно не стоит.

За время работы выяснилось, что у разных моделей есть свои сильные стороны именно в этой задаче.

Например, при сравнении бесплатных моделей, DeepSeek хорошо показал себя в структурировании данных в таблицы — результат выглядит аккуратно и удобно читается, а Gemini уверенно справлялся с большими файлами и выдает хорошо сформулированные аналитические выводы.

При этом принципиальной разницы между моделями в качестве итоговых выводов нет: результат в любом случае используется как основа, которую рекрутер проверяет и интерпретирует самостоятельно. Сейчас в работе мы чаще используем DeepSeek, с перекрестной проверкой в другом инструменте, если результат вызывает вопросы.

Зарплатная аналитика, собранная таким способом, дает лишь примерную оценку рынка труда. Реальные оклады могут существенно отличаться от того, что указано в вакансии. Зарплатные ожидания в резюме нередко отражают лишь желаемый оклад кандидата. Наконец, далеко не все компании публикуют вакансии с указанием денег.

Поэтому аналитика всегда сопровождается пометкой о ее приблизительном характере — это скорее ориентир, который заказчик использует как один из аргументов для принятия решения.

Теперь зарплатная аналитика по одной вакансии, которая раньше занимала три-четыре рабочих дня, собирается за два-три часа. Качество выводов при этом осталось сопоставимым.

Следующий логичный шаг — автоматизация сбора данных, которая сейчас выполняется вручную и занимает значительную часть этих двух-трех часов. Если агент сможет самостоятельно обходить площадки и собирать тексты вакансий, время на подготовку может сократиться еще раза в два. Но пока что этот шаг упирается в вопросы доступа к платформам и работы с персональными данными. Однако опыт показывает, что даже нынешний, частично автоматизированный формат уже окупает себя.