ИИ-навыки в резюме: как описать опыт для ATS и рекрутера

Если уже добавили в своё резюме, что вы «уверенный пользователь ChatGPT», то в 2026 это выглядит на уровне «уверенный пользователь ПК» из нулевых. Да, вы знакомы с инструментом, но это не про умение правильно применять в работе и уж тем более не повод повышать вам зарплату,

Работодателю при беглом чтении резюме нужно понять: какую задачу кандидат решал с помощью ИИ, как встроил инструмент в работу, каким способом проверял ответы и что получил в результате.

В статье узнаете, какие ИИ-навыки можно указывать в резюме, в каких разделах их поставить и как сформулировать опыт, чтобы его заметила ATS.

Зачем вообще писать про ИИ в резюме

Ещё недавно опыт работы с ИИ болтался в конце вакансии — где-то рядом с английским Intermediate и стрессоустойчивостью, теперь ИИ-навыки переезжают в обязательные требования. Яндекс Практикум и getmatch посчитали упоминание ИИ-навыков в IT- и digital-вакансиях: за полгода доля digital-вакансий, где ИИ-навыки указаны как обязательные, выросла с 34,5 до 42,9%, а это почти половина рынка.

За рубежом то же самое, только помедленнее. Indeed: к концу 2025 года ИИ упоминался в 4,2% вакансий. Вроде бы немного, но показатель рассчитан по всему рынку труда. В сфере данных и аналитики доля доходила почти до 45%. В исследовании Robert Half 88% руководителей сказали, что их команды уже работают с ИИ.

Поэтому, если у вас есть опыт работы с ИИ, его нужно показывать правильно, чтобы ATS нашёл в резюме технологии и формулировки из вакансии, а рекрутер по ним оценил, соответствует ли кандидат требованиям.

Что работодатели называют ИИ-навыками

Под одной и той же формулировкой в вакансиях могут быть очень разные вещи. Где-то от кандидата ждут, что он справится с готовым чат-ботом. Где-то — что подключит модель через API, соберёт RAG-систему и запустит агентов.

Чаще всего речь про готовые генеративные инструменты. Черновики, поиск информации, разбор документов, варианты решения, помощь с кодом. Работодатель смотрит, умеет ли кандидат поставить задачу, передать модели контекст и довести ответ до рабочего вида. Хороший промпт сам по себе достижением не считается, ну только если вас не нанимают на промпт-инженера.

Следующий уровень — автоматизация. Модель встраивают в существующий процесс: первичная классификация обращений, подготовка тестов, обработка типовых данных. Тут уже надо понимать, на каком шаге её запускать, куда складывать результат и что делать, когда ответ будет неправильным. А он будет неправильным.

В технических вакансиях спрашивают больше: LLM через API, RAG, векторные базы, ИИ-агенты. От разработчика ждут решения, собранного вокруг модели, — подготовить данные, настроить поиск по контексту, связать компоненты и проверить, как всё это ведёт себя за пределами тестовых примеров. 

Отдельная история — контроль. Модель придумает несуществующий метод, нарисует цифру, потеряет важное условие. Так что в резюме нужно показать, как вы это фиксили: гоняли тесты, проверяли данные с источником или руками, оставляли финальное решение за специалистом.

Сюда же работа с чувствительными данными. Когда сотрудник отправляет во внешний сервис клиентскую базу, внутренний код или документы компании, скорость выполнения задачи уже никого не волнует. Работодателю нужен человек, который понимает ограничения инструмента и не грузит в него содержимое рабочего портала. 

Получается, дело не в знании конкретной нейросети. ИИ-навык — это умение выбрать подходящий сценарий, встроить модель в работу, проверить выдачу и отвечать за итог. Вот это и показываем в резюме.

Куда всё это писать

ИИ-навыки можно раскидать по нескольким разделам резюме. Выбор зависит от того, что вы показываете: знакомство с инструментом, опыт применения или результат. Сваливать всё в «Навыки» плохая идея, название инструмента туда поместится, а рабочий кейс уже не развернешь.

Ключевые навыки

Здесь перечисляют технологии и типы задач, с которыми вы работали. Названия можно брать из вакансии и сохранять формулировку работодателя. Упомянуты LLM API, RAG и векторные базы, а у вас такой опыт есть — используйте те же термины. ATS сопоставит резюме с требованиями.

Например:

Опыт работы

Основное место для ИИ-навыков, которые вы использовали в работе. Формулировка должна описывать задачу, вашу работу и итог. Вместо «использовал ИИ при разработке» — «подключил LLM через API для первичной классификации обращений и настроил проверку ответов перед передачей оператору».

Если результат измеряли, добавьте цифру: сколько времени задача занимала раньше, какая доля операций ушла в автомат, насколько сократился цикл. 

То есть в «ключевых навыках» нужно обозначить технологию, а в опыте рассказать, где она работала и за какую часть решения отвечали лично вы.

Проекты

Раздел для тех, кто изучал ИИ сам или пока не применял его в коммерческой разработке. Сюда идут учебный проект, хакатон, собственный инструмент. Главное — обозначить формат и не выдавать домашний эксперимент за внедрение в компании.

В описании проекта укажите:

Скажем, так: «Разработал учебный RAG-сервис для поиска по технической документации: настроил разбиение документов, сохранение эмбеддингов в векторной базе и формирование ответа со ссылками на найденные фрагменты». 

Достижения

Здесь показываем результат, которого вы добились вследствие использования ИИ-инструмента. Подойдёт сокращение времени на операцию, автоматизация части процесса, улучшение измеряемого показателя.

Можно написать: «Автоматизировал подготовку черновиков тест-кейсов с помощью ИИ и сократил время на первый проход с четырёх часов до полутора». Если замеров не было — опишите результат словами, но не нужно врать о цифрах, которые потом не сможете повторить.

Логика получается такая: в навыках — релевантные термины, в опыте — коммерческое применение, в проектах — самостоятельная практика, в достижениях — эффект.

Как написать формулировку для ATS и рекрутера

У системы и человека разные задачи: ATS ищет слова, связанные с вакансией, а рекрутер проверяет, есть ли за ними реальный опыт. Правильная формулировка делает и то, и другое.

Схема такая:

задача → технология → способ применения → проверка → результат

Начните с задачи

Сначала назовите проблему или процесс: готовили тест-кейсы, разбирали обращения пользователей, искали информацию в документации, считали данные.

Во втором варианте вы показываете рабочую ситуацию. И одновременно не утверждаете, что модель сама провела всё тестирование, а заодно сходила на дейлик.

Назовите технологию

Термины помогают ATS сопоставить резюме с вакансией, поэтому всегда указывайте  конкретный инструмент: ChatGPT, Claude, GitHub Copilot, LLM API, RAG, векторная база.

Объясните механику

Название инструмента показывает, чем вы пользовались. Механика — вы собрали с инструментом процесс: что уходило в модель, какой контекст она получала, куда попадал её ответ.

Разработчик может написать, что модель делала черновик документации по коду. Аналитик — что приводила неструктурированные ответы к единому формату. Руководитель проекта — что с её помощью собирались первые версии отчётов. Главное не приписывать ИИ весь процесс, если он закрывал один этап.

Покажите, как проверяли результат

Для кода это тесты и ревью, для аналитики — сверка с исходными данными, для текстов — проверка фактов и ручная редактура. Если результат модели доходил до пользователей или влиял на процесс, напишите, где в этой цепочке был человек.

Добавьте результат

Всегда лучше работает то, что можно нормально измерить: сокращённое время, меньше ручных операций, скорость обработки, объём работы. Сравнение должно быть реальным, если замеров не проводили — просто опишите эффект словами, ничего страшного не случится.

Как ИИ-опыт проверяют на собеседовании

Приукрасить навык в резюме легко, поддерживать эту легенду в разговоре — сложнее. Поэтому рекрутер или нанимающий менеджер на собеседовании попросит разобрать один конкретный кейс: с чего всё началось, что сделали вы, где помогала модель.

Обычно спрашивают примерно это:

Изображать человека, который заранее предусмотрел каждый сбой, не нужно. Лучше спокойненько рассказать, что первая версия работала плохо, модель путала категории и выдавала нестабильный формат, а потом объяснить, как это починили.

В техническом интервью вопросы станут подробнее. Разработчика спросят про подключение модели через API, хранение контекста, обработку ошибок и ограничения решения. Указали в резюме RAG и векторную базу — придётся объяснить, как готовились документы, как выполнялся поиск и как собирался ответ. 

Отдельно спросят про качество. Чем измеряли результат: тестами, ручной разметкой, сравнением с эталонными ответами, проверкой специалиста? Формальной оценки не было — так и скажите, а потом опишите фактическую проверку. 

Ещё одна тема — конфиденциальность. Могут уточнить, какие данные вы передавали модели и учитывали ли корпоративные ограничения. Нормальный ответ показывает, что кандидат понимает разницу между публичной документацией, обезличенными данными и информацией, которой во внешнем чате делать нечего.

Иногда вместо вопросов дают тестовое: подготовить документ, обработать данные, написать фрагмент кода или объяснить, как вы встроили бы модель в предложенный процесс. Смотрят на весь ход работы — постановку задачи, выбор инструмента, проверку ответа и заметили ли вы ошибку.

Что писать, если рабочего опыта с ИИ ещё нет

Отсутствие коммерческого проекта не означает, что нужно добавлять туда пройденные курсы. Соберите небольшой собственный кейс, похожий на будущую работу, и доведите его до результата.

Разработчик может сделать поиск по технической документации. Тестировщик — черновики тест-кейсов для небольшого приложения. Аналитик — обработку набора неструктурированных данных.

В описании укажите:

Готовая формулировка выглядит примерно так:

Личный проект: разработал RAG-сервис для поиска по технической документации. Настроил разбиение документов, сохранение эмбеддингов в векторной базе и формирование ответов на основе найденных фрагментов. Проверял результат на заранее подготовленном наборе вопросов.

Работа ограничилась учебным заданием — так и напишите: «В рамках учебного проекта подключил LLM через API и реализовал классификацию обращений по заданным категориям». Скромнее коммерческого внедрения, зато подтверждается кодом, демонстрацией и нормальным объяснением принятых решений.

В портфолио добавьте ссылку на репозиторий, описание архитектуры, несколько примеров работы и короткий разбор ограничений. Ещё интересно посмотреть, как решение ведет себя на разных запросах и что происходит при ошибке.

Всё это несём в раздел с проектами.

А теперь главное

Кейс у вас, скорее всего, уже есть — вы просто не считаете его кейсом. Разбирали логи с помощью модели, чистили выгрузку, собирали черновик документации, гоняли Copilot по типовым функциям. И если вам мешает мысль «да это ерунда, любой так может». Во-первых, не любой. Во-вторых, тот, кто такую же ерунду описал нормально, уже сходил на собеседование — пока вы думали, достаточно ли она весомая.

Назад рынок не поедет. Из вакансий не исчез Git, не исчез английский, не исчезнет и ИИ. Максимум — перестанут выносить его отдельным требованием, потому что и так подразумевается. И объясняться придётся уже наоборот: почему вы им не пользуетесь.

Советуем дополнительно почитать

Вайб-кодинг для новичков: с чего начать — как довести собственный кейс до рабочего состояния: постановка задачи, разбивка на шаги, проверка того, что написала модель.

Полный гайд по AI-скиллам: что это такое и как создать скилл для ИИ-агента — формат, которым описывают повторяющиеся сценарии работы с моделью; готовый материал для строчки в резюме про автоматизацию.

Что такое теневой рынок вакансий в IT и как на него выйти — где ищут кандидатов, минуя джоб-сайты, и почему хорошее резюме там работает иначе.

Профессии в сфере нейросетей: кем работать и сколько платят в 2026 году — кто работает с моделями, API, RAG и агентами: от промт-инженера до AI-инженера, с задачами и вилками.