Всем привет! Мы команда разработчиков, которые создали первого в РФ ии-ассистента для поиска работы, собрав команду из 7 джунов. 

В этом посте делимся нашим опытом продукт-разработки: расскажем о ключевых ошибках, неочевидных инсайтах и о том, как нам удалось дожить до релиза, несмотря на 3 переноса его даты:) 

Акцент в статье буду делать на продуктовую часть, но если интересно, могу как-нибудь рассказать и внутрянку разработки. 

Предыстория

Идея создать продукт родилась у двух друзей детства — Макса и Жени.

• Макс — бывший разработчик, который пять лет назад основал карьерное агентство, помогающее junior-специалистам попасть в IT.

• Женя — руководитель команд разработки ИИ-решений, чьи проекты работают, в том числе, в аэропортах Москвы.

Проблема, которую мы увидели

В 2021 году Макс, работая с комьюнити, заметил острую проблему: джуны месяцами не могли найти работу, часто не получая ни одного отклика. Традиционный формат карьерного консультирования (резюме + собеседования) давал результат, но не был прорывом. Конверсия откликов росла незначительно — с 1.5% до 4%, а процесс оставался ручным и очень трудозатратным.

Всё изменилось, когда мы автоматизировали отклики на вакансии через API hh.ru. Скрипт отправлял сотни заявок за секунды. Да, конверсия была ниже, но масштаб компенсировал разницу.

Возникла идея: а что если соединить скорость автооткликов с экспертизой карьерного консультанта? Такому ассистенту можно было бы поручить не только рассылку, но и настройку поиска, правку резюме и подготовку к собеседованиям. А лучший консультант — это ИИ, в которого загружены знания и методики, собранные за 5 лет работы агентства.

С этой идеей Макс пришёл к Жене. Вердикт был мгновенным: «Это круто. Давай делать».

Поиск болей и проектирование фич продукта

Работая в сфере консультирования 5 лет, мы глубоко изучили основные боли соискателей. После сотен собеседований и анализа потребностей систематизировали ключевые запросы и выяснили, чего же хочет кандидат:

• Экономия времени на массовых откликах

• Автоматизация шаблонных сопроводительных писем

• Получение релевантных предложений без спама

• Полная прозрачность процесса поиска

На основе этих инсайтов мы создали ИИ-агента, который берет на себя рутинные задачи поиска работы. В основе решения — LLM-платформа с интеграцией основных сервисов: hh.ru, почтовые клиенты, календари и Telegram-бот для удобного взаимодействия.

Проект назвали SOFI, что расшифровывалось как Smart Offer Finder Intellect (Умный интеллект для поиска офферов). Получился такой «винегрет» из умных и точных по смыслу слов, отражающий суть продукта.

Но главная причина нашего выбора — личная. Софи — это имя моей бабушки, человека, который всегда приходил на помощь в трудную минуту и сыграл огромную роль в моей жизни. Мне давно хотелось посвятить ей один из наших продуктов

Конечно, она не особо разбирается в искусственном интеллекте, но когда я объяснил, что наша «Софи» будет помогать людям находить работу своей мечты, она поддержала нашу идею))

Говорит сооснователь проекта Макс

Архитектура и стек

• LLM: Anthropic Claude (лучше держит стиль и логику, чем GPT в наших кейсах)

• Backend: Python

• База: MongoDB

• Интеграции: hh.ru, email, Telegram API

• Инфраструктура: пул прокси, антикапча, распределённые воркеры

Пайплайн в двух словах:

1. Вакансии → парсинг + фильтрация

2. Резюме кандидата → уточняющие вопросы → улучшенная версия

3. Генерация сопроводительных → автоотклики

4. Мониторинг откликов и собеседований → дашборд
   

Как устроен наш алгоритм умных откликов и поиска вакансий?

Один из ключевых вопросов, который нам задают: как мы планируем избежать спама и коллапса при массовых откликах?

Действительно, если представить, что каждый пользователь может отправлять до 100 откликов в день, то при 1000 пользователей это уже 100 000 ежедневных запросов. Такие объемы могут создать нагрузку на платформы и вызвать негативную реакцию работодателей.

Наше решение построено по аналогии с принципом работы Google Maps. Если направить весь трафик по одной дороге — неизбежно возникнет пробка. То же самое происходит и с откликами на вакансии.

Как это работает на практике?

1. Равномерное распределение. Изначально система распределяет отклики между доступными вакансиями равномерно.

2. Адаптивная настройка потоков . Алгоритм постоянно анализирует, какие компании чаще приглашают наших пользователей на собеседования. Как только выявляется высокая конверсия у определенного работодателя, система постепенно увеличивает долю откликов в его направлении.

3. Динамическое перераспределение. При снижении коэффициента конверсии алгоритм автоматически уменьшает долю откликов на вакансии этого работодателя и перенаправляет поток туда, где вероятность отклика выше.

Такой подход позволяет:

• Максимизировать количество релевантных предложений.

• Избегать «слепых» откликов туда, где низкая вероятность ответа.

• Динамически адаптироваться к изменениям на рынке труда.

На текущий момент мы активно тестируем работу алгоритма. Каждый день системы приносит новые данные, которые помогают нам совершенствовать механизм подбора вакансий.

Мы уверены, что такой интеллектуальный подход к автоматизации поиска работы сможет изменить представление о том, как может работать автоматизированный подбор вакансий.

Перенос релиза

Примерно за неделю до запланированной даты релиза, мы с командой провели планерку, и поняли, что продукт еще максимально сырой и мы не готовы впустить даже 50 пользователей. 

На тот момент все основные модули были готовы примерно на 80%. Однако ключевая проблема заключалась в том, что мы ещё не провели полноценное тестирование системы на реальных пользователях. Недели тестирования хватило бы лишь на то, чтобы обнаружить критические проблемы, но не на их решение.

​​Но были и хорошие новости

В тот день мы запустили закрытое тестирование! Первая группа из 10 пользователей получила доступ к платформе. Мы начали постепенно подключать новых тестировщиков, чтобы оценивать работу системы под нагрузкой и оперативно вносить улучшения.

Мы признали: это была наша ошибка в оценке сроков. Мы принесли искренние извинения всем, кто ждал релиза. Мы разделяли их нетерпение, но хотели выпустить продукт, который действительно решал бы задачи в поиске работы, а не разочаровал.

Вывод о первом запуске: уроки, которые мы извлекли

Хотелось бы, следуя канонам некоторых маркетологов, после первого запуска написать о том, как у нас всё прошло идеально и какие мы получили восторженные отзывы. Но реальность оказалась иной.

Мы изначально договорились быть максимально честными с нашими пользователями, поэтому рассказывали всё как есть.

Бета-тестирование стало для нас своеобразной демоверсией релиза, и мы нервничали.

Основные проблемы, на которые жаловались пользователи:

• Нерелевантные отклики на вакансии.

• Шаблонные сопроводительные письма.

• Проблемы с интеграцией переписок с рекрутерами.

• Сбои в добавлении интервью в календарь.

Короче говоря, мы столкнулись с серьёзными вызовами.

Но не опустили руки. Вместе с командой мы:

• Собрали и систематизировали весь фидбэк.

• Составили детальный список багов.

• Перешли в режим турбо-доработки перед релизом.

• Провели работу над ошибками и проанализировали причины проблем.

Мы осознавали, что продукт требует доработки. Часть багов мы успели исправить до релиза, но понимали, что некоторые проблемы всё равно могут проявиться.

Мы приняли важное стратегическое решение: вместо запланированных 350 пользователей запустить только 50 первых клиентов 15 июля. Это позволило нам минимизировать риски для пользователей, снизить нагрузку на систему и обеспечить более качественную поддержку.

Наш новый план предусматривал:

1. Запуск первых 50 пользователей.

2. Мониторинг работы системы.

3. При успешном тестировании — подключение ещё 100 пользователей через 2 недели.

4. При выявлении проблем — исправление багов и постепенное расширение аудитории.

Релиз состоялся, хотя и в более сдержанном формате, чем изначально планировалось. Этот опыт научил нас ценить качество над количеством и важность постепенного, контролируемого роста.

Экономика: сколько стоит сделать такого ассистента?

Разработка и продвижение на текущий момент обошлись нам примерно в 2 млн рублей.

Что в эту сумму вошло:

• разработка backend + интеграции;

• инфраструктура (серверы, LLM, сервисы всякие);

• дизайн, маркетинг, лендинги;

• команда саппорта и карьерный консультант (она проверяет артефакты Софи)

Сейчас продукт уже приносит первые деньги:

• заработали около 600 тысяч рублей с подписок; Это грязными.

• ARPU (средний доход на пользователя) подтверждает, что модель окупается, но пока мы в инвестиционной фазе.

Миссия

Конечно хочется чтобы это было все не просто ботом для автооткликов. Мы хотим реформировать рынок труда, сделать его прозрачнее, что ли.

Через тысячи автооткликов мы сможем понять:

• Какие компании реально зовут на вакансии, а какие нет.

• Какие тестовые присылаются.

• Где есть откровенные фрод компании.

• Сколько нужно откликов, чтобы получить 1 приглашение на интервью.

• Какие компании чаще зовут, где больше шансов устроиться “в этом месяце”.

По сути через доступ к хх.ру можно видеть все, что происходит на рынке, строить аналитику и делиться ей с вами.

Наши итоги и будущее 

Сейчас мы активно развиваем этот продукт и верим, что сможем изменить рынок IT к лучшему, сделать его более прозрачным, а поиск работы - приятным и не таким изматывающим.

Что думаете по поводу этой авантюры?) Было бы интересно увидеть больше внутрянки про разработку? Буду рад обратной связи!