Собеседование на AI PM в 1C Game Studios

Почему 1C Game Studios — особенный работодатель для AI PM

1C Game Studios — игровое подразделение группы «1С», известное симуляторами «Ил-2 Штурмовик», King's Bounty II, Men of War, мобильными и PC-релизами. Студия одновременно выпускает hardcore-симуляторы для нишевой аудитории и mid-core проекты для массового рынка — это значит, что AI PM здесь должен уметь жонглировать совершенно разными контекстами: от глубокой симуляторной аналитики (FPS, телеметрия полёта, фракталы матчей) до классических free-to-play метрик в мобильных проектах.

AI PM в 1C Game Studios отвечает за фичи, где AI улучшает игровой опыт и монетизацию: умный matchmaking, dynamic difficulty, прогноз churn, NPC AI, генеративные тексты для квестов и описаний, LLM-саппорт для коммьюнити. Главный вызов — балансировать качество модели и игровой fun: переборщил с прогнозом — игра становится «слишком умной» и теряет момент удивления.

Стек продакт-команды: A/B-инфраструктура внутри клиента, ClickHouse и Greenplum для аналитики, классические ML-модели (XGBoost, CatBoost) для churn/balance, LLM-API для саппорта и генеративного контента, Unity ML-Agents для R&D-экспериментов.

Актуальные вакансии — на hh.ru и сайте 1C Game Studios.

Этапы собеседования

Полный цикл — 4-5 этапов, 2-3 недели от первого скрининга до оффера. Если процесс затягивается, причина чаще в согласованиях с продюсером и тимлидом — нормально для геймдева, не паникуй.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус резюме, базовое понимание ML, опыт в продуктах с реальным трафиком и мотивацию идти именно в геймдев. Сильно ускорит процесс упоминание любого gaming-бэкграунда — даже как игрок-консультант или аналитик GameDev-команды. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал, в каких доменах работал.

2. AI / ML grounding (45-60 минут)

Ведущий PM или ML-эксперт проверяет, что ты говоришь с ML-командой на одном языке. Темы: основные метрики классификации и регрессии, как читать confusion matrix, что значит precision-recall trade-off в matchmaking, какие constraints накладывает game balance (нельзя ронять player retention ради «оптимальной» сложности). На LLM-блоке спросят про context window, hallucinations, latency в реальном времени матча.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс уровня «спроектируй AI matchmaking для нашего мультиплеера». Жди вопросов про аудиторию и JTBD (что значит «хороший матч» для casual и для hardcore), про UX (как игрок узнаёт, что AI работает; как объясняем долгое ожидание в очереди), про риски (boosting, smurfing, deserve-ranking жалобы), про метрики (win rate ±5% от 50%, average match completion, post-match NPS), про MVP (с какого региона и какой группы рангов раскатываем первыми). Сильные кандидаты сразу формулируют, что метрика matchmaking — это не точность ELO, а удержание игрока в сессии.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Секция про эксперименты и evaluation. Спросят, как ты построишь A/B на matchmaking (геогруппа? cohort split? регион сервера?), как защитишься от network-эффекта между группами, как декомпозируешь метрику. Готовь свой framework eval для LLM-фичи: gold set, human review, online proxy-метрика.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

С тимлидом или продюсером. STAR: расскажи про конфликт с разработчиком, про факап с релизом, про сложное решение между сроком и качеством. Геймдев — это про deadline и культовость продукта одновременно, проверяют, как ты живёшь в этом противоречии.

Особенности по командам

Matchmaking AI. Команда отвечает за подбор соперников в мультиплеере: ELO/MMR, skill-based matching, queue time vs match quality trade-off. Самый частый запрос — снизить time-to-match без падения качества матча. Подойдёт PM с опытом в multiplayer-играх или платформах, где есть бронирование/подбор (карпулинг, маркетплейсы).

NPC / Gameplay AI. Поведение врагов и союзников в одиночной кампании, реакция NPC на действия игрока, dynamic difficulty. Это место, где AI-фичи граничат с гейм-дизайном — нужно тесно работать с game designers и понимать pacing миссий. Подойдёт PM с гейм-дизайнерским бэкграундом или сильным симуляторным контекстом.

Monetization AI. Персонализация офферов в магазине, прогноз LTV и whale-сегментов, динамическое ценообразование внутриигровых паков. Тесно работает с финансовой командой и продюсером. Подойдёт PM из e-commerce/retail с фокусом на promo-кампании.

Balance optimization. Симуляция и автотюнинг параметров юнитов, оружия, валюты. Работает с большими offline-симуляторами и mass-playtests. Подойдёт PM с аналитическим бэкграундом и любовью к симуляциям.

Support AI. LLM-саппорт для коммьюнити, классификация тикетов, авто-ответы по типовым кейсам, генерация драфтов для модераторов. Большой проект на пересечении продукта и customer success. Подойдёт PM с опытом в саппорт-/CS-tooling.

Что 1C Game Studios ценит в AI PM

AI понимание на уровне «договорюсь с ML-командой». Не нужен PhD, но нужно различать классификацию от регрессии, читать ROC AUC, понимать, почему модель precision 0.99 на тесте может проваливаться в проде. Слабый ответ: «спросим у ML». Сильный: «обсудим target leakage и data drift, посмотрим train-serving skew».

Gaming context. Понимание, что fun важнее accuracy, что balance — не оптимизация, а серия trade-off. Слабый: «возьмём идеальный ELO». Сильный: «ELO + матчевый bias по premade-группам и регион-задержка, проверяем через post-match NPS».

Matchmaking / balance domain. Знание конкретных проблем: stacking, smurfing, queue time, deserve-rank. Слабый: «сделаем как везде». Сильный: «у нас CCU 30k вечером и 5k днём, поэтому ночью даём wider rank tolerance».

Business metrics. Не «accuracy модели», а DAU/MAU, retention D1/D7/D30, ARPPU, churn. Слабый: «LLM-саппорт ускорит ответы». Сильный: «LLM закроет 40% типовых тикетов, освободит 6 модераторов на community management — окупится за квартал».

Cross-team. Геймдев — это художники, гейм-дизайнеры, программисты, продюсер, маркетинг. PM не приказывает, а собирает консенсус. Проверяется на behavioral и продуктовом кейсе.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые. Освежи метрики классификации/регрессии, базовые алгоритмы (логрег, бустинг, k-means), понятие train/val/test и data leakage. ML для PM.
2. Неделя 2 — LLM глубже. Разберись с архитектурой Transformer, context window, температурой, hallucinations, function calling. Параллельно — прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. LLM-фичи.
3. Неделя 3 — Prompt + RAG. Системные промпты, few-shot, RAG-архитектура, выбор векторной БД, чанкование. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency + evaluation. Считай стоимость LLM-фичи на 1000 запросов, продумай fallback при пиковой нагрузке, освой eval-метрики. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Прорешай 3-5 mock-кейсов с друзьями. Подготовь 5 STAR-историй: конфликт с разработчиком, факап в проде, спор по приоритету.
6. Неделя 6 — Polish. Перечитай свои кейсы, потренируй питч на 90 секунд, погугли свежие новости 1C Game Studios для разговора с тимлидом.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Кандидат говорит «давайте сделаем LLM-саппорт» — слабо. Кандидат говорит «у нас 12k тикетов в неделю, 60% — типовые „как купить дополнительный контент“; LLM закроет их, модераторы займутся ban appeals и community» — сильно с цифрами и обоснованием.

Игнор hallucinations. Слабый ответ: «LLM сам разберётся». Сильный: «делаем RAG из базы знаний, добавляем grounding-проверку, для money-сценариев — human-in-the-loop с ручным апрувом».

Без game industry. Кандидат рассуждает о matchmaking в терминах e-commerce — это сразу видно. Подготовься: почитай блоги Riot Games, Valve про matchmaking, Supercell про LiveOps, играй в популярные F2P-проекты, чтобы знать UX-патрены.

Без matchmaking domain. Слабый: «сделаем ELO». Сильный: «ELO + premade-bias + сетевая задержка + region soft constraint, на низких CCU расширяем rank tolerance до ±300».

AI metrics only. Кандидат отчитывается precision/recall — слабо. Сильный говорит про DAU, retention D7, average session length, NPS на матчи. Связывает AI-метрику с бизнес-метрикой через causal chain.

Связанные темы

• Собеседование на AI PM
• LLM-фичи в продукте
• Prompt engineering
• RAG и context
• AI-метрики и evaluation
• AI cost и latency

FAQ

Удалёнка в 1C Game Studios для AI PM?

Гибрид и удалёнка распространены, особенно для middle+ грейдов. Часть команд требует периодических очных сессий по релизам.

Зарплатные вилки 2026?

Middle AI PM: 330-470k. Senior: 470-690k. Вилка зависит от проекта (мобайл/PC), грейда и опыта в геймдев-AI.

Английский нужен?

Базовый — желательно для чтения статей и документации. Свободный говорящий — плюс для R&D-проектов и работы с зарубежными подрядчиками.

Сколько этапов?

4-5 этапов, 2-3 недели от первого скрининга до оффера. Если затягивается до месяца — это нормально, в геймдеве много согласований с продюсером.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера — команды и грейды могут менять процесс.