Собеседование на AI PM в IBS

Почему IBS — особенный работодатель для AI PM

IBS — один из крупнейших российских IT-консалтинговых холдингов: цифровая трансформация банков, государства, промышленности, retail. AI здесь живёт не как продукт «в коробке», а как часть bespoke-проектов под конкретного клиента: внедрение LLM-копилотов в банковский саппорт, CV-системы на промышленных объектах, NLP для документооборота госкорпораций, RAG-системы для крупного enterprise.

AI PM в IBS работает как product-manager-консультант: формирует scope с клиентом, аргументирует ROI, ведёт команду через discovery → MVP → масштабирование. Главный челлендж — каждый проект уникален, нет универсального продукта, который можно одинаково раскатать; PM здесь много времени тратит на работу с заказчиком (interview, demo, согласование scope), а не только на работу с командой.

Стек: классические ML-инструменты (CatBoost, XGBoost) для скоринговых задач, LLM (открытые и проприетарные, проксированные международные) для копилотов и RAG, CV-стеки (OpenCV, PyTorch, Yolo-варианты) для industrial AI, ClickHouse/Greenplum для аналитики, кастомные интеграции под IT-ландшафт клиента.

Актуальные вакансии — на hh.ru и сайте IBS.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. На client-facing позициях часть этапа — это симуляция беседы с заказчиком.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в enterprise или IT-консалтинге. Большой плюс — опыт работы с госкорпорациями, банками, промышленными клиентами. Готовь питч на 90 секунд: какие AI-фичи запускал, какие клиенты, какие отрасли.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: ML-метрики для классификации и скоринга, специфика enterprise-проектов (как делать MVP в крупной корпорации), constraints on-premise развёртывания (нельзя облако, только private cloud или железо у клиента). На LLM-блоке спросят про hallucinations в enterprise-копилоте и compliance/security клиентских данных.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй RAG-систему для enterprise-клиента». Жди вопросов про аудиторию (юристы крупного банка, инженеры завода, бухгалтерия госкорпорации), JTBD (быстро найти ответ в массе документов; снизить долю ручного поиска), UX (как встраивается в существующий workflow клиента), риски (data leakage, hallucinations в money-context, неактуальная информация в RAG), метрики (precision/recall по retrieval, NPS пользователей, время на поиск), MVP (с какого департамента начинаем, как доказываем ROI). Сильные кандидаты сразу понимают, что в enterprise главное — не accuracy модели, а adoption и change management.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в enterprise-bespoke: маленькая аудитория (5-50 пользователей в пилоте), нельзя нормальное A/B. Спросят, как доказать ROI до раскатки, как использовать pre/post-сравнение, как мерить долгосрочный эффект change management. Готовь evaluation для RAG: gold set с ответами экспертов клиента, online NPS пользователей.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR + client-facing симуляция. Расскажи про конфликт с заказчиком, факап в проекте, спор о scope. В консалтинге половина работы — отношения с клиентом; проверяют, как ты ведёшь сложный разговор, выдерживаешь pressure CIO/CFO/CEO заказчика.

Особенности по командам

Banking AI. Scoring клиентов, anti-fraud, AML, NLP для документов в банках. Тесно работает с риск-офицерами и compliance заказчика. Подойдёт PM из банкинга или fintech.

Government AI. Классификация документов, NLP для обращений граждан, RAG для нормативки. Тесно работает с госорганами, специфические требования по гостайне и хранению данных. Подойдёт PM с опытом в gov-tech.

Industrial AI. CV для производства (контроль качества, безопасность на объектах, OCR паспортных данных деталей), predictive maintenance. Подойдёт PM с интересом к промышленности и hardware/IoT background.

Document AI. OCR + NLP для документооборота: извлечение полей из счетов, договоров, актов; авто-классификация документов. Подойдёт PM с экспертизой в RPA / process automation.

RAG / LLM-копилоты. Самая горячая команда: внедрение LLM в enterprise-процессы (саппорт, юристы, hr, продажи). Подойдёт PM с любовью к LLM и опытом enterprise-внедрений.

Что IBS ценит в AI PM

AI понимание. Слабый: «возьмём LLM». Сильный: «для on-premise — open-source модель fine-tuned на клиентских данных; для облака — proxy в коммерческие; RAG с поэтапной индексацией нормативки».

Enterprise / consulting context. Знание life cycle проектов: discovery → POC → pilot → масштабирование. Слабый: «сделаем MVP». Сильный: «делаем 2-недельное discovery, 6-недельный POC на 1 департаменте, 3-месячный pilot, затем масштабирование».

Bespoke AI. Понимание, что в каждом проекте — кастомные данные, кастомные интеграции, кастомные требования. Слабый: «применим стандарт». Сильный: «учитываем legacy-системы клиента (ABBYY, 1C, SAP), интеграция через REST и MQ».

Business metrics. Не «accuracy», а «ROI клиента 3x за год, сокращение FTE на 8 человек в подразделении, время процесса с 4 часов до 20 минут». Связывай AI с операционкой клиента.

Client-facing skills. Умение вести беседу с C-level, презентовать в советах директоров, аргументировать инвестиции в AI перед скептиком-CFO. Проверяется на client-симуляции.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + enterprise primer. Метрики, базовые алгоритмы, enterprise life cycle проектов. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура, on-premise vs cloud, fine-tuning vs RAG. 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. Enterprise RAG, индексация документов, права доступа. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. On-premise GPU vs cloud-API, TCO для разных моделей нагрузки. AI cost и latency.
5. Неделя 5 — Mocks + behavioral + client-симуляция. Готовь сценарий «продаёшь AI-фичу скептику-CFO».
6. Неделя 6 — Polish. Перечитай enterprise-кейсы IBS, погугли свежие проекты.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI-бот для саппорта». Сильно: «у клиента 12k обращений в месяц, 70% — типовые „как настроить“; LLM с RAG в их docs закроет 50%, экономия 6 FTE, ROI 8 млн в год».

Игнор security / hallucinations. В enterprise halluc = бот выдал клиенту неправильное юр-условие. Слабый: «модерируем». Сильный: «на on-premise делаем strict RAG с обязательной цитатой источника; пользователь видит, откуда ответ».

Без enterprise / consulting. Кандидат не понимает life cycle проектов — это видно. Изучи: discovery, POC, pilot, scale; роли CIO/CDO/CTO в заказе AI.

Без bespoke AI. Слабый: «применим стандарт». Сильный: «каждый клиент — кастом, фокус на интеграцию и change management».

Слабые client-facing skills. Самый частый отвал на client-симуляции. Тренируй: вопрос-ответ с CFO про ROI, как защитить scope от scope-creep.

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 IBS для AI PM?

Гибрид и удалёнка распространены. Часть встреч у клиента (особенно gov) требует очного присутствия.

Зарплатные вилки 2026?

Middle AI PM: 340-490k. Senior: 490-700k. В IT-консалтинге сильно зависит от проекта и грейда.

Английский нужен?

Базовый — желательно. Большинство клиентов — российские.

Сколько этапов?

4-5 этапов, 2-3 недели. Дополнительно — client-симуляция на финале.

Это официальная информация?

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