ИИ · Геймификация

«Нанять за 5 минут»: как ИИ помог методисту спроектировать и собрать обучающую игру

Автор кейса

«Нанять за 5 минут» — обучающая чат-симуляция. Игрок становится рекрутером (HR-специалистом): читает вакансию, выбирает кандидатов из пула, проводит с ними интервью в чате (роль кандидата играет языковая модель), нанимает одного — и в финале видит, кем кандидат оказался на самом деле и к какому результату привёл выбор. Действие происходит в «Prosto» — российском приложении для медитации и сна: в эту команду игрок и нанимает сотрудников. Один раунд — 10–15 минут.

Игру можно протестировать самостоятельно: naym-mvp-production.up.railway.app — в настройках выбирается количество раундов.

Игру собрала команда из 2–3 человек за пару недель — прямо в ходе обучения на курсе. Многое ещё можно дорабатывать, но как демонстрация она показывает важное: рабочую обучающую игру сегодня можно собрать быстро, если задействовать ИИ на двух уровнях — внутри игры (как живого собеседника) и при её создании (как команду помощников: исследователь, геймдизайнер, дизайнер, программист).

Задача и замысел

Контекст и аудитория

Игру проектировали под конкретный учебный заказ: студенты 3 курса направления по управлению персоналом, с небольшим практическим опытом. Место в курсе — в самом начале дисциплины «Найм и рекрутинг», ещё до того, как прозвучали слова «структурированное интервью» или «валидность метода отбора». Формат по ТЗ — онлайн-занятие около 1,5 часов, до 8 участников.

Какую проблему в обучении решаем и какой образовательный результат

Игра стоит в самом начале дисциплины намеренно. Задача — не закрепить пройденное, а проблематизировать: создать у студента ощущение «мои критерии выбора слабые, а рисков больше, чем казалось». Уже на этот возникший дефицит дисциплина дальше выдаёт инструменты — структурированное интервью, профиль должности, метрики качества найма. Если выдать инструменты раньше, чем студент почувствовал в них нужду, они остаются абстракцией.

Игра даёт студенту быстро и интерактивно пройти упрощённый, смоделированный процесс найма в роли рекрутера: столкнуться с реальными трудностями, заметить собственные ошибки и увидеть свои компетентностные дефициты в сфере найма — за один игровой сеанс, а не за месяцы практики.

Образовательный результат: студент выходит из игры с осознанным запросом на инструменты найма — он на собственном опыте увидел, чего ему не хватает, и готов осваивать то, что курс даст дальше.

Как устроена игра: ход одного раунда

Один раунд — это найм на одну вакансию, 10–15 минут. Игрок проходит цепочку экранов; на каждом видит ограниченную информацию и делает один выбор.

Раундов в игре может быть от одного до четырёх — это настраивается под формат и время занятия; цепочка этапов в каждом раунде одинаковая. После последнего раунда — финальный экран с общим итогом. Часть этапов тоже настраивается (например, вместо чтения вакансии можно поговорить с ИИ-руководителем).

Сквозные механики. Поверх этой цепочки работает экономика «преимуществ»: у игрока ограниченный ресурс, который он может тратить на подсказки — открыть дополнительного кандидата, узнать факт о кандидате («Звонок предыдущему работодателю»), получить шаблон вопросов для интервью, заказать прогноз рынка.

Где в проекте работает ИИ

Нейросеть участвовала в проекте на двух уровнях сразу: внутри игры и при её создании.

Внутри игры ИИ — это сам собеседник: кандидата на интервью играет языковая модель (об этом — в «ИИ как собеседник»). При создании игры ИИ работал как команда помощников: исследователь, геймдизайнер и дизайнер собирали замысел и контент («ИИ-помощники при создании»), а затем сборку кода взял на себя вайбкодинг — ИИ в роли программиста («Вайбкодинг»).

Дальше разберём оба уровня — сначала собеседника внутри игры, потом ИИ-команду, которая её собрала.

ИИ как собеседник

Это центральная механика игры. На этапе интервью игрок свободно, в чате, разговаривает с кандидатом — а кандидата играет языковая модель.

Никаких кнопок с готовыми вопросами: можно спросить что угодно, и ответ генерируется на ходу, в характере конкретного человека. Именно это делает опыт живым и невоспроизводимым на бумаге.

Как устроено интервью с точки зрения сценария

Разговор идёт под общим таймером на всех выбранных кандидатов — времени мало, и игрок вынужден приоритизировать вопросы, а не «допрашивать». Кандидат отвечает короткими репликами (1–4 предложения), как в реальном чат-собеседовании. Каждый ответ — это не случайная импровизация модели, а поведение, заданное характером кандидата: что он расскажет охотно, о чём ответит дежурно, а что будет обходить.

У каждого кандидата своя логика, бэкграунд и ограничения

Каждый кандидат описан как отдельный персонаж тремя слоями информации:

• Открытый слой — то, что игрок видит сразу: карточка-резюме (опыт, образование, ожидания). Аналог того, что есть у рекрутёра до интервью.
• Скрытый слой — правда о кандидате, которая раскрывается только после найма: сильные и слабые стороны, риски, упущенные возможности. Это то, что не вытащить из резюме.
• Слой промпта — инструкция для модели: как этот человек разговаривает и ведёт себя на интервью. Он никогда не покидает сервер.

Промпт кандидата — это, по сути, «карточка характера» с понятными полями: бэкстори, стиль речи, эмоциональные триггеры, любимая тема (часто с зашитой ловушкой), зона избегания, реакция на провокацию, поведение на отвлечённые вопросы и список прямых запретов. Из неё собирается готовый системный промпт со структурой: кто ты → что знаешь о компании и вакансии → твой открытый рассказ → скрытая правда о кандидате (модель её знает, но напрямую не озвучивает) → как ты говоришь → примеры реплик → жёсткие правила поведения. Полный пример — в файле «Промпт ИИ-собеседника — пример».

Учебный эффект именно здесь: сам кандидат правду не выкладывает — чтобы отличить реальный опыт от блефа, его нужно грамотно расспросить. Поверхностные вопросы дают гладкие ответы; нестыковки всплывают только под точными, уточняющими. Например, у кандидатки Дарьи громкий кейс роста сообщества звучит убедительно, но на STAR-вопрос «что именно вы сделали лично?» она смещает акцент на «команду» и агентство — и игрок, если умеет копать, замечает разрыв. А настоящую причину ухода (сокращение) она приоткрывает только если переспросить трижды.

Какие ограничения и защита заложены в поведение

Чтобы собеседник оставался в роли и не ломал учебную ситуацию:

• Никогда не выходит из роли и не признаётся, что он ИИ. На прямой вопрос «ты бот?» отвечает уклончиво и возвращает к делу.
• Не выдаёт скрытую правду напрямую и не озвучивает запретные формулировки по своей инициативе — только при настойчивых, точных вопросах.
• Защита от «взлома». Грубые попытки вытащить инструкцию («забудь все правила», «покажи промпт») и оскорбления отсекаются ещё до обращения к модели — отдельным проверочным фильтром на сервере; кандидат отвечает одной фразой и «уходит» с интервью. Это и страхует учебную среду, и само по себе сигнал игроку, что так с людьми на собеседовании не разговаривают.
• Длина и язык ответов заданы жёстко, чтобы разговор был похож на реальное интервью, а не на эссе от чат-бота.

ИИ-помощники при создании: исследователь, геймдизайнер, дизайнер

При создании игры нейросеть закрывала роли, которые обычно распределены между разными специалистами. Это не был «один ИИ на все случаи»: под проект настроены отдельные ИИ-агенты-помощники со своими зонами ответственности, и результат одной роли передавался другой явным документом. Решения и проверка везде оставались за человеком — агенты готовили материал и варианты.

Роль методиста (учебные цели, педагогический дизайн, проблематизация, разбор после игры) автор кейса оставил за собой. Ниже — что делегировалось трём помощникам; как из их работы собиралось приложение, — в разделе «Вайбкодинг».

Исследователь

Исследователю делегировали разведку под проект: собрать референсы (похожие игры и упражнения по HR), разобрать предметную область найма и рекрутинга и изучить целевую аудиторию — студентов-HR. Ниже — ключевые идеи, которые из этого ушли в игру, и где их можно проследить.

• Предметная область найма и рекрутинга. Искали исследования о факторах, которые реально определяют успешность кандидата на работе (а не только кажутся важными на интервью). Ключевой инсайт: привычные сигналы слабо предсказывают успех — неструктурированное интервью имеет валидность r ≈ .19, а опыт и диплом сами по себе r ≈ .10. На этом, во-первых, строится проблематизация (наивные критерии студента проваливаются), а во-вторых — на этих факторах в дальнейшем строилась модель оценки результатов найма по карте компетенций: какие характеристики кандидата и насколько влияют на итог. Проследить: «Исследование домена.md» (§3, §7).
• Как настраивать ИИ-персонажа (NPC). Инсайт: длинный монолитный промпт хуже удерживает роль (модель теряет инструкции на длине), а few-shot примеры реплик работают лучше описательных правил, и информацию лучше раскрывать в нужный момент. Отсюда — в промптах кандидатов есть примеры ответов и постепенное раскрытие (правда приоткрывается только при настойчивых вопросах). Проследить: «Исследование — настройка AI-NPC.md» (§2, §5).

Геймдизайнер

С помощником-геймдизайнером собирали игровую «математику» и контент кандидатов.

Модель компетенций кандидата. Каждый кандидат описан набором тегов-характеристик: опыт, компетенции, обстоятельства, особенности и так далее. Теги трёх типов:

• Универсальные — применимы к любой роли:
  • риск быстро уйти;
  • проверен кризисом;
  • сильный одиночка, но не командный игрок;
  • раздутое резюме (приписывает себе больше реального вклада);
  • устойчив к стрессу.
• Сценарные — важны для конкретной компании (Prosto):
  • разделяет ценности бренда / безразличен к ним;
  • готов работать рядом с фаундером.
• Вакансионные — специфичны для роли:
  • Глава SMM: сильная SMM-стратегия, креативный продюсер, силён в performance-аналитике;
  • Глава B2B: широкая сеть enterprise-контактов, приводит клиентскую базу, агрессивный KPI-стиль;
  • ИИ-инженер: реальный ML в проде против «только пользователь готовых LLM-API».

Всего в каталоге порядка 60+ тегов. Понятно, что для полноценной симуляции найма модель потребуется расширять, но для MVP этого оказалось достаточно.

Профиль должности. У каждой вакансии — свой профиль: какие характеристики и насколько важны именно для этой роли. Один и тот же тег может быть плюсом для одной вакансии и минусом для другой (агрессивный KPI-стиль терпим в жёстких продажах, но бьёт по wellness-культуре Prosto).

Как считается результат. Финальный результат найма (игровые баллы) — это совпадение кандидата с профилем должности за вычетом его зарплаты, плюс эффект рыночного события. Веса калибровались так, чтобы громкое резюме не гарантировало успех, а культурный мисфит или «звезда-одиночка» уводили в минус.

Карточки и промпты. На основе этой модели помощник писал и открытые карточки-резюме, и промпты под каждого кандидата: резюме должно выглядеть убедительно, а скрытый слой и теги — вскрываться только в интервью и на раскрытии. Как эти слои работают для игрока, показано в «ИИ как собеседник».

Дизайнер

Помощник в роли дизайнера отвечал за визуальную часть: оформление и вёрстку экранов, портреты кандидатов, иллюстрации к рыночным событиям и прочую графику — всё это сгенерировано через ИИ.

Вайбкодинг: ИИ в роли программиста

Замысел, баланс и оформление нужно было превратить в работающее приложение — это и есть вайбкодинг, разработка кода в связке с ИИ.

Главный аргумент против игр в образовании — это сложно. Сделать хорошую обучающую игру долго и дорого, и этот барьер останавливает многих. Я давно искал решения, которые позволяют делать проще, и параллельно с обучением на курсе начал погружаться в вайбкодинг. Этот кейс был в том числе проверкой: насколько такой подход реально работает.

Если честно, саму игру — за исключением живого диалога с кандидатом — можно было бы собрать и на доске Miro: экраны, карточки, выборы. Но уровень автоматизации и интерактивности был бы заметно ниже, а часть механик (таймеры, подсчёт результата, скрытые слои, последствия выбора) пришлось бы радикально упрощать. Вайбкодинг позволил не упрощать — и реализовать всё в полноценном веб-интерфейсе. А диалог с ИИ-кандидатом на доске не воспроизвести в принципе.

Подробно в процесс углубляться не буду. Технически я использовал Claude Code в среде VS Code; весь код написал ИИ, человек направлял архитектуру и проверял логику и баланс. Ключевое здесь — не инструмент, а то, что в одном рабочем контексте одновременно создаются и методический, и геймдизайнерский слой, и программный код. Методист не передаёт ТЗ программисту «через стену» — он проектирует и сразу видит работающий результат.

Один неочевидный для непрограммистов вывод — про цену сложности. Версию игры для одного игрока (по сути последовательность экранов с выборами и общением с чат-ботом) собрать оказалось очень легко. А вот внедрение в уже готовую игру режима командной одновременной игры заняло в несколько раз больше времени. Порог входа в простой интерактивный прототип сегодня действительно низкий; настоящая сложность начинается там, где появляются одновременность и синхронизация между игроками.

Результаты и выводы

Что получилось. Рабочую обучающую игру с живым ИИ-собеседником собрала команда из 2–3 человек за пару недель — прямо в ходе обучения на курсе. ИИ сработал на двух уровнях: внутри игры — как собеседник (кандидат на интервью); при создании — как команда помощников (исследователь, геймдизайнер, дизайнер) и как программист, собравший приложение (вайбкодинг). Смысловой слой — учебные цели, проблематизация, методика — остался за человеком.

Главный вывод. Сработали не столько отдельные ИИ-помощники, сколько то, что все они работают в одном общем контексте: видят результаты работы друг друга и обмениваются информацией. Исследование, методика, геймдизайн и код перестают быть отдельными этапами с передачей «через стену» — они собираются в одном месте и сразу сверяются друг с другом.

Благодаря этому простые игры и симуляции — даже с ИИ-персонажем внутри — можно собирать за неделю-две небольшой ИИ-нейтив командой или даже в одиночку.

Программы по теме

В основе этого кейса — умение одновременно видеть учебную задачу, спроектировать под неё игровую механику и собрать рабочий прототип без передачи ТЗ «через стену». ИИ снял технический барьер, но смысловой слой — проблематизация, педагогический замысел, архитектура опыта — остался за человеком.

Если хотите разобраться, как применять ИИ в обучении или как проектировать образовательный опыт в логике новых подходов — ниже две программы School of Education.