ИИ в HR и подборе персоналаОтбор без ручного разбора
Голосовой ассистент, который снял 60% времени с обработки заявки, — это наш проект. И кадровые вопросы, на которые сотрудник получает ответ, не отвлекая HR-специалиста.
Частые проблемы
Не «недостаточная цифровизация», а процессы, которые называют на первой же встрече.
- HR отвечает на одни и те же вопросы
- Остаток отпуска, порядок оформления справки, условия ДМС — эти обращения занимают большую часть дня специалиста, у которого есть работа поважнее.
- Резюме читают глазами
- На массовой позиции откликов сотни, и рекрутер просматривает их по диагонали. Подходящий кандидат теряется не потому, что не подошёл, а потому, что до него не дошли.
- Первичный контакт съедает время
- Уточнить готовность к графику, опыт и ожидания по зарплате — это десятки однотипных звонков, половина которых заканчивается ничем.
- Кадровые документы вводят вручную
- Трудовые книжки, дипломы, справки и заявления перепечатываются в систему. На объёме это стабильный источник ошибок, которые всплывают при проверке.
- Причины ухода понимают задним числом
- Данные о том, что человек собирается уйти, обычно есть — в обращениях, опросах, динамике. Но собирают их только на выходном интервью, когда решение уже принято.
Где ИИ окупается
Сценарии, которые в этой отрасли дают измеримый эффект. Каждый ведёт на страницу направления с деталями.
Голосовой ассистент по кадровым вопросам
Принимает обращение голосом, распознаёт запрос, отвечает из HRM-системы и оформляет заявку. Это наш кейс: время на обработку одной заявки снизилось на 60%, система держит около 200 обращений в день.
Голосовые ассистентыТекстовый ассистент по политике компании
Отвечает по вашим положениям, регламентам и коллективному договору со ссылкой на пункт. Не «в общем по трудовому кодексу», а по документу, действующему у вас.
RAG-системыПервичный разбор резюме
Отклики сортируются по соответствию требованиям с объяснением, почему кандидат отнесён именно так. Рекрутер начинает с релевантных, а не с последних поступивших.
Внедрение LLMОбработка кадровых документов
Дипломы, трудовые книжки, справки распознаются и раскладываются по полям с проверкой на противоречия. Мы строили такой конвейер для оценки дипломов сорока стран: обработка ушла с двух-трёх дней до пятнадцати минут, ошибки снизились на 90%.
OCR и обработка документовОформление заявок без участия HR
Справка, отпуск, изменение данных — заявка создаётся из диалога и уходит в HRM по вашему маршруту согласования. Человек подключается там, где нужно решение, а не оформление.
ИИ-автоматизацияРазбор обратной связи и опросов
Тысячи свободных ответов сводятся в темы с указанием, какие подразделения и какие формулировки за этим стоят. Видно системную проблему, а не среднюю оценку по компании.
Внедрение LLMРанний сигнал риска ухода
Модель на обезличенных данных выделяет группы с повышенным риском, чтобы руководитель успел поговорить до заявления. Здесь особенно важно, как это подать людям, — об этом ниже.
ML-модели и аналитикаНаши проектыв отрасли
Цифры — из этих разборов, а не из отраслевых отчётов.
Чем эта отрасль отличается
То, что меняет архитектуру решения и смету, — а не только формулировки в презентации.
Всё, к чему прикасаемся, — персональные данные
Резюме, кадровые документы, обращения. Это 152-ФЗ во всей полноте: основание обработки, срок хранения, обезличивание для обучения. Проектируется с первого дня, а не дописывается перед сдачей.
Автоматический отказ недопустим
Модель ранжирует и объясняет, но не отсеивает кандидатов сама. Дело не только в юридических рисках: непроверяемый автоотказ — это репутационная история, которую невозможно отыграть назад.
Модель наследует перекосы прошлого найма
Если раньше на позицию брали людей определённого профиля, модель уверенно продолжит это делать и назовёт закономерностью. Проверять смещения нужно осознанно — они не видны в общей точности.
Речь в HR-задачах трудная
Обращения приходят с шумом, акцентом, из коридора и с плохой связи. Качество распознавания надо мерить на реальных записях, а не на студийных — расхождение бывает драматическим.
Прогноз ухода — тема доверия, а не технологий
Такая модель легко читается сотрудниками как слежка. Работает она только обезличенно и на уровне групп, а результат должен вести к разговору, а не к пометке в личном деле.
С чего начинаем
Начинаем с потока однотипных обращений — там самый быстрый и измеримый эффект. Смотрим, какие вопросы приходят чаще всего и сколько времени уходит на каждый, за две недели собираем ассистента на вашей базе знаний и меряем долю обращений, закрытых без специалиста. Работа с резюме и кадровыми документами обычно идёт вторым шагом.
Частые вопросы.Короткие ответы.
Нет, и мы не станем делать такое решение. Модель ранжирует отклики и объясняет своё ранжирование, но отказ остаётся за человеком. Автоматический отказ без участия рекрутера — это и юридический риск, и репутационный, а выигрыш по времени он даёт небольшой.
Для обучения данные обезличиваются, а обработка идёт на основании, которое фиксируется в документах: согласие кандидата либо необходимость для заключения договора. Решение можно развернуть в вашем контуре или в облаке РФ — наружу данные не уходят.
Это как раз тот сценарий, ради которого мы просим реальные записи на диагностику, а не чистые образцы. Качество распознавания меряется на них. Там, где ассистент не уверен, он переспрашивает или переводит на специалиста, а не угадывает.
Сочтут, если сделать это скрытно и на уровне конкретных людей. Мы строим такие модели обезличенно, на уровне групп и подразделений, и рекомендуем объявлять о них открыто. Если внутри компании нет готовности к такому разговору, лучше начать с других задач.
Обычно да, через API или обмен файлами. Ограничение возникает, если система не отдаёт нужные данные и не принимает заявки извне. Это проверяется на диагностике за несколько дней, до того как вы возьмёте на себя обязательства по срокам.
Другие отрасли
Начнём с одного участка
Расскажите, какой процесс болит сильнее всего в HR. Вернёмся с планом прототипа на ваших данных, сроком и вилкой — и скажем, если задача решается без ИИ.