Автоматизация HR-процессов: какие задачи передать ИИ, а какие оставить человеку

Для автоматизации лучше брать не HR-функцию целиком, а конкретный процесс или его часть. Так проще понять, какие действия можно передать технологии, где нужен контроль человека и по каким критериям потом оценивать результат.

Например, в процессе увольнения можно автоматизировать часть организационных действий, а искусственный интеллект использовать как помощника при подготовке к сложному разговору: разобрать ситуацию и продумать возможные сценарии. Но в самой коммуникации могут появиться эмоции, новые обстоятельства и детали, которых не было в исходных данных. Поэтому финальное решение и разговор с сотрудником остаются за HR или руководителем.

Важно смотреть и на то, как процесс реально выполняется внутри компании. Формальное описание не всегда отражает всю последовательность действий, исключения и ручные операции. Поэтому разбирать процесс лучше вместе с сотрудниками, которые работают с ним каждый день.

Проще всего автоматизировать задачи, где система работает с конкретными материалами – документами, анкетами, записями встреч или базой знаний – а результат можно быстро проверить. В HR таких задач уже довольно много. 

1. Создание и переработка обучающего контента. Искусственный интеллект можно использовать для подготовки курсов, тестов, иллюстраций, видео и переработки существующих корпоративных материалов. В отдельных проектах задачи, которые раньше занимали недели или месяцы, удавалось выполнить за несколько дней.
2. Анализ анкет и обратной связи сотрудников. Модель может просматривать большой массив ответов, выделять оценки по заданным критериям и находить комментарии, на которые стоит обратить внимание HR. В одном из кейсов результаты опросов, которые собирались три недели и раньше анализировались несколько дней, обработали за два часа.
3. Ответы сотрудникам по корпоративной базе знаний. Ассистент может находить информацию о больничных, отпусках, заявлениях, внутренних процедурах и рабочих регламентах. Такой сценарий особенно полезен, когда ответ нужен сразу, а HR или руководитель недоступен.
4. Транскрибация и разбор встреч. Система переводит запись звонка или совещания в текст, выделяет основные тезисы и собирает задачи. Дальше эти данные можно использовать, например, для анализа качества коммуникации.
5. Обработка больших массивов однотипной информации. Опросы, отзывы, документы и другие повторяющиеся материалы можно проверять по заранее заданным критериям, вместо того чтобы просматривать каждый элемент вручную.

Для каждого сценария нужна своя подготовка. Если ассистент отвечает сотрудникам по корпоративным знаниям, ему нужна актуальная и хорошо подготовленная база. Если он анализирует обратную связь – нужны понятные критерии анализа. Если готовит обучающий материал – результат все равно должен проходить проверку.

Если задача связана именно с быстрым доступом сотрудников к регламентам, инструкциям и другим внутренним знаниям, подробнее устройство таких HR-ассистентов разбираем в статье «ИИ в управлении персоналом: как сделать базу знаний рабочим инструментом команды».

Не все HR-задачи стоит доводить до полной автономности. Даже если агент умеет анализировать данные, предлагать варианты действий и работать по корпоративным правилам, у него может не быть всего контекста, который учитывает человек.

Особенно это важно в кадровых решениях, связанных с конкретным сотрудником. Увольнение или решение о повышении сотрудника  могут зависеть не только от формальных данных, но и от обстоятельств, которые не попали в систему, реакции человека и того, как развивается ситуация в моменте.

В таких задачах искусственный интеллект можно использовать как помощника: заранее разобрать ситуацию, предложить возможные сценарии, помочь учесть юридические или психологические нюансы. Но решение остается за HR или руководителем.

Здесь важны три фактора

• Полнота контекста – есть ли у системы вся информация, которая действительно нужна для решения
• Непредсказуемость ситуации – может ли она заметно измениться уже в процессе
• Цена ошибки – насколько серьезными будут последствия неверного действия

Чем выше цена ошибки и чем больше решение зависит от контекста, тем важнее оставить человеку не просто контроль результата, а само финальное решение.

Для первого пилота не обязательно выбирать большой или заметный процесс. Наоборот, проще начать с небольшой задачи, где результат легко проверить, а ошибка не приведет к серьезным последствиям.

Один из самых понятных примеров – транскрибация встреч. Есть исходная запись и понятный результат: текст, основные тезисы, договоренности и задачи. Качество работы системы можно проверить практически сразу.

Но ценность такого пилота не только в самой транскрибации. После первого успешного сценария обычно становится понятнее, куда двигаться дальше. Например, готовые транскрипты можно использовать для анализа качества коммуникации, а простой поиск по корпоративной базе знаний постепенно расширять до более сложных агентских сценариев.

Для первой задачи особенно важны три условия

1. Низкая цена ошибки – неудачный результат можно заметить и исправить
2. Понятный результат – есть с чем сравнить работу системы
3. Доступные исходные данные – есть документы, записи, таблицы или база знаний, на которых можно построить решение

Если отдельные пилоты уже пройдены и стоит задача перейти к более системному внедрению, этот этап подробнее разбираем в статье «Внедрение И И в компании. Что работает на практике».

Сокращение времени – самый заметный эффект автоматизации, но само по себе «стало быстрее» еще мало о чем говорит. Важно понять, насколько эта экономия вообще ценна для компании.

• Сколько времени экономится и как часто возникает эта задача
• Чье время высвобождается – час руководителя и час специалиста имеют разную стоимость
• Цену ошибки – какие потери возможны, если система сработает неправильно
• Стоимость технологии – использование модели, интеграции и инфраструктура
• Сопровождение – кто проверяет ошибки, контролирует работу системы и дорабатывает ее
• Подготовку данных – например, приведение в порядок корпоративной базы знаний

Использование API – программного интерфейса, через который корпоративная система обращается к языковой модели, – тоже входит в расходы на решение.

Поэтому экономика на старте может выглядеть хуже, чем ожидалось: сначала нужно подготовить данные, настроить систему и организовать контроль. Эффект появляется позже, когда автоматизация начинает стабильно снимать ручную нагрузку.

И не всегда выгоднее автоматизировать самую частую операцию. Иногда задача выполняется раз в месяц или квартал, но забирает несколько дней – например, подготовка большого отчета из множества таблиц. В таком случае редкий, но трудоемкий процесс может дать компании больший эффект, чем ежедневная экономия нескольких минут.

У автоматизации есть еще одно последствие, которое не всегда учитывают при выборе процессов. Рутинные задачи часто воспринимаются как первое, от чего нужно избавиться. Но для начинающего специалиста именно такая работа нередко становится частью обучения: на ней он знакомится с процессом, видит типичные ошибки и постепенно начинает понимать, почему работа устроена именно так.

Если полностью передать эту работу ИИ, компании придется по-другому выстраивать развитие новых сотрудников. Недостаточно просто убрать операционную работу – нужно понять, на каких задачах человек теперь будет получать практический опыт и учиться принимать более сложные решения.

Это особенно важно там, где опытный специалист потом должен контролировать работу автоматизированной системы. Чтобы заметить ошибку агента или правильно перестроить процесс, человеку самому нужно хорошо понимать, как этот процесс работает.

Обучение работе с искусственным интеллектом не сводится к знакомству с сервисами и написанию промптов. Чтобы использовать технологию в рабочих задачах, сотруднику нужно уметь поставить задачу, оценить полученный результат и понимать, где заканчивается работа системы и начинается его собственная ответственность.

• Постановка задачи. Понятно сформулировать, что нужно получить и какой контекст для этого необходим
• Критическое мышление. Не воспринимать ответ модели как заведомо правильный
• Проверка результата. Вычитывать ответ и оценивать, действительно ли он соответствует задаче
• Делегирование. Уметь передавать задачу не только человеку, но и цифровому помощнику
• Работа с рисками. Понимать ограничения технологии и знать, что делать, если система ошиблась

Одновременно нужны корпоративные правила: какие данные можно передавать модели, какие нельзя, кто отвечает за результат и что делать в случае ошибки.

Полезно разбирать реальные примеры внутри компании. Когда руководители и сотрудники показывают коллегам задачи, инструменты и результаты, другим проще понять, где технология может быть полезна именно в их работе. Неудачные кейсы тоже стоит обсуждать: что не получилось, почему и что пришлось изменить.

Во время пилота систему обычно проверяют на заранее подготовленных сценариях. После запуска появляются реальные запросы сотрудников и ситуации, которых в тестах никто не предусмотрел.

Хороший пример — ассистент по корпоративной базе знаний. На тестировании ему могут задавать аккуратные вопросы со всеми нужными уточнениями. А реальный сотрудник пишет одно слово: «шаблон». Для него понятно, какой именно шаблон ему нужен, потому что он находится внутри своего рабочего контекста. Ассистент этого контекста не знает, а в компании таких шаблонов может быть множество.

Именно реальные обращения показывают, что нужно доработать

• Каких данных не хватает в базе знаний
• Какие формулировки система понимает неправильно
• Где ей не хватает контекста о подразделении или сотруднике
• Какие сценарии вообще не были предусмотрены на этапе тестирования

Первые реальные обращения стоит разбирать сразу. Если системой активно пользуются, то материал для доработки будет готов быстро. Но одного раннего контроля недостаточно: некоторые ошибки проявятся только со временем, когда появятся нестандартные данные или изменится привычный сценарий работы. Например, система стабильно обрабатывала таблицу, а потом в ней появился дополнительный столбец — и процесс перестал работать так, как ожидалось.

Частота проверки зависит от цены ошибки. Если речь идет о задаче, где неверный результат может привести к серьезным последствиям, проверять работу системы нужно при каждом запуске. В менее критичных процессах можно анализировать накопленные обращения и ошибки через определенные интервалы.

Часть контроля можно встроить в сам процесс: после выполнения задачи агент дополнительно сверяет результат с заданными критериями или источниками. Но такая самопроверка не заменяет контроль со стороны человека.

И отдельно — про персональные данные. Их нельзя просто загружать во внешние ИИ-сервисы в исходном виде. Перед передачей такие данные нужно обезличивать и соблюдать принятые в компании правила работы с конфиденциальной информацией.

Если вашей компании нужно научить команды находить подходящие процессы для автоматизации, работать с нейросетями и проверять решения на собственных бизнес-задачах, в Академии управления WINbd есть корпоративные программы обучения по искусственному интеллекту.

Подробнее о программах Академии управления WINbd