ИИ в управлении персоналом: как сделать базу знаний рабочим инструментом команды

Классический чат-бот работает по заранее заданным сценариям. Этого хватает, пока вопрос совпадает с логикой скрипта.

В реальной работе запросы выглядят иначе: короткие формулировки, смешанные темы, неточные формулировки. В таких случаях сценарий быстро перестает работать.

Даже более продвинутые чат-системы (например, ChatGPT, GigaChat, DeepSeek) не решают задачу полностью. Они удобны для старта, но каждый раз требуют заново задавать контекст. Диалоги не связаны между собой, а знания не накапливаются на уровне команды.

Это особенно заметно там, где раньше тратилось время на поиск информации: внутренние процедуры, адаптация сотрудников, типовые вопросы и обучение — задачи, которые лучше решаются через такую модель.

У языковых моделей есть особенность: если они не знают точного ответа, они все равно пытаются его сформировать. В результате появляются вымышленные ссылки и неточные трактовки. В корпоративных задачах это приводит к неточностям.

Архитектура поиска с генерацией ответа — RAG — решает эту проблему. Сначала система ищет информацию в базе документов, затем формирует ответ на ее основе.

Для пользователя это выглядит просто
➔ сотрудник задает вопрос в привычной форме
➔ система находит нужные фрагменты
➔ формирует ответ на их основе
➔ при необходимости показывает источник

Такой подход используется, например, в Алисе Про от Яндекса (ранее – НейроЭксперт): туда загружаются документы, и система отвечает на их основе.

Более сложный уровень – корпоративные решения. На платформе Just Knowledge Hub был реализован ассистент для Росконгресса: он обрабатывает типовые обращения и передает сложные вопросы операторам.

Не все системы работают одинаково. Разница — в том, как именно ассистент ищет данные и формирует ответ.

Прежде чем собирать полноценную корпоративную систему, имеет смысл начать с более простого решения – проектных пространств. По сути это чат с памятью, контекстом и подключенными источниками знаний.

В обычном чате каждый диалог начинается заново. В проектном пространстве контекст задается один раз – через документы, ссылки и системные инструкции. Например, можно заранее зафиксировать формат ответа и правила работы с источниками, и дальше система будет им следовать.

Преимущества проектных пространств
➔ Не нужно каждый раз заново объяснять задачу
➔ Ответы становятся более стабильными
➔ Появляется единая логика работы для команды
➔ Знания накапливаются, а не теряются в чатах

Для задач без чувствительных данных это уже рабочий сценарий. Такой формат поддерживают, например, Perplexity, Qwen Chat и раздел проектов в GigaChat.

В задачах управления персоналом проектные пространства закрывают типовые сценарии: адаптацию сотрудников, обучение, внутренние политики. Команда работает с одними и теми же правилами и источниками. Контекст не распадается на отдельные диалоги.

Дополнительно можно настраивать автоматические задачи. Например, система сама проверяет изменения в нормативных источниках и присылает сводку. Это уже шаг к сценариям, где она не только отвечает, но и действует.

ИИ меняет не только доступ к материалам, но и сам формат обучения.

Например, при создании интерактивного учебника для медицинского ВУЗа сложные материалы по проектному управлению перерабатывались: сокращались до ключевых смыслов, озвучивались и переводились в формат лекций с цифровыми ватарами.

Задача была не просто «упаковать» контент, а сделать его понятным и доступным — чтобы больше людей могли быстрее разобраться в теме и не избегали ее из-за сложности.

Такой подход позволяет быстрее запускать обучение и делать его доступнее — больше сотрудников могут разобраться в материале и не избегают его из-за сложности.

Во многих компаниях знания есть, но они разбросаны: часть в документах, часть в таблицах, часть в переписках. Что-то устарело, что-то хранится у отдельных сотрудников. Формально база знаний существует, но пользоваться ей неудобно.

Подключение ИИ ситуацию не меняет. Он быстрее выявляет те же проблемы: где не хватает данных, где документы противоречат друг другу, где формулировки размыты. При таком устройстве система начинает воспроизводить те же ошибки, только быстрее.

В задачах управления персоналом это видно сразу. Адаптация, обучение, регламенты, требования к ролям — все это должно быть собрано так, чтобы нужную информацию можно было найти и использовать без дополнительных уточнений.

Архитектура поиска с генерацией — не лучший выбор, если задачи слишком творческие и не укладываются в рамки базы, если данных для наполнения почти нет, если знания обновляются быстрее, чем система успевает их подхватывать. В таких случаях лучше работают дообученные модели на конкретных примерах или более гибкие агентские сценарии.

Выбор архитектуры — управленческое решение. Оно зависит от задач, чувствительности данных, количества пользователей и готовности компании вложиться в подготовку базы знаний.

Команды приходят к сложным решениям постепенно — через несколько уровней, каждый из которых решает свои задачи.

Подход с базой знаний и ассистентом меняет логику работы с информацией внутри компании.

Знания из разрозненных документов превращаются в рабочую среду: с ними можно быстро работать, находить нужное и использовать в задачах.

Но такие решения не появляются сами по себе.
Чтобы они заработали, команде нужно понимать, как устроены ИИ-инструменты, как работать с данными и как выстраивать сценарии использования.

И здесь важно не столько внедрить отдельный инструмент, сколько разобраться, как эти решения работают и как применять их в реальных задачах управления персоналом.

Проводим программы для руководителей, топ-менеджмента, профильных подразделений и всех сотрудников — от экспресс-интенсивов до модульных школ работы с нейросетями.

В 2026 году стартовал новый сезон встреч в рамках сериала «Лидерство, управление, цифра». Вместе с экспертами обсуждаем практические решения для лидеров: как управлять командами, внедрять технологии и строить бизнес в условиях перемен. Следите за обновлениями.