ENG
По данным McKinsey, 89% компаний во всем мире уже используют ИИ, но реальную финансовую отдачу получают лишь 37%, а по-настоящему высокую ценность (более 5% EBIT) — всего 6%. Получается, что инструмент есть почти у всех, а результат — у немногих.
Само по себе появление ИИ в рабочем процессе еще не означает экономии. Она возникает, когда есть четкие цели, а сотрудники понимают, какие именно операции можно ускорить и какую часть работы действительно стоит автоматизировать. Начинать внедрение ИИ надо постепенно — с конкретных задач, которые отнимают больше всего времени, подробно описаны и могут быть частично сделаны ИИ-агентами.
В HR таких сценариев уже немало: поиск и отбор кандидатов, анализ резюме, подготовка вакансий и писем, онбординг, обучение, оценка сотрудников, HR-аналитика и автоматизация рутинных запросов.
В IT_ONE инструменты ИИ в HR подключили из практической необходимости: нужно было ускорить подбор по сложным вакансиям, уменьшить сроки и стоимость обучающих материалов, повысить качество технической подготовки. Сначала определили, какие процессы отнимают больше всего времени, что можно ускорить за счет автоматизации, а где по‑прежнему необходима работа человека. За шесть месяцев совокупный эффект свыше 4 тыс. высвобожденных часов. Параллельно компания привлекла четырёх новых клиентов.
Кейс 1. Курс за две недели вместо трех месяцев
Самый большой резерв для сокращения затрат — в обучении. В 2025 году разработка одной стажировки обходилась компании примерно в 200 тыс. руб. Эксперты сами готовили программы, учебные материалы, тестовые задания и другие артефакты — от черновика до финальной версии.
С ИИ процесс перестроили. Сначала система анализирует требования актуальных вакансий и формирует портрет специалиста, определяя, какие навыки нужны на старте и чему кандидата предстоит доучить. Затем на основе этих требований ИИ готовит примерную программу, а после ее проверки — черновики лонгридов, тестов, гайдов и презентаций. Специалисты убирают лишнее, добавляют недостающее и доводят материалы до рабочего состояния. Так эксперты забрали на себя исключительно экспертную роль валидации, оценки и оттачивания материала, а рутинную работу с «чистым листом» делегировали ИИ. Этот подход внедрили более чем в 20 проектах — в том числе в обучении по C#, Java, Python, DevOps и Data Engineering.
В результате время разработки курса в среднем сократилось с трех месяцев до двух недель, а трудозатраты — с 702 до 15 часов. Доля работы ИИ выросла с нуля до 80%, объем работы эксперта снизился со 100 до 20%. ROI проекта составил 51%.
Кейс 2. Запуск нового отдела
В компании недавно выделился отдельный юнит технической подготовки, который занимается организацией процесса проведения технических интервью и аттестаций. Для эффективной работы новой структуры нужно разработать и описать процессы. Например, формализовать порядок проведения интервью, выплаты бонусов техническим экспертам, а также порядок создания и обновления оценочных матриц.
ИИ стал фасилитатором разработки новых документов. Сотрудники загрузили всю имеющуюся информацию — примерное описание процесса своими словами, текстовые расшифровки аудио- или видеозаписей встреч, на которых обсуждали работу нового отдела. ИИ создал черновик документа, который команда доработала вручную. Кроме того, ИИ предложил возможные метрики оценки, а также версии оценочных матриц, чек-листов и вопросов для интервью под конкретные проекты. Таким образом, новый отдел смог за несколько месяцев описать большую часть своих процессов и сформировать по ним метрики.
Внедрении ИИ сократило время выполнения каждой задачи как минимум в 2–3 раза. В сумме по этому направлению удается экономить около 30 часов и более 20 тыс. руб. в месяц.
Кейс 3. Анализ вакансий для подбора специалистов
Анализ вакансий — одно из самых узких мест в работе над сложными техническими ролями. До внедрения ИИ он занимал несколько часов: рекрутер ставил встречу с техническим экспертом или Delivery‑менеджером, вместе разбирал требования, уточнял детали и даже после этих шагов только эксперты по технологиям могли заниматься оценкой входящих резюме.
После внедрения ИИ процесс заметно ускорился: рекрутер загружает текст вакансии в модель, ведет диалог с уточняющими вопросами, с помощью агента изучает новые технологии, показывает решения тестовых задач и анализ тестовых обезличенных резюме. После этого он уже способен самостоятельно оценивать резюме на входе и формировать первичный шорт‑лист без оценки технического эксперта. Теперь анализ вакансии занимает 30–60 минут вместо 2–4 часов. Также процесс усилился проведенным техническим обучением для рекрутмента. В сумме по этому направлению компания экономит более 100 часов и свыше 150 тыс. руб. в месяц.
Почему за ИИ нужен строгий контроль
У такой автоматизации есть и обратная сторона. Главный риск — сотрудники могут передавать результат ИИ дальше без проверки. В этом случае экономия времени на одном этапе быстро превращается в дополнительную нагрузку на руководителя и ошибки.
Вторая проблема менее очевидна — привычка оценивать работу ИИ так же, как работу человека. Например, если эффективный сотрудник аккуратно сделал начало документа, руководитель обычно предполагает, что и дальше качество останется таким же. С ИИ это не работает. В любой момент он может ошибиться, независимо от того, насколько удачным было начало. В этом смысле он работает как «троянский конь» — ошибка прячется за внешне убедительной формой.
Решение обеих проблем можно свести к ответственности и контролю. Одно из правил внедрения ИИ — разграничить ответственность на берегу, внедрить точки контроля и корректную мотивацию сотрудникам. За любой документ отвечает сотрудник, который его отправляет, даже если значительную часть текста подготовил ИИ. И сам факт использования нейросети не может быть оправданием плохого качества.
