Средний

5 мин

9.4K

Про ИИ в бизнесе сегодня говорят слишком широко. Чаще всего обсуждают генерацию контента, автоматизацию рутины, ассистентов для продаж и работу с документами. В HR-контуре разговор обычно быстро упирается в два крайних сценария: либо «нейросети скоро заменят рекрутеров и HRBP», либо «все это игрушка, которая красиво врет».

На практике полезнее смотреть не на крайности, а на конкретные связки: где ИИ реально усиливает кадровый процесс, а где без качественных исходных данных и экспертной интерпретации он только быстрее упаковывает ошибку.

Ниже — один кейс, который для меня хорошо показал границу между полезным и декоративным использованием ИИ в работе с персоналом.

Исходная задача: продажи проседают, но смотреть только на воронку уже бессмысленно

Ко мне обратился собственник компании из B2B-сегмента, которая занимается поставкой оборудования. Стартовый запрос был довольно типичным: разобраться в динамике продаж и понять, где искать слабое место.

На первой встрече мы обсуждали воронку, управленческий контур, логику принятия решений внутри отдела продаж. Довольно быстро стало понятно, что дальше смотреть только на цифры уже бессмысленно: проблема может быть не только в рынке, оффере или процессе, но и в управленческом профиле человека, который отвечает за результат.

Так мы вышли на фигуру руководителя отдела продаж.

Шаг 1. Оценили управленческий профиль, а не только результаты

Чтобы не опираться на впечатления и интуитивные гипотезы, мы решили провести оценку гибких навыков руководителя. В кейсе использовали систему SkillCode: по итогам диагностики получили структурированный профиль компетенций и уже на его основе провели подробную обратную связь.

Здесь для меня важен не сам факт использования конкретной системы, а логика:

1. сначала собираются данные о поведенческом профиле;

2. потом результаты интерпретируются в контексте конкретной роли;

3. после этого принимаются решения о развитии, команде или найме.

То есть мы не ставили задачу «понять, хороший это человек или плохой». Мы разбирали, где у него сильные стороны, где зоны уязвимости, какие особенности реально влияют на задачу бизнеса и как это можно перевести в действия.

После этого тот же разбор мы отдельно прошли уже с собственником компании. Часть его гипотез относительно руководителя отдела продаж подтвердилась, но дальше началось самое интересное.

Шаг 2. Подключили ИИ как второй слой интерпретации

Оказалось, что собственник уже активно использует нейросети в своей работе: тестирует ассистентов, собирает через них сценарии продаж, адаптирует инструменты под контур рынка. После получения профиля он решил загрузить результаты оценки в нейросеть и посмотреть, какую интерпретацию она соберет.

На выходе ИИ дал описание управленческого портрета, которое во многом совпало с моей экспертной логикой.

Это важный момент. Не потому, что «нейросеть все поняла про человека». А потому, что она сработала как быстрый дополнительный аналитический слой поверх уже качественно собранных данных.

Но здесь же проявилось и главное ограничение. Нейросеть действительно может быстро собрать правдоподобную расшифровку результатов, но не всегда точно улавливает смысл конкретной компетенции и ее поведенческий контекст. Если не проверять такой вывод, очень легко получить уверенно звучащее, но слабое объяснение.

Для меня это и есть ключевой принцип:
ИИ в HR полезен не как источник финального вердикта, а как ускоритель осмысления уже качественных данных.

Шаг 3. Перевели профиль в дорожную карту развития

На этом работа не остановилась. Вместе с руководителем отдела продаж и собственником мы использовали результаты оценки как основу для дорожной карты развития.

Важно, что речь не шла о формальных рекомендациях вроде «развивать лидерство» или «улучшать коммуникацию». Мы переводили профиль в конкретные еженедельные рабочие практики, которые можно встроить в реальный операционный ритм.

И вот здесь ИИ снова оказался полезен — уже не в интерпретации, а в генерации идей по структуре развивающей работы. Не как автор решения, а как вспомогательный инструмент, который помогает быстрее собрать варианты действий и последовательность шагов.

Шаг 4. Расширили диагностику на весь отдел продаж

После этого собственник решил пройти через оценку сам, а затем провести через нее весь отдел продаж. Это дало уже другой уровень картины.

Когда у тебя есть не один профиль, а профили всей команды, ты начинаешь видеть не только индивидуальные особенности, но и рабочие связки:

• кто кого усиливает;

• где есть слабые сочетания;

• какие пары устойчивее в переговорах;

• где внутри команды возникает лишнее напряжение;

• какие роли держатся на сильной личной компенсации, а не на устойчивой конструкции.

Нейросеть использовалась и здесь: как способ быстро собрать гипотезы о том, как эффективнее выстраивать переговоры в парах и как можно усилить командное взаимодействие.

Важно: не как «ответ из коробки», а как ускоритель анализа.

Шаг 5. Собрали карту рисков на уровне руководителей

Дальше эксперимент пошел еще шире. На основе личных профилей управленческой команды мы собрали карту возможных рисков и точек усиления.

И снова ИИ оказался полезен как второй аналитический слой. Он предложил гипотезы о том, с какими управленческими проблемами бизнес может столкнуться, если ключевые роли занимают люди с определенными сочетаниями надпрофессиональных компетенций.

Разумеется, такие выводы нельзя воспринимать автоматически. Но как способ быстро расширить поле анализа и увидеть дополнительные сценарии риска — это сработало хорошо.

Шаг 6. Вышли на проблему качества найма

На одной из следующих встреч закономерно возник новый вопрос: если у компании уже есть диагностика компетенций и ИИ как дополнительный слой интерпретации, можно ли использовать это, чтобы усилить найм?

Мы начали с разбора текущей воронки подбора. Довольно быстро стало понятно, что диагностику логично ставить ближе к финалу — уже после того, как кандидат прошел предварительный отбор и соответствует базовым требованиям роли.

Но прежде нужно было проверить сам этап интервью.

Я предложил простую практику: смоделировать короткий разговор, как если бы перед нами был потенциальный руководитель. Буквально за несколько минут стало видно, где собеседование работает слабо:

• где вопросы слишком общие;

• где они не позволяют проверить реальные модели поведения;

• где интервью собирает впечатление, а не данные;

• где логика отбора слишком зависит от интуиции.

Через неделю собственник вернулся уже с переработанной воронкой: более четкими этапами, более структурированными сценариями диалогов и понятной логикой выхода кандидатов на итоговую оценку компетенций.

Что в итоге изменилось

Если смотреть на кейс в целом, то изначально задача была довольно узкой: разобраться в профиле действующего руководителя отдела продаж.

Но за счет правильной последовательности действий компания получила намного больше:

• уточнила профиль и управленческие ограничения действующего РОПа;

• построила для него реалистичную траекторию развития;

• увидела сильные и слабые связки внутри команды;

• собрала карту управленческих рисков;

• пересобрала саму логику подбора.

Именно это для меня здесь главное.
Ценность была не в «магии нейросети» и не в «оценке ради оценки».
Ценность была в связке:

диагностика → экспертная интерпретация → ИИ как дополнительный аналитический слой → конкретные кадровые действия.

Что из этого можно вынести как инженерный вывод

Если убрать всю HR-обвязку и посмотреть на кейс как на систему, то логика очень простая.

ИИ дает пользу там, где:

• есть валидные входные данные;

• есть понятная предметная область;

• есть человек, способный проверить и отфильтровать вывод;

• есть задача, в которую результат можно встроить.

ИИ не дает пользы там, где:

• данные слабые или случайные;

• никто не понимает контекст роли;

• результат хочется принять автоматически;

• нет механизма перевода профиля в решение.

Именно поэтому я не верю в сценарий, где нейросеть «сама оценивает людей». Но я вполне вижу рабочий сценарий, где она усиливает работу с уже качественно собранными результатами оценки.

Вывод

В HR нейросеть полезна не там, где она пытается заменить эксперта, а там, где она ускоряет осмысление уже качественных данных.

Если у компании есть хорошая диагностика, понятный контекст роли и готовность переводить результаты в действия, ИИ может реально усилить:

• развитие сотрудников;

• командную аналитику;

• поиск слабых связок;

• качество найма.

Если этой базы нет, ИИ не усиливает процесс. Он просто быстрее делает ошибку убедительной.

Именно поэтому для меня самый здравый сценарий использования ИИ в работе с персоналом — не «автоматическое понимание человека», а быстрая аналитика поверх валидной оценки и экспертной интерпретации.