Почему ИИ не исправит хаотичные HR-процессы и что оцифровать
до внедрения

Искусственный интеллект уже стал частью повседневной работы россиян. По данным июньского опроса ВЦИОМ 2026 года, 78% российских интернет-пользователей обращались к нейросетям за последний год, а 58% делают это не реже раза в неделю. В опросе участвовали 3209 человек старше 18 лет; данные взвешены по социально-демографическим параметрам. 

Эти цифры описывают интернет-аудиторию, а не всех сотрудников и не корпоративное внедрение ИИ, но показывают, что технология приходит в компании не только сверху: люди уже пробуют ее в рабочих и личных задачах.

Бизнес тоже движется в эту сторону. ИСИЭЗ НИУ ВШЭ проанализировал данные исследования более 15 тыс. крупных и средних российских организаций, проведенного Росстатом в 2025 году по данным за 2024 год. Среди компаний, которые уже используют ИИ, 51% применяли его в управлении сотрудниками. 

В то же время примерно каждая пятая организация в исследовании называла значимыми барьерами сложность интеграции ИИ в действующие бизнес-процессы, ограничения законодательства, низкое качество и сложность обработки данных.

Для HRD и руководителей цифровой трансформации это важное сочетание сигналов. Давление на внедрение растет, но результат зависит не только от качества модели.

Представим, что компания запускает ИИ-помощника для адаптации новичков. Он должен отвечать на вопросы о структуре компании, льготах, обучении, рабочих сервисах и правилах оформления заявок.

На проверке выясняется, что документы лежат на общем диске, инструкции остались в чатах, часть правил существует только в устной форме, а ответы зависят от подразделения и руководителя. У нескольких документов нет владельца и даты пересмотра. В такой среде помощник может быстро найти информацию, но скорость не делает ответ верным.

Та же проблема возникает в других HR-сценариях:

• если у роли нет согласованного профиля, нельзя проверить, на основании каких критериев ИИ ранжирует кандидатов или предлагает обучение;
• если текучесть, завершение адаптации и результативность определяются по-разному, модель сопоставляет несопоставимые данные;
• если исключения из процесса известны только опытному HR, автоматизированный маршрут будет регулярно требовать ручного обхода;
• если никто не отвечает за исправление ошибки, рекомендация ИИ становится коллективной ответственностью, то есть фактически ничьей.

Российская аналитика связывает этот разрыв с организационной зрелостью. В обзоре ИСИЭЗ НИУ ВШЭ от 28 мая 2026 года отмечается: встраивание ИИ в управленческий контур требует масштаба, данных, инфраструктуры и организационной зрелости. 

Ошибка в данных при этом может исказить уже не один показатель, а цепочку управленческих решений. Это аналитический вывод, а не оценка эффекта конкретного HR-внедрения, но он задает важное правило: качество результата определяется всей системой, в которую включена модель.

У компании могут быть HRM-платформа, электронные таблицы, корпоративный портал, мессенджеры и BI-система. При этом данные по-прежнему переносят вручную, сотрудники повторно вводят одни и те же сведения, а итоговый отчет собирают из нескольких источников.

Формально процесс цифровой. По факту он остается разорванным.

ИИ-интерфейс поверх разрозненной инфраструктуры может сделать работу удобнее, но не устранит дубли данных, конфликтующие правила и разрывы ответственности. Поэтому вопрос «куда встроить ИИ?» лучше задавать после вопроса «какой результат должен давать процесс и где он сейчас ломается?».

В HRBOX можно создавать страницы с инструкциями и регламентами, собирать их в каталог, настраивать видимость по группам и искать опубликованные материалы. ИИ-помощник в чатах ищет по доступным пользователю внутренним источникам, в том числе по базе знаний, новостям, процессам и материалам обучения. 

Его доступ ограничен правами самого пользователя. Если в источниках нет ответа, материал не опубликован или закрыт правами, помощник может не ответить. Поэтому до запуска нужно назначить владельцев документов, убрать противоречия и установить период пересмотра.

Готовность к применению ИИ удобно оценивать не по количеству купленных сервисов, а по состоянию конкретного процесса.

1. Процесс держится на людях

Правила не зафиксированы, результат зависит от опыта конкретного специалиста, а исключения решаются в личных сообщениях. На этом уровне ИИ рано подключать к исполнению процесса. Сначала нужно описать текущий маршрут и договориться, каким он должен быть.

Признак перехода дальше: у процесса появились границы, владелец, участники, результат и список основных исключений.

2. Процесс описан и согласован

Зафиксированы вход, выход, роли, последовательность действий, сроки, правила эскалации и источник достоверной информации. На этом уровне уже видно, какие шаги лишние, где возникают очереди и что действительно стоит автоматизировать.

Признак перехода дальше: два разных участника одинаково объясняют процесс и проходят тестовый сценарий без устных подсказок.

3. Процесс автоматизирован и измерим

Данные собираются в едином формате, повторяемые действия выполняются по правилам, права доступа настроены, а отклонения видны в отчете. Сотрудникам и HR не приходится постоянно обходить систему вручную.

Признак перехода дальше: есть базовая метрика до внедрения, журнал ошибок и понятная стоимость одного цикла процесса по времени или трудозатратам.

4. ИИ помогает в конкретной точке

Модель получает определенный набор данных и выполняет ограниченную задачу: находит ответ, классифицирует обращение, обобщает обратную связь, готовит черновик или подсвечивает нетипичную динамику. Владелец процесса проверяет качество, а решения, влияющие на права и условия работы человека, не передаются модели бесконтрольно.

Признак зрелости: команда может назвать задачу ИИ, источник данных, допустимую ошибку, контрольную выборку, ответственного за проверку и действие после результата.

Попытка перейти с первого уровня сразу на четвертый обычно дает эффектный пилот, который трудно масштабировать и почти невозможно честно оценить.

Маршрут вместо переписки

В модуле процессов HRBOX можно настроить форму заявки и последовательность этапов: сбор информации, согласование, категоризацию и исполнение. Поля можно сделать обязательными, а для категорий назначить разных исполнителей. 

Такая автоматизация полезна до ИИ: она фиксирует входные данные, роли и переходы между этапами. Но конструктор не определит за компанию, нужен ли шаг, кто должен принимать решение и какие исключения допустимы. Сначала проектируется правило, затем оно переносится в систему.

Аудит лучше проводить по одному сценарию, а не по всей HR-функции сразу. Для каждого пункта нужен не ответ «да», а проверяемый артефакт.

Для базы знаний, например, мало собрать документы в одной папке. Нужны владелец каждого раздела, дата актуализации, правило работы с версиями, словарь синонимов и набор реальных вопросов сотрудников. До запуска помощника полезно вручную проверить 30–50 таких вопросов: нашел ли он нужный источник, не перепутал ли регион или роль, сослался ли на актуальную версию, отказался ли отвечать при отсутствии данных.

Для аналитического сценария нужен другой тест. Команда заранее фиксирует определение показателя, период, знаменатель, допустимые пропуски и действие после сигнала. Если модель отметила изменение текучести, это еще не объяснение причины. HR должен проверить изменения в составе подразделения, сезонность, реорганизацию, качество выгрузки и другие события того же периода.

В модуле процессов HRBOX можно настроить форму заявки и последовательность этапов: сбор информации, согласование, категоризацию и исполнение. Поля можно сделать обязательными, а для категорий назначить разных исполнителей. 

Такая автоматизация полезна до ИИ: она фиксирует входные данные, роли и переходы между этапами. Но конструктор не определит за компанию, нужен ли шаг, кто должен принимать решение и какие исключения допустимы. Сначала проектируется правило, затем оно переносится в систему.

Ответы по корпоративной базе знаний

Подходящий сценарий, когда документы актуальны, права доступа настроены, а у каждого раздела есть владелец. Метрики пилота: доля вопросов с найденным подтвержденным источником, доля эскалаций на HR, число исправленных устаревших материалов и оценка полезности ответа сотрудником.

Классификация HR-обращений

ИИ может определить тему обращения и предложить маршрут. До запуска нужны единые категории, правила приоритета и понятный способ передать сложный случай человеку. Метрики: точность категории на контрольной выборке, доля ошибочных маршрутов, время до первого содержательного ответа.

Обобщение открытой обратной связи

Модель способна группировать повторяющиеся темы и готовить краткое резюме большого массива комментариев. При малой группе, чувствительной теме или риске раскрытия личности нужны дополнительные ограничения. Итог проверяет исследователь или HR, а выводы сопоставляются с количественными результатами и контекстом подразделений.

Поддержка обучения и адаптации

ИИ может помогать искать материалы, готовить черновики инструкций или предлагать содержание под выявленный пробел в знаниях. Решение о траектории развития остается у человека, особенно если оно влияет на оценку, продвижение или доступ к возможностям.

Поиск нетипичной динамики

Модель может обратить внимание на резкое изменение показателя, но не должна сама ставить диагноз команде. Сигнал становится полезным, только если владелец знает, что проверить и какое действие допустимо.

HR-данные требуют отдельной проверки цели обработки, состава данных, доступа, хранения и передачи. Кроме того, статья 16 Федерального закона № 152-ФЗ ограничивает принятие решений, которые порождают юридические последствия для человека или затрагивают его права и законные интересы, если решение основано исключительно на автоматизированной обработке персональных данных. Закон предусматривает исключения и требует разъяснить порядок принятия такого решения, его последствия, возможность возражения и защиты прав.

Для HR-практики безопасная рабочая рамка выглядит так:

• ИИ готовит материал или рекомендацию, но не принимает в одиночку решение о найме, оценке, продвижении, условиях работы или прекращении договора;
• сотрудник понимает, какие данные и для какой цели используются;
• результат можно проверить, исправить и оспорить;
• у процесса есть конкретный ответственный человек;
• до запуска сценарий проверяют юристы и специалисты по защите персональных данных с учетом архитектуры решения.

Это не универсальная юридическая консультация: применимость нормы зависит от конкретного сценария, данных и роли автоматизации. Но правило полезно уже на этапе проектирования: чем сильнее результат ИИ влияет на человека, тем выше требования к прозрачности и контролю.

Для первого запуска достаточно одного узкого процесса и цикла из семи шагов.

1.  Выберите повторяемую проблему. Например, долгий поиск ответа в базе знаний, а не абстрактное «внедрение ИИ в HR».

2.  Зафиксируйте исходное значение. Время ответа, долю эскалаций, число исправлений, трудозатраты HR или другую метрику, связанную с проблемой.

3.  Подготовьте процесс и данные. Уберите дубли, назначьте владельцев, опишите исключения, настройте права.

4.  Соберите контрольную выборку. Включите обычные, редкие, конфликтные и чувствительные ситуации.

5.  Определите роль человека. Кто проверяет результат, когда ответ нельзя выдавать автоматически и как сотрудник сообщает об ошибке.

6.  Ограничьте пилот. Одна аудитория, один процесс, фиксированный период и заранее определенный критерий остановки.

7.  Сравните результат с базой. Отделите эффект модели от изменений контента, регламента, обучения и интерфейса, которые шли одновременно.

Если после подготовки выяснилось, что проблему решает единая база знаний, корректный маршрут заявки, адаптационный трек или регулярный опрос, это не провал ИИ-проекта. Компания нашла более простой способ улучшить процесс и одновременно создала основу для следующего этапа.

Начинать стоит с карты «задача — процесс — данные — решение — контроль». Для выбранного процесса ответьте на пять вопросов:

1.  Какой измеримый результат должен измениться?
2.  Кто владеет процессом и отвечает за качество данных?
3.  Где находится единственный достоверный источник?
4.  Как человек проверяет и при необходимости оспаривает результат?
5.  Какое действие последует после ответа или рекомендации ИИ?

Если ответы конкретны, искусственный интеллект можно тестировать как рабочий инструмент. Если нет, первый проект уже определен: описать и автоматизировать сам HR-процесс.

Выберите один процесс и зафиксируйте его маршрут, владельца, источники данных и критерий результата. На демонстрации HRBOX можно обсудить, как перенести этот сценарий в платформу и какие функции подключить на первом этапе.