ИИ в HR: хайп или новая реальность

Директор по персоналу arcsinus Мане Фаворская рассказывает о нюансах делегирования HR-задач нейросетям.

С тех пор как бизнес плотно вошёл в эру «джипитизации», прогнозы быстрой революции в области отдельных процессов и функций стали свершившимся фактом. Современные нейронные сети оставили далеко позади сценарные боты прошлого поколения: в отличие от них, ИИ держит в памяти контекст разговора, дорабатывает ответы, рисует презентации, шаблоны и справки, даёт рекомендации, генерирует идеи, составляет планы обучения и, казалось бы, максимально близок к тому, чтобы заменить собой «живых» сотрудников во множестве позиций и должностей.

В первую очередь разговоры ведутся о модернизации HR-функции: ведь если ИИ так хорош, то почему бы ему не доверить как минимум собеседования с кандидатами, их онбординг, обучение и контроль выгорания? В чём нюансы и как именно новая реальность отличается от хайпа, рассказывает HR-директор компании arcsinus Мане Фаворская.

Несмотря на то что автоматизация различных задач с помощью ИИ так или иначе происходит в течение последних десяти лет, самое заметное количество инструментов, которые сейчас применяются, вошло в арсенал HR только в 2021–2024 годах. Почему так нескоро, ведь аналитики не стеснялись прогнозировать рост эффективности кадровой функции как минимум на 30 %? Это выгодно бизнесу, а значит, джипитизация должна была стать приоритетной задачей.

Во-первых, готовые ИИ-решения работают в облаке, а бизнес хочет, чтобы они были помещены в защищённый контур компании и дообучались не на всех открытых источниках, а на выверенных и подконтрольных данных. Это нужно для безопасности различных типов данных, составляющих коммерческую тайну организации. Кроме того, не утихают дискуссии об уязвимости различных моделей на основе ChatGPT, когда бот разглашает опытному пользователю внутренние инструкции и регламенты.

Во-вторых, компаниям крайне важна релевантность и корректность информации, которую выдаёт корпоративный ИИ: «чистый» GPT грешит псевдоэкспертизой, поддаётся на провокации, не подчиняется ToV, не «знает» контекста компании, её ценностей и корпоративной культуры. Это чревато репутационными рисками, ведь любые фантазии нейросетей в современном мире разлетаются, подобно вирусам, и становятся инфоповодом, нередко дискредитирующим организацию.

К сожалению, собственные разработки (такие как у «Сбера» и подобных) — пока ещё удел больших корпораций, обладающих соответствующими ресурсами, а малый и средний бизнес использует готовые решения, стараясь нивелировать риски.

Это небыстрый процесс, похожий скорее на эволюцию, чем революцию, которая меняла бы соотношение сил. У руля по-прежнему человек, обладающий экспертизой и опытом и перебирающий массу инструментов для улучшения своей функции и результата. Строчка про ИИ в резюме ключевых сотрудников — уже базовое требование к соискателю, а не какая-то «ачивка» для искушённых.

Наиболее эффективно себя проявляет в умелых руках технология RAG (Retrieval Augmented Generation) — это метод, позволяющий «подключать» языковые модели к внешним источникам информации. Что в значительной мере снижает «галлюцинации» ИИ в выдаче ответов, даже если генерация дополнительно расширена внешним поиском с заданными требованиями к языковой модели, хоть и базово обращается к библиотеке данных компании.

Такие модели более безопасны с точки зрения сохранности информации (поскольку вы контролируете подключаемые источники) и способны на 70 % снижать трудозатраты рекрутеров в вопросах подбора и найма персонала, а также на 80 % оптимизировать время коммуникаций с сотрудниками по любым кадровым вопросам.

За счёт чего происходит увеличение эффективности? ИИ способен провести собеседование, и новая реальность выглядит так, что уже есть масса случаев, когда ИИ беседует с другим ИИ. Только использование соискателем GPT-чата в ответах на сложные и каверзные вопросы уже не воспринимается «подглядыванием» или «списыванием», а служит для рекрутера своеобразным сигналом о наличии у человека скилов по быстрому поиску информации.

ИИ помогает в адаптации новых сотрудников, высвобождая время HR-специалистов. Он информирует, даёт ответы на бытовые вопросы, знакомит с должностями и функциями членов команды, помогает сориентироваться и не «дёргать» коллег, снизить стресс на рабочем месте.

ИИ помогает обучать сотрудников. И речь не только о переводе видео в текст, расшифровке важных конференций, брейнштормов, но и теперь уже о составлении индивидуальных программ, планов развития, ответов на запросы сотрудников. Вместо длительных организационных процессов, связанных с опросами, подбором группы интересантов, выбором места и времени лекции, наймом преподавателей или тренеров, чат генерирует из массивов данных выжимку нужных обучающих материалов.

Выстраивание мотивации, систем грейдирования, оптимизации трека сотрудника на какой-то позиции, целеполагания, декомпозирования — все эти задачи успешно решает ИИ, находясь в постоянном диалоге с сотрудником в обход отделов и департаментов, переписок с людьми и опосредованного общения.

Кроме того, огромное количество времени высвобождается за счёт упразднения процедур, связанных с оформлением документации. ИИ расскажет сотруднику о графике работы коллег, сообщит, как оформить командировку или взять больничный.

Для реализации RAG в компании необходимо предварительно прописать все процессы, правила, инструкции и регламенты.

Для начала вам нужно решить для себя, для каких целей вы внедряете RAG. Это может быть создание более точных и актуальных ответов на запросы пользователей, улучшение качества генерации текста на основе внутренней информации. RAG подходит для различных сценариев, таких как «Вопросы — ответы», диалоговые системы, генерация контента, поиск по документам и прочее. Минимально мы говорим о работе с библиотекой знаний компании. Для этого необходимо:

Собрать или подготовить пул документов, которые алгоритм будет использовать для поиска информации. Это могут быть тексты, статьи, базы данных, описанные процессы работы или другие формы структурированной информации. Если у вас есть специфические требования или уникальные данные, вы можете обучить или дообучить модель поиска на вашем корпусе.
Использовать алгоритмы обучения, которые подойдут для вашей задачи: это может быть обучение на пары «Вопрос — ответ» или на коллекциях документов.
Настроить модели генерации: обучите или дообучите генеративную модель с учётом специфики вашей задачи. Это может быть адаптация предобученной модели с дополнительными слоями для улучшения качества вывода. Например, вы можете настроить модель генерации так, чтобы она учитывала контекст извлечённых документов или корректировала ответы в соответствии с требованиями к точности и полноте.
Провести тестирование системы поиска, проверив, насколько эффективно извлекаются релевантные документы.
Регулярно обновлять базу знаний, чтобы информация, извлекаемая системой, оставалась актуальной.
Проводить улучшения и апдейты. Сбор фидбэка от пользователей поможет вам улучшить работу системы. Вы можете адаптировать генеративные модели и поисковые алгоритмы в зависимости от новых требований или улучшений в ваших данных.

Внедрение RAG может значительно улучшить качество работы с текстовыми данными, однако важно тщательно настроить все компоненты системы, чтобы получить максимальную эффективность.

Очевидно, что в настоящее время ни одна стратегия развития бизнеса не обходится без инвестиций в инструменты ИИ. Их будет появляться больше и больше, а конкуренция, мы надеемся, удешевит технологию, сделает доступнее готовые «защищённые» решения в контуре или отточит применение гибридных моделей.

Прямо сейчас оптимальным остаётся применение RAG для всех процессов в HR, не связанных с личными данными, конфиденциальной информацией, составляющей коммерческую тайну компании, или другими ограничениями безопасности. Облачные нейросети, в свою очередь, везде становятся базовым инструментом сотрудника, а навык выбора наилучших нейросетей — скилом, без которого сложно представить резюме соискателя и его привычные рабочие будни.

Этот материал опубликован на The HRD