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:
сначала собираются данные о поведенческом профиле;
потом результаты интерпретируются в контексте конкретной роли;
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.
