Ви використовуєте ШІ для прискорення роботи відділу кадрів чи делегуєте алгоритму рішення, які він ніколи не повинен приймати самостійно? Саме тут дискусіяпро ШІ в сфері управління персоналом набуває серйозного характеру. У італійських малих та середніх підприємствах проблема полягає не в тому, щоб зрозуміти, чи є штучний інтелект корисним. Він є корисним. Проблема полягає в тому, щоб зрозуміти, де він створює реальну цінність, а де, навпаки, призводить до непрозорості, упередженості та нормативних ризиків.
Як підприємець, я переконався, наскільки привабливо автоматизувати найвиснажливіші етапи роботи. Якщо вам доводиться переглядати сотні резюме, узагальнювати результати внутрішніх опитувань або відповідати на одні й ті самі запитання співробітників щодо відпусток та корпоративних політик, штучний інтелект одразу ж економить ваш час. Але я побачив і іншу сторону медалі. Оцінка сумісності, отримана за допомогою моделі, здається об’єктивною, і саме тому вона може бути небезпечнішою, ніж явно суб’єктивна оцінка людини.
Правильний підхід полягає не в тому, щоб сказати «так» чи «ні» штучному інтелекту. А в тому, щоб знайти золоту середину між автоматизацією та людською відповідальністю. Тим, хто хоче отримати дуже практичний погляд на малі та середні підприємства, я також раджу книгу «AI in HR for SMEs».
Правильне запитання полягає не в тому, чи може ШІ допомогти відділу кадрів. Правильне запитання полягає в тому, чи може він дійсно вибрати вашого наступного талановитого співробітника, не спотворюючи процес.
Конкретно, сьогодні ШІ вже застосовується для відбору резюме, внутрішніх чат-ботів, аналізу опитувань, адаптації нових співробітників та формування документів. Ця технологія особливо корисна, коли операційне навантаження високе, а швидкість має безпосереднє значення. Але в сфері управління персоналом кожен вибір стосується реальних людей, реальних кар’єр та реальних прав. Тому до впровадження цієї технології слід підходити інакше, ніж до залучення «другого пілота» для написання електронних листів чи підбиття підсумків нарад.
Ефективність має значення. Однак у питаннях, що стосуються людей, недостатньо просто діяти швидко.
На італійському ринку це питання є ще більш делікатним. GDPR та європейський Закон про штучний інтелект (AI Act) значно обмежують допустимий рівень помилок у випадках, коли автоматизована система впливає на процес найму, оцінку та управління персоналом. Якщо ви розглядаєте можливістьвикористання штучного інтелекту в сфері управління персоналом, вам слід дотримуватися простого правила: автоматизуйте рутинну роботу, а прийняття рішень залиште за людьми.
Використання штучного інтелекту в сфері управління персоналом — це не фантастика. Це вже повсякденна практика. Сьогодні багато компаній використовують його для полегшення рутинних завдань, прискорення процесів та надання команді HR більше часу на роботу, яка вимагає розуміння контексту та власного судження.
Згідно з даними Yomly щодо впровадження штучного інтелекту в роботу відділів кадрів, 44% компаній уже використовують його для підбору персоналу. Інструменти штучного інтелекту можуть скоротити час на підбір персоналу приблизно на 50% та автоматизувати майже 40% повторюваних завдань.
Найпоширенішим варіантом застосування є попередній відбір кандидатів. Модель великого мови (LLM) аналізує резюме та опис вакансії, порівнює навички, досвід та семантичні ознаки, а потім формує упорядкований короткий список кандидатів.
На практиці це добре працює, коли посада є досить стандартизованою. Я маю на увазі адміністративні посади, службу підтримки клієнтів, внутрішній продаж, розробку програмного забезпечення з визначеним стеком. Якщо ви чітко опишете вимоги, ця модель значно прискорює перший етап.
Це працює не так добре, коли враховуються елементи, які важко виокремити з резюме.
Практична порада: використовуйте штучний інтелект, щоб скоротити список із 500 резюме до більш зручного для опрацювання. Не використовуйте його для самостійного визначення кандидатів, які заслуговують на фінальне співбесіду.
Другий варіант застосування є менш помітним, але часто більш корисним. Команди HR витрачають значну частину часу на повторювані запити. Згідно з аналізом Томмазо Марія Річчі щодо штучного інтелекту в сфері управління персоналом, команди HR присвячують від 40% до 60% свого часу таким запитам, як відпустки, розрахунки заробітної плати та корпоративні політики. HR-чатботи можуть звільнити до 2–3 годин на день для більш стратегічних завдань.
Тут перевага відчувається одразу. Внутрішній чат-бот відповідає на запитання щодо залишку відпусток, документів, процедур, відрядних витрат, правил та адміністративного оформлення нових співробітників. Перевага полягає не лише в економії часу для команди відділу кадрів. Це також якість обслуговування співробітника, який отримує швидку відповідь, замість того щоб чекати на електронний лист.
Штучний інтелект справді вражає саме в аналізі довгих і розрізнених текстів. Внутрішні опитування є цьому чудовим прикладом. Замість того, щоб вручну перечитувати сотні відкритих відповідей, модель виявляє повторювані теми, настрої, нові проблемні моменти та закономірності, які варто дослідити детальніше.
Ось найкорисніші додатки, які, на мій погляд, можуть бути корисними для малих та середніх підприємств:
Опис посади та політика
Штучний інтелект створює перший узгоджений варіант, який потім команда відділу кадрів виправляє з юридичної та культурної точок зору.
Індивідуальна адаптація
Дозволяє адаптувати контент, матеріали та послідовність залежно від посади або відділу.
Картування компетенцій
Допомагає визначити наявні компетенції та прогалини в освіті, особливо коли дані розкидані по резюме, оцінках та зауваженнях керівництва.
Аналіз клімату
Перетворює неструктурований текст на корисні сигнали, що допомагають зрозуміти, де слід вжити заходів.
Також спостерігається все більша відмінність між універсальними та вертикальними моделями. У вертикальному сегменті компанія Wisq розробила HRLM як модель, призначену саме для сфери управління персоналом. Щодо універсальних моделей, то GPT, Claude та Gemini вже використовуються в багатьох компаніях для виконання оперативних завдань у сфері управління персоналом за допомогою ретельно розроблених підказок. Однак різниця полягає не лише в якості результатів. Вона полягає в системі управління.
Найгірший спосіб впровадження штучного інтелекту в кадровій сфері — це мислення в категоріях «все або нічого». Відсутність автоматизації призводить до повільних процесів, накопичення оперативних затримок та прийняття рішень на основі неповної інформації. Повна автоматизація ж веде до протилежної помилки: ставлення до людей та кандидатів як до квитків, які потрібно класифікувати.
Метафора кривої Лаффера добре підходить і в цьому випадку. Спочатку кожна стадія впровадження ШІ підвищує ефективність. Автоматизація внутрішніх FAQ, створення перших чернеток документів, текстовий аналіз, попередній рейтинг резюме. Вартість зростає.
Потім настає певний рубіж. Якщо продовжувати доручати алгоритму дедалі складніші завдання, його цінність починає знижуватися. Не тому, що модель є марною, а тому, що ризик зростає швидше, ніж користь.
Згідно з оглядом Workday щодо штучного інтелекту в сфері управління персоналом, основними причинами його впровадження є покращення процесу прийняття рішень (41 %), автоматизація повторюваних процесів (35 %) та підвищення рівня утримання персоналу й покращення досвіду співробітників (32 %). Ці дані добре пояснюють, чому штучний інтелект так приваблює фахівців з управління персоналом. Але вони не вказують, де слід зупинитися. Саме цей момент часто випадає з обговорень.
Найбільша цінність полягає не в тому, щоб замінити відділ кадрів, а в тому, щоб зробити його більш ефективним і оперативним у виконанні потрібних завдань.
Щоб знайти оптимальний варіант, я використовую просте розмежування між механічними завданнями та завданнями, що вимагають прийняття рішень.
| Вид діяльності | Рекомендований рівень штучного інтелекту | Людський нагляд |
|---|---|---|
| Часті запитання: співробітники, відпустки, політика | Висока | Низький, з періодичним контролем |
| Проекти посадових інструкцій | Висока | Необхідний перегляд кадрової політики |
| Попередній відбір резюме | ЗМІ | Постійний контроль з боку людини |
| Оцінювання фіналістів | Низька | Висока |
| Промо-акції, критичні показники, індивідуальний ризик виходу | Дуже низька | Повноцінне людське рішення |
Якщо у вас мале або середнє підприємство, оптимальний підхід зазвичай не є технічним. Він є організаційним. Ви повинні чітко визначити, в яких випадках ШІ має пропонувати, в яких — давати вказівки, в яких — узагальнювати, а в яких — не приймати рішень.
Три запитання дуже допомагають:
Найнебезпечнішим аспектомштучного інтелекту для сфери управління персоналом є не сама технологія, а її оманлива аура нейтральності. Коли рекрутер оцінює кандидата, всім відомо, що ця оцінка містить певну частку суб’єктивності. Коли ж оцінку виставляє система, багато хто перестає ставити запитання.
У цьому й полягає суть проблеми алгоритмічної упередженості. Якщо навчати або налаштовувати систему на основі історичних даних про найм, система, як правило, відтворює логіку, яка вже була закладена в цих даних. Якщо в історії компанії певні профілі отримували перевагу, а інші — дискримінувалися, алгоритм може робити те саме, але швидше й менш помітно.
Випадок з Amazon став символічним саме через це. Компанія була змушена відмовитися від системи відбору резюме, яка ставила в нерівне становище кандидатів-жінок. Це не якась курйозна виняток. Це передбачуваний наслідок підходу, який використовує минуле як еталон заслуг.
В Італії ситуація аж ніяк не вселяє оптимізму. Згідно з даними, опублікованими організацією ELECTE з цього питання, лише 12 % HR-компаній, що використовують системи штучного інтелекту, провели аудит систематичних упереджень.
Навіть краща модель не вирішить проблему, якщо дані, критерії чи організаційний контекст залишаються спотвореними.
Для тих, хто працює в Європі, це не лише етичне питання. Це питання права. Стаття 22 Загального регламенту про захист даних (GDPR) надає кандидатам право не піддаватися рішенням, що ґрунтуються виключно на автоматизованій обробці даних, якщо такі рішення мають істотний вплив на особу. Рішення у сфері управління персоналом повністю підпадають під цю чутливу сферу.
Крім того, європейський Закон про штучний інтелект (AI Act) відносить підбір персоналу та управління персоналом до сфер застосування з високим рівнем ризику. Це означає набагато суворіші вимоги щодо документації, прозорості, контролю та управління ризиками порівняно із загальним використанням штучного інтелекту для підвищення індивідуальної продуктивності.
Для італійської компанії практичні наслідки очевидні:
Тим, хто серйозно займається цими питаннями, слід також детальніше вивчити питання дотримання компаніями вимог AI Act.
Ринок поділяється на дві дуже різні групи. З одного боку — це універсальні моделі LLM, такі як GPT, Claude та Gemini. З іншого боку з’являються спеціалізовані моделі, розроблені спеціально для сфери управління персоналом, наприклад HRLM від Wisq.
Для малого та середнього підприємства зазвичай достатньо універсальної моделі. Якщо вам потрібно:
Хороша модель LLM із правильно сформульованими промтами може працювати дуже ефективно.
Перевага полягає в практичній стороні. Починайте відразу, витрачайте менше, швидко проводьте тестування. Для невеликих HR-команд або компаній із не надто складними процесами такий підхід часто є найраціональнішим способом розпочати роботу.
Однак є певна межа. Універсальні моделі не створюються з урахуванням логіки управління персоналом, конкретних політик для вашого контексту чи неявних гарантій дотримання вимог лише тому, що вони є потужними.
Якщо ви маєте справу з більшими обсягами, більш делікатними процесами або структурою з великою кількістю рівнів повноважень, вертикальні моделі є доцільними. Не стільки тому, що вони «краще все розуміють», скільки тому, що вони створені для більш вузької сфери застосування.
Зазвичай їх краще використовувати, коли потрібно:
Для малого та середнього підприємства з 50 співробітниками мета полягає не в тому, щоб придбати найсучаснішу систему. А в тому, щоб вибрати систему, якою команда вміє користуватися, контролювати її та виявляти помилки.
Питання полягає не в тому, яка модель є більш досконалою. А в тому, яка модель відповідає вашому операційному ризику. Якщо завдання має низький рівень впливу та великий обсяг, підійде універсальна модель. Якщо процес пов’язаний із прийняттям важливих рішень і вимагає структурованого контролю, варто звернути увагу на вертикальну модель.
Найкращі впровадження починаються не з прогнозного підбору персоналу. Вони починаються з повсякденних труднощів. Саме там штучний інтелект формує внутрішню довіру та показує, чи дійсно команда готова ним керувати.
Перший крок є банальним лише на перший погляд. Потрібно починати з операцій із великим обсягом і низьким рівнем ризику. Якщо почати саме з цього, ви відразу побачите переваги та обмежите свої ризики.
Три слушні приклади:
Такий підхід дає позитивний ефект. Команда відділу кадрів перестає сприймати штучний інтелект як абстрактну загрозу і починає розглядати його як оперативну підтримку.
Другий крок важливіший за перший. Ти повинен чітко прописати, в яких випадках рекомендації надає ШІ, а в яких — рішення приймає людина.
Мінімальне управління в малих та середніх підприємствах має включати:
Межа прийняття рішень
Штучний інтелект може класифікувати, узагальнювати, повідомляти. Менеджер або рекрутер схвалює, відхиляє або вивчає питання детальніше.
Процес перевірки
Кожен результат, що має значний вплив, повинен перевірятися відповідальною особою.
Перевірка на наявність упередженості перед запуском
Якщо система використовується для підбору персоналу або оцінки кандидатів, її необхідно протестувати з використанням репрезентативних наборів даних та задокументованих контрольних заходів.
Внутрішня прозорість
Співробітники та кандидати повинні знати, коли штучний інтелект використовується для підтримки процесу.
МСП, яке обходить перевірки, не прискорює розвиток. Воно лише відкладає ризик на потім.
Третій крок — поступове розширення масштабів. Пілотний проект, що стосується окремого кадрового процесу, дає більше інформації, ніж загальне впровадження. Спочатку слід перевірити завдання, потім — поведінку команди, а потім — нормативну базу.
Тим, хто хоче організувати роботу впорядковано, варто керуватися чітким планом інтеграції штучного інтелекту, а не проводити розрізнені експерименти.
Щоб оцінити ефективність штучного інтелекту в сфері управління персоналом, недостатньо орієнтуватися лише на швидкість. Потрібно зрозуміти, чи покращується якість прийняття рішень без створення ризиків, помилок або непрозорих етапів.
У малих та середніх підприємствах найкорисніший критерій є простим: чи веде ШІ команду HR до правильної точки на кривій Лаффера, чи, навпаки, занадто рано автоматизує завдання, які все ще потребують людського судження? Якщо економія часу зростає, але при цьому збільшується кількість заперечень, перевірок або сумнівів щодо правильності процесу, то виграш є лише уявним.
Конкретним прикладом є аналіз опитувань щодо внутрішньої задоволеності. У багатьох компаніях фахівці з управління персоналом вручну переглядають сотні відкритих відповідей і виокремлюють основні теми, що займає багато часу і супроводжується певною варіативністю в залежності від конкретної людини. За допомогою правильно налаштованої великої мови (LLM) тематичні кластери, повторювані сигнали та аномалії виявляються швидше.
У цьому випадку реальна користь полягає не лише в оперативній площині. Команда перестає витрачати час на підбиття підсумків і може зосередитися на пріоритетах, подальших діях та взаємодії з керівниками.
У цьому випадку корисних показників небагато, але вони конкретні: середній час аналізу, узгодженість підсумків із результатами вибіркової перевірки, проведеної людиною, кількість висновків, що перетворюються на реальні дії. Якщо ШІ генерує швидкі, але занадто загальні підсумки, ви вже вийшли за межі оптимального рівня.
Зворотний випадок є більш делікатним. Чат-бот, який проводить першу співбесіду та присвоює відбірковий бал без участі людини, може здаватися ефективним, але для італійського малого та середнього підприємства це створює серйозну проблему, пов’язану з методологією, а не з технологією.
Ризик є потрійним. Ви можете відхилити гідних кандидатів через нечіткі критерії. Ви можете зіткнутися з труднощами у прозорому обґрунтуванні свого рішення. Ви можете наразитися на критику щодо GDPR, а у випадках із серйозними наслідками — навіть на зобов’язання, які Закон про штучний інтелект (AI Act) робить більш суворими для систем, що використовуються на роботі та при доступі до зайнятості.
Як я помітив у компанії, правильний критерій такий: чи допомагає ШІ приймати кращі рішення, чи лише прискорює прийняття непевного рішення? Аналіз компанії ELECTE саме на це й вказує. Процеси відбору кадрів, що здійснюються виключно за допомогою автоматизації, зазвичай погіршують реальну відповідність між кандидатом і посадою, тоді як остаточна перевірка людиною дозволяє зменшити кількість найдорожчих помилок.
Отже, правильна оцінка означає врахування чотирьох показників: заощадженого часу, якості результату, частки ручних виправлень та ризику невідповідності вимогам. Якщо ви враховуєте лише один із них, зазвичай це означає, що ви неправильно оцінюєте проєкт.
Штучний інтелект у сфері управління персоналом дійсно працює, коли бере на себе рутинну роботу, а найскладніше завдання залишає людині: інтерпретацію контексту, мотивації, потенціалу та наслідків. Це і є оптимальний варіант. Ні «нульовому» штучному інтелекту, ні повній автоматизації.
Для італійського малого та середнього підприємства головне — не гнатися за найяскравішими новинками. Головне — створити систему, яка підвищує ефективність і якість, не суперечачи при цьому GDPR, AI Act та здоровому управлінському глузду. Якщо дотримуватися цієї логіки, штучний інтелект стає корисним мультиплікатором. Якщо ж використовувати його як замінник власного судження, він перетворюється на ризик.
Якщо ви хочете перетворити оперативні дані та організаційні сигнали на більш зрозумілі висновки, ELECTE — платформа для аналізу даних на базі штучного інтелекту, призначена для малих та середніх підприємств — допоможе вам аналізувати складну інформацію, автоматизувати формування звітів та приймати більш обґрунтовані рішення. Щоб зрозуміти, як це працює на практиці, ви можете подивитися, як працює платформа, та оцінити, чи підходить вона для ваших процесів.
.svg)
.svg)
.svg)
.webp)
.webp)
