ИИ в HR: как связка оценки компетенций и ИИ помогла клиенту усилить развитие команды и перестроить найм

Компания пришла с запросом на разбор динамики продаж, а в итоге пересобрала сразу несколько HR-процессов: развитие руководителя отдела продаж, профиль команды и саму логику подбора. В кейсе показываю, как оценка компетенций, экспертная интерпретация и ИИ помогли бизнесу перейти от гипотез к конкретным кадровым решениям.

Популярное по теме

90 чек-листов по всем направлениям для HR и бизнес-тренеров: подборка от экспертов hrtime.ru

Полезные инструменты по подбору, оценке персонала, обучению, консалтингу, разработке СОТ, корпоративной культуре, коучингу, кадровому учету и карьерному консультированию в одном месте.

Посмотреть подборку

Ко мне обратился собственник компании, которая занимается поставкой оборудования. Первоначально запрос был вполне понятным и прикладным: нужно было разобраться, что происходит с динамикой продаж и где искать причины просадки эффективности.

Мы начали с обсуждения воронки, процессов и управленческого контура, но довольно быстро стало ясно, что дальше бессмысленно смотреть только на цифры. В какой-то момент разговор закономерно вышел на фигуру руководителя отдела продаж — человека, который напрямую влиял на результат.

Именно тогда мы решили перейти от общих гипотез к более точному разбору управленческого профиля.

Что сделали сначала

Чтобы получить не впечатление, а более структурированную картину, клиент решил провести оценку гибких навыков своего РОПа через HR-систему SkillCode. После диагностики я дал сотруднику подробную индивидуальную обратную связь: мы разобрали его сильные стороны, зоны уязвимости и ближайшие шаги развития с учетом текущих задач компании.

После этого тот же профиль и те же выводы мы отдельно обсудили уже с собственником бизнеса. На этом этапе подтвердились многие гипотезы, которые у нас возникли в первой беседе. Но дальше кейс пошел намного интереснее, чем обычная история про оценку сотрудника.

Где в процессе появился ИИ

Оказалось, что собственник активно использует нейросети в своей повседневной работе: тестирует цифровых ассистентов, собирает через них рабочие сценарии продаж, адаптирует инструменты под особенности рынка. После получения результатов оценки он решил загрузить профиль руководителя в нейросеть и посмотреть, какую интерпретацию она даст.

По его словам, описание, которое собрала нейросеть, во многом совпало с моей экспертной логикой.

Для меня здесь важно одно: ИИ действительно можно использовать как дополнительный слой расшифровки результатов оценки компетенций. Но только в том случае, если его выводы проходят проверку. Потому что нейросеть может очень быстро собрать правдоподобное описание, но при этом не всегда точно понимает содержание конкретной компетенции и то, как она проявляется в рабочем поведении.

То есть в этой истории ИИ не заменял эксперта, а ускорял работу с уже полученными данными.

Как результаты оценки превратились в план развития

После этого собственник вместе со своим РОПом пошел дальше и построил дорожную карту развития. Это были не общие рекомендации в духе «развивать лидерство» или «усиливать коммуникацию», а конкретные еженедельные практики, которые можно встроить в рабочий ритм и проверить на результате.

Для меня это один из самых показательных моментов кейса. Потому что сама по себе оценка редко меняет ситуацию. Ситуацию меняет только то, что компания делает на основании полученного профиля.

В данном случае удалось перейти от диагностики к реальной управленческой работе.

Почему клиент решил оценить не только РОПа

Следующим шагом собственник решил пройти ту же процедуру сам, а затем провести через нее весь отдел продаж.

Это позволило увидеть уже не только отдельные профили, но и картину команды: как сотрудники усиливают друг друга, где в рабочих связках есть слабые места, кто лучше сочетается в парной работе, а где, наоборот, возникает лишнее напряжение.

Нейросеть и здесь использовалась как вспомогательный аналитический инструмент. Она помогла быстрее собрать гипотезы о том, как можно выстраивать переговоры в парах и где есть потенциал для усиления командной работы.

Это не означало, что ее выводы принимались автоматически. Но как способ быстрее расширить поле анализа она оказалась полезной.

Что изменилось на уровне руководителей

Дальше мы собрали карту возможностей и угроз уже на уровне управленческой команды. Смотрели на сочетания профилей и обсуждали, с какими рисками компания может столкнуться, если ключевые роли занимают люди с определенными комбинациями надпрофессиональных компетенций.

Нейросеть предложила свое видение управленческих рисков. И хотя не все такие гипотезы можно принимать без проверки, в этом кейсе ИИ снова оказался полезен именно как инструмент быстрого первого слоя анализа.

Как кейс вышел на тему найма

Позже в одной из встреч мы подняли вопрос о том, как усилить качество подбора, если у компании уже есть инструменты диагностики и ИИ как дополнительный способ работы с профилями сотрудников, команды и кандидатов.

Сначала я разобрал действующую воронку найма. Вместе с собственником мы пришли к выводу, что диагностику компетенций логично использовать на финальном этапе — для тех кандидатов, которые уже подходят по ключевым требованиям роли.

Но прежде требовалось проверить сам процесс интервью.

Я предложил смоделировать короткий разговор, как если бы передо мной был потенциальный руководитель. Буквально за несколько минут удалось увидеть слабые места текущего сценария: где вопросы были слишком общими, где они не помогали проверять реальные модели поведения, а где интервью собирало скорее впечатление, чем полезные данные.

Через неделю собственник вернулся уже с переработанной воронкой найма: появились более четкие этапы, структурированные сценарии диалогов и понятная логика выхода кандидатов на итоговую оценку компетенций.

Что этот кейс дал бизнесу

Если смотреть на результат, то одно решение — точнее разобраться в профиле действующего руководителя отдела продаж — дало бизнесу сразу несколько эффектов.

Во-первых, компания получила более глубокое понимание сильных и слабых сторон РОПа.
Во-вторых, появился реалистичный план его развития.
В-третьих, стала видна структура команды и проблемные рабочие связки.
В-четвертых, удалось пересобрать подход к найму.

Именно это делает кейс интересным с точки зрения HR-практики. Мы не занимались оценкой ради оценки. Мы использовали диагностику как точку входа в реальные кадровые решения.

Мой вывод

Для меня главный вывод из этой истории очень простой.

ИИ в работе с персоналом полезен не там, где он пытается «сам все понять» про человека, а там, где он помогает быстрее и точнее работать с уже качественными данными. Если у компании есть валидная диагностика, управленческий контекст и профессиональная интерпретация, нейросеть может серьезно усилить работу с развитием сотрудников, командной аналитикой и качеством найма.

Но если этой базы нет, ИИ не усиливает решение — он просто быстрее упаковывает ошибку.

Именно поэтому в HR-технологиях для меня по-настоящему сильна не сама автоматизация, а правильная последовательность: качественная оценка, осмысленная интерпретация, управленческий вывод и только потом — технологическое ускорение.