Задача: снизить потери на этапе адаптации новых специалистов, разгрузить HR и кураторов. Результат: усилить управляемость участка бизнес процесса, который раньше не считался и обходился в 950 тысяч до 1,55 млн рублей.

Компании научились считать стоимость найма. Но стоимость человека, который уже вышел на работу и не дошёл до продуктивности считаю пока что не все. Не потому что не умеют, а потому что этот участок не для всех выглядит как проблема. Он выглядит как процесс.

В этом кейсе я начал не с архитектуры, а с расчёта. Передо мной стояла задача спроектировать корпоративный портал с интеграцией AI для HR (спойлер — в итоге портал стал инструментом ещё и для отдела продаж), и первое, что я сделал — посчитал, где именно сгорают деньги. Проектировать под реальную боль и проектировать под красивую идею — это разные задачи.

Я взял один поток адаптации среди таких ролей по которым была наибольшая текучка (в среднем 30 человек на входе). Половина уходит в середине обучения. Часть не проходит аттестацию. Часть уходит в первые недели после аттестации. Воронка, которую многие давно приняли как данность. Но когда считаешь зарплатные потери, время кураторов и нагрузку на HR — получается от 950 тысяч до 1,55 млн рублей на поток, и это только на тех, кто в итоге не дошёл до стабильной работы.

Не катастрофа. Просто цена участка, которым никто не управляет. Им не управляют, потому что нет системы. Новичок застрял — идёт к куратору. Куратор объясняет в пятый раз одно и то же. HR получает один и тот же вопрос от разных людей в разное время. База знаний есть, но искать в ней неудобно, и проще спросить живого человека. В итоге самые дорогие люди в процессе тратят время на задачи, которые давно должны были решаться иначе.

Я проектировал портал именно под эту механику. Ключевое решение было не техническим, а логическим. AI должен давать ответы в контексте конкретной роли и этапа адаптации — не просто отвечать на вопросы, а помогать разобраться с ситуацией, которая стоит перед человеком прямо сейчас.

Архитектуру, логику взаимодействия и промты я строил исходя из реальных сценариев использования, а не из того, что хорошо выглядит на демо.

По сути это не один “чат с AI”, а связка решений с разными уровнями знаний и контекста. Под ключевые продукты и направления были настроены отдельные модели с доступом к документации, кейсам использования и практикам работы, а на уровне выше — логика, которая помогала это всё компоновать под конкретную роль, этап адаптации и задачу сотрудника.

Если упрощать, это не просто поиск ответа, а попытка собрать решение под ситуацию — с учётом того, кто задаёт вопрос и в каком контексте он работает. По архитектуре это ближе к модульным системам с распределённой логикой (в том числе с элементами RAG), чем к классическому “чату с базой знаний”.

Пользователь не задаёт абстрактный вопрос — он работает с конкретной ситуацией, а система помогает разобрать её с учётом роли, этапа адаптации и того, какие решения и связки сейчас применимы.

Уже на этапе пилота мы получили следующий позитив: • Повторяющиеся обращения к кураторам и HR начали уходить: часть типовых вопросов, которые раньше стабильно возникали десятки раз на одном потоке, перестала доходить до людей. Трудозатраты на поток снизились с ~1 300 до ~130 часов, вовлечение опытных сотрудников — на 90%; • Сократилось время разбора типовых рабочих ситуаций — ответы стали доступны в моменте, без ожидания; • Начала снижаться нагрузка на кураторов именно там, где раньше терялось больше всего ресурса — количество увольнений после аттестации сократилось в четыре раза.

Участок, который раньше не управлялся, начал давать обратную связь.

Это и есть главный сдвиг: не «мы внедрили AI», а «мы получили управляемость там, где её не было». Фокус сместился с оптимизации входа на управление выходом в продуктивность.

А вы считали стоимость раннего оттока в деньгах или пока ограничиваетесь процентами текучки?​​​​​​​​​​​​​​​​