Когда компания решает внедрить AI в HR, разговор почти сразу скатывается к технологиям: какую LLM взять, нужен ли RAG, облако или свой контур, какая российская модель лучше. Я обычно останавливаю это обсуждение и задаю один вопрос: а какую работу мы хотим перепроектировать? AI - отличный ускоритель, но плохой архитектор. Если добавить его в процесс с лишними согласованиями, неясными ролями и кривыми данными, компания просто начнет быстрее доезжать до того же узкого места. Это как поставить мощный двигатель на телегу с кривыми колесами: быстрее доедет до канавы. В моей практике был случай: приходит клиент и говорит «давайте внедрим AI в подбор». Начинаем разбираться. Оказывается, рекрутер вручную отправляет письма кандидату после смены этапа. Это не задача для GenAI, это обычный триггер в ATS. Другой пример: данные сотрудника переносятся из одной системы в другую руками. Тут сначала стоит проверить API или интеграцию. Руководителям нужно напоминать о встречах на 7-й, 30-й и 60-й день адаптации? Это просто workflow-автоматизация. А вот если нужно превратить часовое интервью в структурированный отчет, сравнить его с моделью компетенций и выделить аргументы для найма - вот тут уже появляется работа для GenAI. Или если сотрудник должен получать ответы из сотен HR-политик и инструкций - это сценарий для RAG. Если нужно прогнозировать риск текучести по историческим данным - это скорее predictive ML, а не LLM. Поэтому профессиональный вопрос звучит не «куда поставить AI?», а «какой минимально достаточный класс технологии решит эту часть работы?» Иногда ответ - AI, иногда - обычная автоматизация, а иногда оказывается, что сначала людям нужно просто договориться о процессе. И это нормально. У меня есть пять критериев, по которым я оцениваю первый AI use case: какой бизнес-эффект мы получим, есть ли данные, какова цена ошибки, насколько сложно внедрить и кто реально будет этим пользоваться. Например, если AI ошибется в summary интервью - неприятно, но поправимо. А если он ошибется в рекомендации по увольнению или компенсации - это уже серьезно, тут всегда должно быть человеческое решение. Еще одна ловушка: сначала выбрать технологию, а потом пытаться доказать, что она окупается. Это как купить дорогую машину, а потом искать, куда на ней поехать. Правильнее наоборот: определить, какую ценность мы хотим получить, какие KPI улучшить, а потом посчитать полную стоимость - не только лицензии и использование модели, но и интеграции, подготовку данных, обучение людей, поддержку. И только после этого выбирать конкретную архитектуру. В России сейчас забавная ситуация: по данным НИУ ВШЭ, AI используют около 5% организаций, но при этом 37% занятых говорят, что владеют AI-навыками. То есть люди уже вовсю экспериментируют, а компании не успевают перестроить процессы. Задача HR сейчас - не просто раздать сотрудникам еще один инструмент, а перевести эти индивидуальные эксперименты в нормальную рабочую систему. Я часто вижу проекты, которые начинаются с пилота ради пилота. Внедрили чат-бота, он отвечает на вопросы про отпуск, все рады, но на бизнес это никак не влияет. Потому что не подумали, какую конкретную боль он снимает. Поэтому мой главный совет: не начинайте с модели. Начните с работы, которую хотите улучшить. И тогда AI станет не модной игрушкой, а инструментом, который реально приносит результат. А у вас бывало, что после внедрения AI процесс ускорился, но проблема осталась?