36,4 миллиона рублей в год – столько сэкономила компания QSOFT благодаря использованию искусственного интеллекта: из них только 7,2 миллиона на оптимизации подбора персонала и почти 13 миллионов за счёт ускорения адаптации сотрудников.
Несколько лет назад разговоры об ИИ чаще сводились к экспериментам и слухам о полной замене людей. Сегодня его применяют скорее как инструмент, убивающий рутину. Например, в HR искусственный интеллект помогает быстрее анализировать кандидатов, ускоряет создание обучающих материалов, снижает нагрузку на наставников и упрощает доступ к корпоративным знаниям. В результате сотрудники начинают тратить меньше времени на механические операции и больше – на задачи, где действительно нужна экспертиза и принятие решений.
Директор по развитию QSOFT Олег Демченко на конференции «Знание, обучение и ИИ – в единой рабочей среде» рассказал, как его команда использует ИИ в HR, обучении, продажах и управлении знаниями. А главное каких результатов и экономии удалось добиться.
ИИ в найме: как сократить десятки часов рутины
Когда бизнес активно растет, нагрузка на HR-команду быстро увеличивается. Особенно это заметно в IT, где поток кандидатов высокий, а ошибки при найме могут дорого обойтись компании. Мы начали с анализа именно этого процесса. И для примера взяли вакансию разработчика.
Внутри компании у нас выстроен достаточно типовой процесс: сначала приходят отклики, рекрутеры анализируют резюме. Дальше рекрутер связывается с кандидатом, задаёт общие вопросы, проводит первичный отбор. После этого он пересылает подходящие, по его мнению, отклики руководителю. Руководитель уже изучает их и говорит: «Ок, берём вот этих людей на интервью». А после интервью – оффер. Если мы не говорим про какие-то топ-вакансии, это обычная воронка кандидатов.
На одну вакансию разработчика мы получили 180 откликов. 104 резюме прошли первичный отбор, из них 42 направлены руководителю. 19 кандидатов дошли до интервью. В итоге только 3 получили оффер.
Время рекрутера
До внедрения ИИ рекрутер тратил примерно 4 минуты на анализ одного резюме. На обработку 180 откликов уходило около 12 часов.
После подключения ИИ время сократилось до 2 часов. Система автоматически анализировала резюме, выделяла релевантные навыки и подсвечивала проблемные моменты.
Экономия составила 10 часов работы рекрутера только на первом этапе.
Следующая статья расходов – подготовка к первичному контакту с кандидатом. Нужно изучить резюме, подготовить вопросы, понять опыт человека и возможные риски.
Раньше на это уходило около 10 минут на кандидата или примерно 17 часов на весь поток. С ИИ мы сократили это время на 7,5 часов. Дополнительно удалось сэкономить еще 9,5 часов.
В итоге только на одной вакансии экономия составила около 19,5 часов рабочего времени рекрутера.
Еще одна незаметная, но затратная задача – анализ кадрового резерва. У компаний обычно есть большая база кандидатов, которых нужно периодически пересматривать под новые вакансии.
Раньше на это уходило около 6,5 часов. После внедрения ИИ – примерно 1 час. То есть 5,5 часов еще сэкономили.
Мы загружали в ИИ-агента отклики и требования конкретного руководителя, после чего система ранжировала кандидатов по релевантности. Это сильно повысило качество подбора.
Время руководителя
Руководители тоже тратили большое количество времени на подбор сотрудников. Причем это время – одно из самых дорогих внутри компании.
До внедрения ИИ руководитель просматривал 42 кандидата ради трех офферов. После оптимизации процессов количество сократилось до 30. Число интервью уменьшилось с 19 до 12.
На просмотр одного кандидата руководитель раньше тратил около 6 минут. Сейчас – примерно 3,5 минуты.
Само интервью занимало около часа. В сумме раньше получалось примерно 19 часов интервью на одну вакансию. После внедрения ИИ нагрузка сократилась примерно до 9,5 часов.
Что по деньгам?
Мы перевели сэкономленное время в деньги.
Стоимость часа рекрутера считали примерно в 1000 рублей с учетом налогов из расчета зарплаты 170 тысяч рублей в месяц.
19,5 часов + 5,5 часов = 25 часов, 1000 рублей час. Или 25000 рублей.
Для руководителей использовали коэффициент в два раза выше, т.е. 2000 рублей. Умножили на 9,5. Или 19000 рублей.
В результате экономия на одном найме составила 44 тысячи рублей.
За год мы закрыли 110 позиций и высвободили примерно 4,8 миллионов рублей.
Ошибочный найм: самая дорогая статья расходов
Знаете, есть такое понятие – «стоимость ошибочного найма». Это не просто зарплата уволенному. Это потраченные ресурсы на онбординг, демотивация команды, сорванные дедлайны. Раньше 20% новичков не проходили испытательный срок. У нас школа и академия, мы берем много студентов. Если не тянет – расстаемся.
Мы подсчитали: одна такая ошибка стоит компании примерно 300 тысяч рублей (потраченное время наставников, ресурсы, простой). При 110 наймах в год получалось 22 сотрудника.
ИИ помог точнее оценивать кандидатов и снизить количество неудачных наймов до 14. Итого мы сократили расходы на ошибочный найм на
8 х 3 тыс.рублей = 2,4 млн. рублей в год.
ИИ в онбординге: как сэкономить на адаптации сотрудников
Онбординг – еще одна большая статья расходов, которую компании часто недооценивают.
Когда новый сотрудник приходит в команду, он начинает задавать десятки вопросов коллегам и наставникам. Это замедляет не только новичка, но и всю команду.
Причем здесь есть еще и психологический фактор. Часто новички, особенно современные так называемые зумеры, лишний раз боятся что-то спросить у старшего коллеги, чтобы не выглядеть странно.
Поэтому мы внедрили поиск по корпоративной базе знаний на основе ИИ. Теперь сотрудник может просто задать вопрос AI-агенту и сразу получить нужный ответ – без ожидания и без необходимости отвлекать коллег.
Чтобы оценить выгоду от использования ИИ в онбординге мы посчитали как сократились сроки адаптации новых сотрудников. Также взяли в расчет не только время сотрудников, но и время руководителей.
Для разработчиков у нас действуют строгие внутренние регламенты: информационная безопасность, стандарты кодирования, правила оформления комментариев и документации.
Перед подключением к реальному проекту сотрудник должен пройти внутренний grade.
Раньше стандартный онбординг занимал около трех месяцев. После внедрения ИИ срок адаптации сократился в среднем на 16 рабочих дней. Аналитику мы собирали по 36 сотрудникам.
Средняя зарплата разработчика с учетом налогов за день составляет около 8 тысяч рублей. Итого 16 х 8000 = 128000 на сотрудника.
Время руководителя: 15 часов суммарно на одного сотрудника ~2 000 руб./час или 30 тысяч рублей.
Итого на одного сотрудника 158000 в год или примерно 13,1 миллион рублей в год на 83 разработчика.
Автоматизация обучения и поиск в базе знаний
Компания у нас не очень большая, порядка 250 человек, и очень часто обучение проводят именно руководители.
Как проходит обучение? Я пришел, что-то рассказал. Мы сделали запись вебинара. Положили запись в базу знаний. В базе знаний его никто не смотрит. Потому что искать нужный момент в часовой записи – пытка. Мы поняли, что это проблема. Начали вручную его расшифровывать. Потом собирали структуру и делали курс. Самое сложное было придумать тесты. На это уходило примерно 40 часов.
Сейчас мы используем ИИ для транскрибации, создания структуры курса, генерации тестов и подготовки материалов. Человеку остается только проверить результат. Теперь на создание курса требуется около 4 часов.
За год на 32 курсах мы сэкономили 1152 часа или примерно 1,1 миллион рублей.
Мы также провели внутренний опрос и выяснили, что все сотрудники суммарно тратят около 62,5 часа в день на поиск нужной информации.
После внедрения ИИ-поиска по корпоративным знаниям экономический эффект составил около 15 миллионов рублей в год на всю компанию (при средней ставке 1000 рублей в час).
Совокупный эффект от AI в HR составил 36,4 миллионов рублей:
Процесс подбора (4,8 млн) + Предотвращение ошибок при найме (2,4 млн) + Онбординг (13,1 млн) + Поиск и курсы (16,1 млн).
ИИ в оценке сотрудников и развитии руководителей
Еще одно направление, где ИИ оказался полезен, – развитие сотрудников и кадровый резерв.
Иногда сильного специалиста повышают до руководителя только потому, что он отлично выполняет текущую работу. Но хороший исполнитель не всегда становится хорошим менеджером.
Мы начали использовать ИИ для анализа:
-
One-to-One встреч;
-
оценки 360;
-
внутренних коммуникаций;
-
рабочих заметок и транскрибаций.
Это позволило точнее понимать, кто действительно готов к руководящей роли.
В результате мы сократили количество ситуаций, когда сильный специалист не справляется с управленческой позицией и в итоге уходит из компании.
ИИ в продажах и пресейле
Использование ИИ не ограничилось HR-процессами. Я представляю отдел продаж, и мы начали использовать ИИ для анализа базы смет, коммерческих предложений и прошлых проектов.
Это позволило быстрее и точнее оценивать новые проекты. Команда получила возможность:
-
быстрее готовить оценки;
-
находить похожие кейсы;
-
анализировать прошлые ошибки;
-
точнее прогнозировать трудозатраты.
В результате отдел продаж смог высвободить двух сотрудников. Один человек ушел в декрет, другой перешел на новое направление, и при этом команда продолжила справляться с тем же объемом работы. Экономический эффект составил около 4 миллионов рублей.
***
Главный вывод, который мы сделали: ИИ нужно внедрять не ради хайпа, а ради конкретного бизнес-результата.
Если переводить процессы в часы, деньги и производительность, становится понятно, где именно искусственный интеллект приносит реальную пользу.
Второй важный вывод – ИИ отлично работает как «безопасный наставник». Он снимает нагрузку с экспертов, ускоряет адаптацию и помогает сотрудникам быстрее получать ответы без страха ошибиться или показаться некомпетентными.
В нашем случае внедрение ИИ позволило сэкономить 36 миллионов рублей. И это только тот эффект, который удалось подсчитать напрямую. На практике изменений оказалось гораздо больше: команды стали быстрее принимать решения, снизилась нагрузка на сотрудников, а у людей появилось больше времени на действительно важные и интересные задачи.
Посмотреть выступление Олега можно по ссылке:
Автор: Vitaliy_Chesnokov
