Об эксперте: Марат Исмагулов, HR-директор Альфа-банка.
Продуктовый подход в HR
— Как продуктовый подход меняет скорость и качество разработки HR-сервисов?
— Он радикально меняет и скорость, и качество разработки сервисов, потому что влияет не на отдельные этапы CJM (Customer Journey Map, «карта пути клиента»), а на весь путь сотрудника целиком. Если раньше HR-сервисы создавались как набор разрозненных процессов — подбор, адаптация, обучение, вознаграждение, — то при продуктовом подходе мы работаем с единым, непрерывным опытом сотрудника. Каждый флоу проектируется как часть общей экосистемы с понятной целью, метриками и пользовательской логикой и управляется отдельной продукто-ориентированной командой.
Самое важное при таком подходе — изначально заложить в основу верную производственную логику. Потому что мы создаем HR-продукты именно по ее законам: с четким циклом, измеримым результатом и последовательностью этапов.
Если этот процесс выстроен правильно и обладает необходимой адаптивностью, он позволяет решать огромный пласт проблем. Без такой системы мы бы постоянно находились в режиме реактивного тушения пожаров, разрозненно реагируя на запросы бизнеса, вместо того чтобы проактивно создавать нужные решения.
— Позволяет ли этот подход избежать разногласий с бизнесом? Может ли быть такое, что бизнес и HR смотрят на один вопрос по-разному?
— Продуктовый подход в HR не убирает разногласия с бизнесом полностью — и это нормально. Но раньше диалог часто выглядел как столкновение экспертных мнений: HR считает одно, бизнес — другое, и каждый опирается на свой опыт.
При продуктовом подходе мы выходим из плоскости мнений и переходим в плоскость данных. Сегодня мы обсуждаем не «кажется» и не «по ощущениям», а:
- обратную связь от сотрудников как пользователей сервисов;
- результаты качественных и количественных исследований;
- реальные сценарии использования продуктов;
- поведенческие метрики.
Это помогает бизнесу лучше понимать HR, а HR — эффективно аргументировать принимаемые решения.
— Какие качественные исследования нужны HR-департаменту для принятия стратегических решений при продуктовом подходе?
— Первый ключевой инструмент здесь — метрика VoC (Voice of Client, «голос потребителя»). Для нас клиент — это сотрудник, который ежедневно пользуется HR-сервисами. Мы регулярно собираем обратную связь, измеряем удовлетворенность и работаем с конкретной метрикой. Если сервис получает низкую оценку, это не просто цифра — это сигнал для продуктовой команды: мы анализируем комментарии, гипотезы и закладываем улучшения в роадмап.
Второй важный блок — качественные пользовательские исследования. Например, перед перезапуском главной страницы внутреннего портала Alfa People мы провели тестирование с использованием айтрекера. Это технология, которая позволяет понять, куда именно смотрит пользователь и где он теряется. Мы осознанно сегментировали сотрудников на четыре группы по бизнес-линиям, а также отдельно привлекли четыре группы новичков, которые никогда не видели старую версию портала.
Это позволило нам посмотреть на продукт и глазами опытных пользователей, и глазами людей «с чистого листа». Каждая группа проходила реальные сценарии: оформление отпуска, поиск информации, вступление в сообщество. Мы наблюдали, где путь проходит легко, а где возникают сложности, фрустрация или лишние шаги.
Роль HR в ИИ-обучении сотрудников
— Как российские бигтехи решают вопрос безопасного внедрения ИИ во внутренние процессы? Какие варианты стратегии по внедрению ИИ существуют на нашем рынке?
— На рынке ряд крупных компаний идут по гибридной стратегии внедрения ИИ — и наша в их числе. HR в этой модели становится архитектором безопасного использования ИИ: обучает сотрудников и интегрирует искусственный интеллект в повседневные процессы всех сотрудников. Для этого компании выстраивают двухконтурную модель использования ИИ, разделяя задачи по уровню чувствительности данных и рисков.
Первый контур — внутренние генеративные модели. Это модели, развернутые внутри периметра банка, которые работают с чувствительными данными и критичными процессами. Они обновляются вручную, проходят строгий контроль безопасности.
У многих технологичных компаний уже появились собственные ИИ-платформы с моделями, которые работают внутри, для сотрудников. К ним можно с помощью RAG (Retrieval-Augmented Generation, «генерация, дополненная поиском») подключить внутреннюю базу знаний, где хранится информация по продуктам и процессам компании. Платформа понимает контекст запроса, сама обращается к базе знаний и выдает готовый, корректный ответ. Второй контур — внешние генеративные модели. Они используются для нечувствительных задач — генерации текстов, идей, черновиков. Эти модели позволяют сотрудникам быстро решать повседневные задачи, не создавая рисков для данных.
— Переход к масштабному корпоративному обучению ИИ среди российских крупных компаний — это чаще запрос бизнеса или инициатива HR? Почему это сейчас работает именно так?
— Искусственный интеллект становится частью стратегии, внедряется в продукты, процессы и операционную модель. Но без людей, которые понимают, как с ним работать, любая ИИ-платформа остается технологией «в столе». Поэтому сейчас ценится корпоративное обучение по работе с ИИ.
Мы видим по рынку, что инициатором такого обучения часто становятся бизнес-юниты. Это связано с тем, что рост навыков работы с ИИ должен повлиять на KPI бизнеса: повысить эффективность сотрудников и адаптировать их к быстро меняющимся требованиям для разных профессий.
— В чем ключевое преимущество корпоративного обучения по работе с ИИ в сравнении с внешними курсами и как HR превращает его в рабочий инструмент для бизнеса?
— Внешние курсы часто дают общие знания. Внутренняя же программа адаптирует контент под конкретные бизнес-процессы, роли и уровень подготовки сотрудников. Корпоративное обучение позволяет компаниям вкладываться в целевое развитие навыков людей. Внешнее обучение почти всегда недостаточно персонализировано и не учитывает контекст, а в каждой команде он разный.
После корпоративных курсов сотрудники могут сразу применять полученные знания в работе. Теория, не подкрепленная практикой, в современном мире очень быстро теряет актуальность. Поэтому компании нередко решают вложиться в собственное обучение, которое будет работать на их цели.
— Как построить эффективную корпоративную программу ИИ-обучения, чтобы она была полезна и новичкам, и экспертам?
— Ее нужно строить по принципу лестницы, где для каждой группы сотрудников — своя ступень. Нельзя учить всех по одному шаблону. Первая ступень — это база для всех. Здесь нужно просто объяснить самые основы: что такое генеративный ИИ, чем он отличается от других технологий, как правильно писать запросы. Это помогает снять страх перед новой темой и создать общее понимание технологии в компании.
Вторая ступень — для тех, кто уже в теме. Например, для продактов или бизнес-аналитиков. Здесь уже можно углубляться в конкретные инструменты и обсуждать, как применять их в реальных рабочих процессах. Третья, высшая ступень — для экспертов в своей области. Это уже не про основы, а про обмен опытом и глубинную прокачку. Например, можно собрать технических гуру и научить их продуктовому мышлению, или наоборот — помочь сильным продактам глубже разобраться в технологиях. Такой подход позволяет и новичку не потеряться, и эксперту не заскучать, охватывая при этом огромное количество людей.
— Какие шаги необходимы, чтобы корпоративное ИИ-обучение не осталось теорией, а было внедрено в ежедневную работу тысяч сотрудников?
— Необходим безопасный и удобный инструмент для практики сразу после обучения. Здесь точно выигрывают компании с внутренней ИИ-платформой, которую люди используют в работе. Такая платформа обычно и становится местом для применения полученных знаний.
Хорошая платформа решает две главные проблемы. Во-первых, она предоставляет доступ к лучшим внешним инструментам (разным языковым моделям, системам анализа) в одном интерфейсе, избавляя от необходимости искать их по разным сайтам. Во-вторых, и это самое главное, она позволяет безопасно подключать внутренние данные компании. Сотрудники могут экспериментировать, не рискуя утечкой конфиденциальной информации. Когда у человека есть такой эффективный и простой способ применить новые знания для своих проектов, навыки перестают быть теорией и становятся частью рабочей рутины.
ИИ в HR-сервисах
— У вас есть своя ИИ-платформа AlfaGen, что вы делаете с ее помощью?
— На ее базе мы в HR развиваем ИИ-сервис и ИИ-агентов.
Наш ИИ-сервис мы запустили в 2025 году, Alfa AI — единый ИИ-инструмент, доступный всем сотрудникам внутри портала и приложения Alfa People. Это привычный и понятный интерфейс, в котором любой сотрудник может легко начать диалог с нейросетью и решить рабочую задачу — от подготовки текста до анализа информации. Сервис доступен как с веба, так и с мобильного приложения, что делает работу с ИИ естественной частью рабочего дня.
В Alfa AI доступны семь топовых нейросетей: DeepSeek R1, Flux, Qwen3-235B-A22B, ChatGPT OSS, QwQ-32B, LLAMA 3.3, Llama-4-Scout-17B-16E-Instruckt, которые можно использовать для разных задач. Для новичков предусмотрены готовые системные ИИ-приложения, помогающие быстро начать работу без погружения в сложные настройки. При этом любой сотрудник может пойти дальше — написать собственный промпт, создать ИИ-приложение без навыков кодинга и поделиться им с коллегами, масштабируя лучшие практики внутри банка.
Мы также реализовали гибридную архитектуру работы с ИИ. Для нечувствительных задач сотрудникам доступны внешние модели, которые обновляются автоматически. Для внутренних сценариев мы подключили через RAG корпоративную базу знаний Alfa Book, в которой хранится вся информация о продуктах банка. В результате Alfa AI сам понимает контекст запроса, инициирует обращение к базе знаний и возвращает корректный, структурированный и безопасный ответ — без необходимости переключаться между системами.
— А как вы развиваете ИИ-агентов?
— Первый такой агент появился в сервисе реферальной программы «Приведи друга». Он анализирует резюме кандидата, сопоставляет его с открытыми вакансиями и предлагает сотруднику список наиболее релевантных позиций. Это позволило повысить качество рекомендаций и сделать реферальный наем более точным и удобным. Важно, что весь процесс происходит в приложении Alfa People.
Второй агент помогает рекрутерам работать с откликами быстрее и точнее. Важно, что агент не является «черным ящиком» — сотрудник может гибко настраивать его под себя: задавать фильтры по городу, уровню зарплаты, опыту, а также учитывать дополнительные заметки и требования конкретной вакансии.
Третий ИИ-агент автоматически обрабатывает входящие отклики, анализирует соответствие профиля кандидата заданным критериям и помогает принять первичное решение. При этом средняя скорость обработки одного отклика составляет около 19 секунд, что кратно снижает ручную нагрузку.
Если кандидат не подходит под текущую вакансию, агент сразу предлагает альтернативные позиции, где его профиль может быть релевантен. Это позволяет не терять кандидатов и повышает скорость обработки откликов.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.