ИИ в HR: автоматизация аналитики с ROI 7,8 млн и ускорением в 5 раз

Введение

Автоматизация HR-аналитики — это важный шаг для любой крупной компании. В любой крупной компании есть подразделение HR-аналитики, главная задача которого — обеспечить «единый источник правды» о персонале, путём консолидации информации из десятков, а иногда и сотен подразделений и филиалов.

На практике ежемесячный сбор HR-данных от 50+ филиалов становился главным «бутылочным горлышком», которое поглощало почти все ресурсы команды. Процесс не только занимал недели, но и был причиной постоянных конфликтов из-за ошибок в присылаемых отчётах, в результате чего руководство получало запрашиваемые данные с опозданием на одну-две недели.

Решением стала реализация проекта, в центре которого — автоматизация HR-аналитики с помощью комбинации AI-агентов, построенных на no-code платформе Epsilon Workspace. Система взяла на себя весь цикл операций: от сбора и верификации данных до автоматизированных коммуникаций с филиалами. Это позволило заменить изматывающие споры на автоматические сверки и превратить «войну за цифры» в отлаженный и надёжный конвейер данных.

Проблема

Команда из трёх HR-аналитиков отвечала за сбор  показателей от 50+ филиалов. Теоретически процесс был выстроен идеально: центральный офис готовил чёткий запрос и единый excel-шаблон для ответа.

Примеры запросов:

• «В рамках годового планирования прошу до 10-го июля предоставить списки сотрудников, рекомендованных в кадровый резерв на позиции уровня «Руководитель отдела». В приложенной форме succession_plan.xlsx укажите ФИО сотрудника, целевую должность и приведите краткое обоснование (2-3 предложения), почему именно этот кандидат обладает необходимым потенциалом.»
• «Коллеги, по данным табельного учёта, в вашем филиале зафиксирован рост сверхурочных часов на 18%. Прошу в файле overtime_details_june.xlsx предоставить разбивку этих часов по причинам (например: «аварийный ремонт оборудования», «срочный заказ от клиента X», «замещение заболевшего сотрудника»).»

На этом логика заканчивалась и начиналась реальная жизнь. Каждый филиал отправлял отчёт в том виде, в котором было удобно ему, а не центральному офису. В результате почтовый ящик аналитиков вместо единого excel‑шаблона приходили файлы любых типов: pdf, сканы, текст прямо в теле письма и так далее.

Это приводило к трём проблемам:

1. Значительные трудозатраты на обработку данных

Аналитики тратили до 120 часов (почти 5 полных рабочих дней) на механическую сверку и перенос цифр из десятков разнородных файлов в единую сводную модель.

2. Риск неточностей из-за человеческого фактора

В каждом втором файле обнаруживались опечатки или несоответствия. Уточнение одного отчёта занимало от нескольких часов до нескольких дней и требовало бесконечных звонков и писем. Аналитикам приходилось вступать в долгие и неприятные споры.

3. Высокие издержки на коммуникации и напряжённость между филиалами и центром

Сотрудник на месте, занятый своими делами, реагировал с раздражением. Филиалы воспринимали уточняющие запросы как «придирки» от центра: «У нас всё верно, это вы неправильно считаете!» или «Центр отвлекает от реальной работы!». Устав от споров, руководители на местах начинали жаловаться вышестоящему руководству, обвиняя центральный аппарат в бюрократии. В итоге HR-аналитик из Москвы становился «плохим парнем», а отношения между центром и регионами накалялись.

Задача: убрать из процесса HR-аналитики не только рутину, но и конфликты

Цель была — ускорить процесс обработки и сведение данных из отчётов филиалов и подразделений, а также коммуникации по устранению ошибок за счёт внедрения решения по автоматизации HR-аналитики.

Решение

Решением стала реализация проекта на базе no-code платформы Epsilon Workspace с использованием ключевой технологии — AI-агентов. О том, что такое AI-агент, чем он отличается от RPA или чат-ботов и как помогают бизнесу, есть в нашей статье.

Ключевым преимуществом стала скорость и автономность внедрения: решение было полностью настроено и запущено за 4 недели силами бизнес-аналитиков самого HR-департамента, без привлечения программистов.

Чтобы обеспечить быстрый результат и заложить основу для развития, проект был реализован в два этапа. Сначала мы создали систему, которая автоматизировала весь процесс по заданным правилам с отдельными элементами искусственного интеллекта.

Затем мы научили эту систему быть по-настоящему умной: она стала понимать контекст, самообучаться на основе обратной связи от пользователей и помогать в ситуациях, где нет единственно верного ответа.

Этап 1: Автоматизация сбора и проверки HR-данных и коммуникаций по устранению ошибок и замечаний

На первом этапе был запущен AI-«исполнитель», который автоматизировал весь цикл мониторинга получения и обработки ответов. Важно, что для сотрудников филиалов процесс остался привычным: они, как и раньше, отправляют отчёты в удобном им формате на специальный email. Дальше в дело вступает AI-агент.

1. Автоматический сбор и извлечение данных

Агент в реальном времени извлекает информацию из любых файлов (Excel, PDF, Word, сканы) и сверяет ее с десятками бизнес-правил, например, проверяет, что «сумма по статьям сходится с итогом».

2. Интеллектуальная проверка и коммуникация

Это ключевой элемент системы. Агент анализирует ошибки по-разному:

• Если ошибка однозначна (например, не сходится итоговая сумма), система сама формирует email с точным описанием проблемы:

Добрый день!

Система автоматической проверки обнаружила возможное несоответствие в вашем отчёте. Пожалуйста, уделите минуту, чтобы проверить данные.

• Файл: Отчет_Филиал_18.xlsx
• Замечание: Итоговая сумма в ячейке C15 не совпадает с суммой по статьям.
• Рекомендация: Пожалуйста, проверьте формулу, уточните исходные данные и отправьте файл повторно.
  

Спасибо за сотрудничество!
С уважением,
Система HR-аналитики.

• Если ситуация неоднозначна, агент действует более тонко. Он оценивает вероятность ошибки (например, «уверенность 85%») и направляет ответственному HR-аналитику рекомендацию перепроверить данные. Например,

Добрый день!

Я проанализировал свежие данные и хочу обратить ваше внимание на один момент, который выглядит статистически необычным.

В отчете от филиала № 27 я заметил резкий скачок сверхурочных часов. Это может быть как ошибкой при заполнении, так и признаком высокой нагрузки на команду. Моя уверенность в том, что это статистически значимое отклонение, составляет 85%.

Требуется ваша экспертная оценка, чтобы определить причину. Возможно, стоит уточнить детали у коллег из филиала.

Спасибо!

С уважением,
Система HR-аналитики

3. Загрузка «чистых» данных в BI-системы или сводный файл

После успешной проверки агент автоматически загружает выверенные данные в корпоративные BI систему или единый файл.

Безопасность и соответствие требованиям

Весь процесс выстроен с учетом корпоративных требований к безопасности. Платформа развернута внутри корпоративного контура, ролевая модель обеспечивает разграничение прав доступа. Вся обработка и хранение информации выполняются на серверах в РФ в соответствии с законодательством. Также все действия в системе протоколируются. Это обеспечивает возможность контроля и расследования инцидентов.

Далее компания перешла к превращению агента из контролёра в бизнес-партнёра.

Этап 2: От контролёра к бизнес-партнёру — эволюция AI-агентов

1. Понимание контекста: отличать ошибку от исключения

Агента интегрировали со смежными ИТ-системами, чтобы он «научился» понимать контекст данных. Теперь, «увидев» отклонение (например, рост ФОТ на 15%), он не сразу бьёт тревогу, а ищет объяснение в кадровой системе. Если он обнаруживает там приказ о массовом найме, то помечает отклонение как «обоснованное», а не как ошибку.

2. Самообучение на основании обратной связи от пользователей

В письма об ошибках добавили простой механизм обратной связи: кнопки «Ошибку не подтверждаю, данные верны» и «Ошибку подтверждаю, исправлю». Анализируя эти ответы, агент самообучается. Если по одному и тому же правилу 9 из 10 филиалов отвечают, что это обоснованное исключение, система сама предложит администратору пересмотреть устаревшее правило.

3. Предиктивная аналитика: от контроля к прогнозу

Финальным шагом стал переход к поиску скрытых закономерностей. Теперь агент не просто проверяет цифры, а сопоставляет данные из разных отчётов. Заметив одновременный рост ошибок и текучести кадров в одном из филиалов, он генерирует предупреждение для HR-директора:

class=ng-star-inserted>

Обнаружена корреляция между ростом ошибок в отчётах на 70% и увеличением текучести кадров на 25% в Филиале № 18. Рекомендован аудит процессов и оценка команды.

Таким образом, наша мультиагентная система эволюционировала от инструмента автоматизации до AI-советника, который помогает руководству принимать решения на опережение, до того как локальная проблема станет критической.

Реальное внедрение: как мы преодолевали сопротивление и ошибки

1. «Тихий саботаж» на местах

Проблема: некоторые подразделения поначалу игнорировали автоматические письма, воспринимая их как низкоприоритетный «шум». Сопротивление было пассивным — отчёты просто не отправлялись вовремя.

Решение: мы внедрили «умную» эскалацию. После второго проигнорированного письма система отправляла SMS-уведомление руководителю филиала. Это сделало проблему видимой для руководителей и повысило приоритет задачи без необходимости прямого конфликта.

2. От простых правил к адаптивной логике искусственного интеллекта

Проблема: закодированные бизнес-правила быстро устаревают и начинают конфликтовать с реальностью. Это приводит к большому количеству «ложных срабатываний», когда система блокирует корректные данные и вызывает справедливое раздражение у пользователей. Классический пример — статичное правило «Изменение численности < 10%», которое одинаково применялось и к стабильному филиалу, и к тому, где запускался новый проект с массовым наймом.

Решение: переход от статичных лимитов к системе контекстных правил. Теперь при настройке AI-агента аналитик может присваивать различным объектам (филиалам, проектам, департаментам) специальные теги, например, «стадия роста» или «пилотный проект». Система автоматически распознаёт эти теги и применяет к объекту особый набор лимитов. Например, для филиала с тегом «стадия роста» порог изменения численности автоматически повышается до 20% на заданный период.

Результат: это не только устранило 90% ложных срабатываний, а повысило доверие пользователей к системе, так как они увидели, что она способна адаптироваться к их рабочим процессам, а не механически делать проверки.

3. Фокус на сильных сторонах: AI — аналитик, человек — стратег

Проблема: изначально у нас была гипотеза, что AI-агент сможет полностью автоматизировать не только сбор и консолидацию данных, но и подготовку презентаций для руководства. Однако практика показала: AI отлично справлялся с ролью аналитика (собирал данные, готовил и анализировал устранение ошибок, строил графики), но ему не хватало навыков стратега и дизайнера-коммуникатора. Финальным версиям не хватало как убедительного повествования, так и визуальной полировки, необходимой для выступлений перед топ-менеджментом.

Решение: было принято осознанное решение о синергии, а не о полной замене. Роли были чётко разделены:

• AI-агент выступает как аналитический инструмент, отвечающий за сбор, очистку данных и подготовку всей фактической основы.
• HR-аналитик выступает как автор презентационных материалов, который берет эту основу, превращает ее в убедительный отчёт с выводами и оттачивает дизайн презентации под конкретную встречу.

Такой подход позволяет принимать решения на основе подготовленных данных, но с учётом профессионализма, интуиции, опыта и понимания бизнес-контекста эксперта.

Как наш кейс отражает главные тренды AI в HR

Этот проект — это не просто внедрение, а иллюстрация того, как современные AI-технологии меняют HR-функцию. Решение, описанное в кейсе, полностью соответствует следующим тенденциям развития HR Tech:

1. Фокус на всём процессе, а не на одной задаче

Вместо того чтобы автоматизировать одну узкую операцию (например, распознавание PDF), платформа Epsilon Workspace автоматизирует весь бизнес-процесс целиком — от получения отчёта до загрузки данных в BI. Это освобождает сотрудника не от отдельного действия, а от всей цепочки.

2. No-code и скорость: демократизация технологий

Успех проекта во многом определила скорость: решение было запущено за 4 недели силами самих бизнес-аналитиков, без привлечения программистов. Это прямое отражение глобального тренда на no-code платформы, которые делают мощные технологии доступными для бизнес-пользователей.

3. Практическое применение GenAI: умные коммуникации

Сегодня Генеративный AI у всех на слуху, но его реальное применение часто туманно. Наш кейс показывает конкретную бизнес-ценность: AI-агент не просто использует шаблоны, а самостоятельно генерирует текст письма, меняя его содержание и тон в зависимости от контекста и своей уверенности в ошибке.

4. Синергия человека и ИИ: усиление, а не замена

Этот проект — идеальный пример того, как ИИ не заменяет, а усиливает человека. Было реализовано четкое разделение ролей: ИИ — идеальный аналитик, человек — незаменимый стратег. Платформа взяла на себя 90% рутины, освободив время HR-специалистов для задач с высокой ценностью: интерпретации данных, поиска тенденций и подготовки убедительных рекомендаций для руководства.

Такое разделение ролей на «AI-аналитика» и «Человека-стратега» на практике реализует главный принцип успешного внедрения технологий, описанный McKinsey. Речь идет о создании у сотрудников чувства «суперагентности» (superagency), при котором AI-агент воспринимается как партнёр, усиливающий их собственные возможности.

Кейс демонстрирует создание не просто точечного решения, а гибкой платформы для быстрой настройки AI-агентов под любые сквозные HR-процессы.

Результаты: ускорение процессов в 5 раз и годовой ROI 7,8 млн ₽

Внедрение платформы принесло комплексный эффект: повышение операционной эффективности, прямая финансовая выгода и трансформация процессов.

1. Ускорение подготовки HR-отчётности в 5 раз

Срок подготовки сводного ежемесячного отчёта сократился с 10 до 2 рабочих дней. Это высвободило более 120 часов рабочего времени команды HR-аналитиков в месяц, позволив им сфокусироваться на поиске стратегических инсайтов, а не на рутинной сверке данных.

2. Расчётный годовой ROI — 7,8 млн ₽

Экономический эффект складывается из трех ключевых компонентов:

1. Прямая экономия на ФОТ (3,2 млн ₽/год): расчётная годовая стоимость 120 часов в месяц, высвобожденных у команды высококвалифицированных аналитиков, составляет 3,2 млн ₽. Эти ресурсы были перенаправлены на задачи с высокой добавленной стоимостью.
2. Экономия времени руководства (1,1 млн ₽/год): консервативная оценка стоимости времени HRD и руководителей 50+ филиалов, которое ранее тратилось на споры, эскалации и проверки, составляет 1,1 млн ₽ в год.
3. Ценность от новых проектов (3,5 млн ₽/год): сэкономленное время команда направила на запуск новых инициатив (глубокий анализ причин текучести, разработка программ удержания). Прямой бизнес-эффект от этих проектов, подтвержденный внутренними расчётами, оценивается в 3,5 млн ₽ в год

Качественная цифровая трансформация: от контролёра к бизнес-партнёру

Главным результатом стало изменение самой культуры взаимодействия. AI-агент выступил в роли независимого арбитра и устранил почву для конфликтов между центром и регионами. Надежность данных приблизилась к 100%, а руководство получило доступ к BI-дашбордам, что позволило принимать решения на основе точных цифр, а не предположений.

Главный результат для меня — не ускорение отчётности, а прекращение ежемесячной «войны за цифры» между центром и регионами. AI-агент стал тем самым беспристрастным арбитром, которому доверяют все. Мы сэкономили не просто человеко-часы, мы сохранили партнёрские отношения внутри компании».

— HR-директор

Заключение

В итоге, грамотная автоматизация HR-аналитики не только решает операционные задачи, но и трансформирует роль самого подразделения, превращает его из обработчика данных в партнёра для бизнеса. Это соответствует глобальным тенденциям: согласно исследованию Gartner, в 2025 году HR-технологии являются одним из пяти главных приоритетов для HR-директоров по всему миру, поскольку компании ищут новые способы повышения эффективности и ценности.

Свяжитесь с нами, и мы покажем, как AI-агенты могут стать вашим конкурентным преимуществом.