В мире HR-технологий появляется всё больше примеров, когда искусственный интеллект не просто автоматизирует рутину, а меняет сами подходы к работе. Один из таких показательных кейсов недавно опубликован на Хабре: автор рассказывает, как он собрал HR Playbook для своего AI-агента и сократил поиск кандидата в резерве с двух недель до десяти минут. Разбираем, что это за solution, как оно устроено и какие выводы можно сделать для собственных процессов.
Что такое HR Playbook и зачем он нужен
HR Playbook — это структурированный набор инструкций, правил и сценариев, который описывает, как выполнять те или иные HR-задачи. В контексте AI-агентов playbook превращается в систему промптов и алгоритмов, которые направляют работу модели: как искать кандидатов, по каким критериям фильтровать, как ранжировать и как презентовать результаты.
В рассмотренном на Хабре кейсе автор столкнулся с типичной проблемой: талант-пул компании (база кандидатов, которые уже проходили собеседования или присылали резюме) разросся до сотен и тысяч записей. Ручной поиск подходящих людей на новую вакансию занимал до двух недель: нужно было пересматривать резюме, сопоставлять требования, проверять актуальность контактов. Это не только медленно, но и субъективно — разные рекрутеры могут находить разных кандидатов, а кто-то вообще не попадает в выборку из-за «человеческого фактора».
Решение пришло в виде AI-агента, работающего по заранее созданному playbook. По сути, это чат-бот или внутренний сервис, который понимает запрос на естественном языке и умеет выполнять сложные выборки из базы данных, следуя правилам, заложенным в плейбук.
Как автор построил систему
В статье на Хабре описывается процесс создания такого агента. Важно сразу отметить: это не просто подключение GPT-чата к базе, а серьёзная работа по формализации HR-логики. Автор выделил несколько ключевых шагов.
1. Формирование требований и структуры данных
Первый шаг — общение с руководителями отделов и рекрутерами. Нужно понять, какие параметры действительно важны при подборе: конкретные навыки, годы опыта, образование, знание определённых технологий, готовность к переезду, уровень зарплатных ожиданий и так далее. Эти параметры были вынесены в отдельные поля базы данных. Устаревшие или дублирующиеся записи почистили, добавили теги и категории.
Важно отметить, что без организованных данных никакой AI не поможет. Playbook эффективен только тогда, когда у него есть структурированная «почва». В статье автор признаётся, что часть времени ушла на приведение базы в порядок.
2. Создание системы промптов (сам playbook)
Плейбук — это не один большой промпт, а целая библиотека сценариев. Например:
- Инструкция по поиску кандидата по ключевым навыкам:
Найди всех, у кого в резюме есть Java и Spring, минимум 3 года коммерческого опыта, желательно из финтеха. - Шаблон для запроса на «похожих кандидатов»:
Подбери 10 человек, похожих на Иванова, но с более сильным бэкграундом в микросервисах. - Правила ранжирования: сначала идёт тех, кто недавно обновлял резюме, затем тех, кто откликался на похожие вакансии, и т.д.
- Сценарий автоматического уточняющего вопроса: если в запросе есть неоднозначность, агент задаёт уточнение.
Каждый промпт был Crafted с учётом специфики компании и постоянно итерировался. Автор подчёркивает, что важна обратная связь от рекрутеров: они тестировали результаты, указывали на ошибки, и на основе этого корректировались инструкции.
3. Выбор и интеграция AI-агента
Для реализации использовалась большая языковая модель (LLM) в связке с внутренней базой данных. Агент получает запрос, извлекает сущности и параметры, затем формирует структурированный запрос к базе (например, SQL или поиску по документам). Результаты возвращаются в понятном рекрутеру виде: карточки кандидатов с рейтингом, краткой сводкой и ссылками на полное резюме.
В исходной статье автор не раскрывает все технические детали, но отмечает, что для интеграции с корпоративным поиском и базами использовались API. Это стандартная практика: AI-агент становится прослойкой между человеком и данными.
Результаты и цифры
Ключевой результат — время поиска кандидата в резерве сократилось с 14 дней до 10 минут. Это не просто экономия времени, а качественный скачок: рекрутеры могут закрывать срочные позиции, перебирая в несколько раз больше вариантов, и принимать решения на основе объективных данных.
В статье также упоминаются и другие положительные эффекты:
- Консистентность. Каждый запрос обрабатывается по единым правилам, нет расхождений между рекрутерами.
- Снижение bias. Алгоритм не обращает внимания на пол, возраст или происхождение кандидата, если эти параметры не заданы явно.
- Лучший опыт кандидатов. Быстрый поиск позволяет чаще выходить на связь с подходящими людьми, не теряя их в долгой обработке.
- Масштабируемость. Плейбук можно обновлять и дополнять новыми сценариями без привлечения разработчиков.
Традиционный поиск против AI-агента
| Параметр | Традиционный поиск | Поиск с использованием HR Playbook и AI-агента |
|---|---|---|
| Скорость | 2 недели | 10 минут |
| Критерии | Завися от памяти рекрутера | Единые, формализованные |
| Охват резюме | Выборочный, просматриваются десятки | Полный, все записи в базе |
| Ошибки | Человеческие, субъективные | Минимальные, легко исправляются |
| Масштабируемость | Требует новых сотрудников | Масштабируется добавлением промптов |
Практические советы: как собрать свой HR Playbook
Опираясь на опыт героя статьи, можно выделить несколько рекомендаций для тех, кто хочет повторить подобный подход.
1. Начните с аудита данных
Проведите ревизию вашей базы кандидатов: уберите дубли, заполните пропущенные поля, введите единую систему тегов. Без чистых данных AI-агент будет работать неэффективно.
2. Привлекайте рекрутеров на этапе разработки
Только практики знают, какие параметры на самом деле определяют успешного сотрудника. Проведите интервью с руководителями, проанализируйте истории успешных наймов, чтобы сформулировать критерии.
3. Итерируйте промпты
Плейбук не создаётся за один день. Готовьтесь тестировать, получать обратную связь и переписывать инструкции. Важно, чтобы агент умел объяснять своё решение — это помогает доверять ему.
4. Интегрируйте с существующими инструментами
Для практического использования AI-агент должен быть доступен там, где работает рекрутер. Это может быть внутренний портал, корпоративный мессенджер или даже электронная почта. Например, многие компании используют Telegram для общения с доской кандидатов. ASI Biont поддерживает подключение к Telegram через API — подробнее на asibiont.com/courses.
5. Обучайте команду
Даже самый продвинутый AI требует правильного взаимодействия. Рекрутеры должны уметь формулировать запросы, понимать логику плейбука и критически оценивать результаты.
Выводы
Кейс, описанный на Хабре, показывает, что AI-агенты способны радикально ускорить внутренние HR-процессы. Создание HR Playbook — это не разовая задача, а постоянно развивающаяся система, которая постепенно вбирает в себя лучшие практики компании.
Для многих компаний такой подход может стать конкурентным преимуществом: быстрее закрытые вакансии, меньше расходов на рекрутинг, выше качество найма. И главное — это доступно уже сегодня: в основе лежат современные LLM, структурированные данные и продуманные промпты.
Если вы хотите глубже разобраться в том, как создавать эффективные промпты и автоматизировать рабочие процессы, рекомендуем изучить исходный материал автора и поэкспериментировать с собственным AI-агентом. Ссылка на первоисточник: Источник.
Комментарии