При анализе бизнес-процессов я стараюсь не полагаться на рассказы исполнителей о том, как у них все работает, и на озвученные ими метрики. Как говорил доктор Хаус: «Все лгут» (чаще всего — неосознанно). Поэтому я начинаю с данных. Для этого используется process mining.
Мы берем события из HR-системы: уникальный идентификатор кандидата, смену этапов (activity) и временные метки. На их основе восстанавливаем реальный процесс AS-IS и смотрим, как кандидаты действительно движутся по воронке. Это можно сделать, например, с помощью PM4Py.
Под капотом PM4Py использует алгоритм Inductive Miner. Он анализирует последовательности событий по каждому кандидату, находит устойчивые паттерны (последовательности, выборы, параллельные шаги и циклы) и рекурсивно собирает из них корректную модель процесса.
После process mining начинается гэмба. Я беру одну конкретную вакансию и смотрю, как рекрутер работает на практике: от поиска кандидатов до интервью и выдачи фидбэка. Здесь важно сопоставить данные из логов с реальными действиями.
И только после этого начинается когнитивный анализ.
Типичная проблема компаний — знания, которые существуют только в головах людей и никак не оцифрованы. Например, решения рекрутера опираются на понимание мышления кандидатов, их мотивации и ситуации на рынке. Формально этого нигде нет, но именно это определяет качество найма.
Эти знания нельзя извлечь из логов, поэтому я рекомендую когнитивные интервью из CTA (Cognitive Task Analysis). Это метод декомпозиции мышления человека на элементарные шаги. На каждом этапе мы уточняем у рекрутера: что он сделал, почему именно так и какие были альтернативы.
Например:
— Какие признаки в резюме вы сразу интерпретируете как риск?
— Если человек каждые полгода меняет работу — это сразу ред флаг. Даже если стек подходит. Обычно это говорит о проблемах с ответственностью или доведением задач до конца.
Особенно хорошо работают вопросы про ошибки новичков и сложные кейсы — именно там проявляется реальная экспертиза. Полезно также «мыслить вслух», когда человек анализирует резюме и проговаривает ход своих рассуждений.
После этого мы строим когнитивные карты — они отражают последовательность мыслей и точки принятия решений. Так я записал интервью с рекрутером, попросил ИИ описать мыслительный процесс в виде Mermaid-кода и визуализировал его тут в виде диаграммы. В итоге получился наглядный майндмэп мышления профессионального рекрутера.
Далее поверх AS-IS формируется TO-BE: какие шаги берет на себя агент, а где требуется человек (например, на технических интервью). Отсюда следуют требования, архитектура и дальнейшая разработка агента с соответствующими цепочками размышлений. Если эксперт опирается на дополнительные знания, нужно определить их источники и выстроить RAG-систему.
В результате роль рекрутера сводится к постановке правильных вопросов. Например, при поиске ИИ-инженера агент-рекрутер задает вопрос про ответственность:
«Представьте, что предложенная вами RAG-архитектура дает формально корректные, но опасные для бизнеса ответы. Как вы поймете, что проблема может быть в архитектуре, и какие шаги предпримете?»
Один кандидат ответил, что проблема скорее в данных или модели и что он бы дообучал модель, не меняя архитектуру. ИИ дал фидбэк: кандидат может быть технически сильным, но он сдвигает границу ответственности.
Другой кандидат сказал, что сначала проверил бы retrieval, зафиксировал проблему, если она есть и предложил изменения в архитектуре. ИИ дал фидбэк: кандидат берет ответственность за систему целиком, поэтому такому инженеру можно доверить сложную архитектуру.
Таким образом, мы получили формализованное мышление, встроенное в ИИ-агента.
Когнитивный анализ решает ключевую проблему бизнеса — оцифровку знаний в головах людей и сценариев их применения. Он дополняет классический бизнес-анализ процессов тем, что извлекает экспертность.
Именно это делает возможным создание по-настоящему умных ИИ-агентов, а не просто автоматизированных процессов.
#кейсы