RConf AI

152-ФЗ и ИИ-оценка: где проходит граница
Один из самых частых вопросов, который мы слышим на первых встречах с клиентами: «А это вообще законно? Мы не нарушим 152-ФЗ?»

Вопрос правильный. Разберём честно.

152-ФЗ требует отдельного согласия сотрудника только в одном случае — когда решение о нём принимается полностью автоматически, без участия человека. Например, если система сама решает: уволить, не взять на работу, не повысить.

RConf устроен иначе. Система анализирует встречи и формирует аналитику: баллы, цитаты, обоснования по заданным компанией критериям. Это и есть ключевое разграничение — ИИ формирует данные, рекрутер или руководитель принимает решение. Финальное слово всегда за человеком.

Это не игра слов — это принципиальная юридическая разница между «автоматизированным принятием решений» и «поддержкой принятия решения человеком». Второе не требует специального согласия по 152-ФЗ сверх стандартной обработки персональных данных.

Плюс сотрудники знают о записи встреч — это обязательное условие работы с платформой. Никакого скрытого наблюдения.
Из нашей практики: споры про 152-ФЗ возникают почти на каждом первом запуске. И почти всегда — снимаются после одного разговора с юристами клиента, когда те видят реальную архитектуру системы.

25 лет без системы оценки — и это работало. До момента, когда компания решила масштабироваться.

В понедельник на Персонал Экспо выступили с совместным кейсом: Дарья Сорокина, HR BP Frontside (25 лет на рынке фасадных систем), и наш Артём Садыков.

"Мы доказываем, что можно» — команда встретила недоверие, а через месяц вся компания показала заметную положительную динамику по компетенциям.

Три мысли, которые остались после выступления:

1️⃣ Когда компания растёт на интуиции основателей — это работает. До тех пор, пока не нужно открывать новое производство и отвечать на вопрос: кто из руководителей готов к следующему уровню, а кто нет. Интуиция не масштабируется.

2️⃣Путь к внедрению редко бывает прямым. 5 месяцев поиска вендора, 20 неудачных попыток, внутренний саботаж, споры про 152-ФЗ — Дарья рассказала про грабли честно. Оценить всех руководителей удалось за 3 недели.

3️⃣ Матрица 9-box работает, когда данные в ней настоящие. Не абстрактные тесты, а реальные встречи руководителей — оценка потенциала и работы «здесь и сейчас» в одной системе. Это применимо не только к производству — к любой компании, где руководителей больше десяти.

Годовой HR-цикл: рынок ускорился, а цикл — нет

Модель компетенций на три года. Ассессмент раз в год. ИПР на следующие 12 месяцев. Это не плохая система — это система, которую строили вдумчиво и всерьёз. Но рынок за последние годы ускорился настолько, что цикл просто не успевает за ним.

Сигнал о поведении руководителя на февральской планёрке приходит к нему в сентябре — в усреднённом виде, без привязки к конкретному разговору. Контекст давно потерян. Обратная связь формально есть, а толку от неё немного. И дело не в качестве инструментов — дело в том, что управленческая работа по природе своей редко даёт быструю и объективную обратную связь. Ассессмент раз в год эту сложность только усиливает.

Исследователи давно это подтверждают. Sackett и соавторы показали: даже лучшие классические методы оценки объясняют не более 18% различий в производительности. Brynjolfsson, Li и Raymond (2025) дали конкретную цифру: когда ИИ даёт обратную связь в процессе работы, а не через полгода — производительность растёт на 15%. Причём эффект неравномерный: менее опытные сотрудники улучшили и скорость, и качество, сильные почти не изменились. Механизм — ИИ распространяет практики лучших и помогает остальным быстрее пройти кривую опыта.

Новая логика не отменяет оценку. Она меняет её ритм: не разовое мероприятие, а наблюдение в реальной работе. Каждая встреча становится точкой данных. Обратная связь приходит, пока контекст ещё жив.

Как это выглядит на практике — разбираем на мастер-классе «Оценка персонала 2.0: как руководитель управляет эффективностью команды» на кейсе компании ТТС.

📅 10 сентября, 16:00 МСК
🫱 Регистрируйтесь!

Корпоративное обучение умерло. Спрос на знания — вырос

Алексей Воронин, основатель RConf — в Коммерсантъ. Карьера.
Кротонвилль. Первый корпоративный университет мира, эталон для всей индустрии на полвека вперёд, бюджет до миллиарда долларов в год. В апреле 2024 года продан по цене квартиры. Он проиграл не онлайн-курсам — он проиграл одному вопросу, на который не смог ответить цифрами: как обучение влияет на результат бизнеса?

Россия идёт той же траекторией. «Слово „обучение" набило оскомину». «С темой обучения к генеральному лучше не заходить» — это говорят люди, которые сами строили корпоративные университеты.
При этом спрос на управленческое знание не упал. Он вырос.

В статье — где именно проходит разрыв, два кейса из практики RConf и один лайфхак к началу делового сезона: как начинать проект корпоративного обучения, чтобы генеральный директор вас поддержал.

Полную статью читать в Коммерсантъ. Карьера - ссылка

9box: почему эта матрица всё ещё лучшее, что есть в кадровом резерве

9box существует уже полвека. За это время HR-индустрия придумала десятки альтернатив. Матрица пережила их все — и не случайно.
Два параметра, девять квадратов — и руководители получают общий язык для разговора о людях. Не «мне кажется, он перспективный», а конкретная позиция в системе координат: где человек сейчас и куда может двигаться. Это ценно. Это работает. Но у инструмента есть одно уязвимое место.

Матрица сильна ровно настолько, насколько точны данные на входе.
Ось результативности — как правило, KPI или оценка руководителя. Здесь всё более-менее измеримо. Ось потенциала — вот где традиционно начинается субъективность. Потенциал оценивает человек. На основании впечатлений, нескольких разговоров, иногда ассессмента. Эффект ореола, усталость к концу дня, симпатия — всё это, как мы уже писали, даёт до 50% погрешности.

Инструмент хороший. Топливо — не всегда.

Что меняет ИИ

ИИ не переизобретает 9box — он даёт ей то, чего раньше не хватало: надёжные данные на ось потенциала. Оценка не по впечатлению после одного разговора, а по паттерну поведения в реальных рабочих ситуациях. Не «мне кажется», а конкретные индикаторы, цитаты, среднее по нескольким прогонам и погрешность.
Матрица остаётся. Язык для разговора о людях остаётся. Но решения, которые на ней основаны, становятся другого качества.

Хороший инструмент заслуживает хороших данных. Теперь они есть.

А вы используете 9box в работе с кадровым резервом?

Кадровый резерв: как не ошибиться в человеке
Кадровый резерв — это всегда ставка на будущее. И главная сложность не в том, чтобы найти сильных. Сильные, как правило, видны. Сложность в другом: человека оценивают в условиях, которые он уже освоил, а назначают в те, которых ещё не было.

Большинство компетенций можно подготовить. Можно выучить, как говорить про стратегию. Можно отрепетировать уверенность. Можно произвести впечатление на ассессменте. Но есть одна компетенция, которую нельзя симулировать: принятие решений в условиях неопределённости.
Не потому что человек скрывает, а потому что это проявляется не в ответах, а в логике. Как он движется от «не знаю» к «вот что делаю». Признаёт ли риски явно или прячет их за оптимизмом. Объясняет ли выбор между альтернативами или просто называет решение. Эту сцепку смыслов сложно подделать — она либо есть, либо её нет.

Именно поэтому один блестящий ответ на ассессменте ничего не доказывает. А несколько рабочих встреч — доказывают многое. Не потому что человек готовился, а потому что он просто работал.
ИИ здесь делает то, на что у ассессора физически не хватает времени: читает не отдельные фразы, а паттерн. Как человек рассуждает под давлением — раз за разом, в разных ситуациях. И даёт не впечатление, а статистику.

Промпт для оценки компетенции «Принятие решений в условиях неопределённости»
Ты — эксперт по оценке управленческих компетенций.
Задача: Оцени компетенцию по транскрипту рабочей встречи.
Компетенция: Принятие решений в условиях неопределённости — способность действовать и выбирать направление в ситуациях, где данных недостаточно, а последствия непредсказуемы.
Поведенческие индикаторы:
— явно признаёт неопределённость, не маскирует её уверенностью;
— называет альтернативы и объясняет логику выбора между ними;
— обозначает риски конкретно, а не абстрактно;
— предлагает действие, а не ждёт полной информации;
— соотносит решение с целями, а не только с текущей ситуацией.
Шкала 1–5:
1–2 — избегает решений, ждёт определённости или действует без анализа;
3 — видит проблему, но логика выбора не прослеживается;
4–5 — явно проходит через альтернативы, называет риски, обосновывает выбор.
Формат ответа: сначала приведи 2–3 цитаты из транскрипта, которые стали основанием. Затем — балл и обоснование. Не делай общих выводов о личности.

Два ассессора. 7200 руководителей в год.
Звучит как ошибка в расчётах. Разберём, за счёт чего это получилось - и что при этом не изменилось.

Задача
«Доброцен» открывает новые магазины: и каждое открытие означает новых руководителей, которых нужно оценить. Потребность в регулярной оценке выросла кратно: 2400+ руководителей в год, по единым стандартам.
Проблема была не в методике. Модель компетенций, ассессоры, работающий процесс — всё это у компании было. Проблема в том, что этот процесс не масштабируется. Цикл ассессмента занимал два дня на человека, и основная часть этого времени уходила не на экспертное суждение, а на наблюдение и ручную подготовку отчётов.
Наймом такое не закрывается: бюджет заморожен, а дефицит кадров в HR и так критичен. Развилка знакомая — либо резать охват, либо резать глубину.

Что изменили
Формат оценки остался прежним: тот же ассессмент-центр, те же кейсовые задания, та же модель компетенций. Единые стандарты никто не переписывал — и это принципиально, результаты остались сопоставимыми с оценками прошлых лет.
Изменилось то, что происходит после сессии. Раньше ассессор наблюдал в реальном времени, фиксировал поведение и затем вручную собирал отчёт. Теперь ИИ анализирует сессии по индикаторам компании и формирует структурированный профиль компетенций — с баллами, обоснованием и цитатами-доказательствами. Ассессор подключается только к спорным профилям.
▪️ Охват: 2400 → 7200 руководителей в год
▪️ Время на один ассессмент: 2 дня → 20 минут
▪️ Нагрузка на команду оценки: −67%
▪️ Экономия: 10 000+ человеко-часов в год

Теперь главный вопрос: а качество?
Он правильный, и мы задаём его первым сами. Отвечаем, что не изменилось.
1️⃣ Критерии остались за компанией. Модель компетенций, поведенческие индикаторы, шкала — это работа экспертов «Доброцена», а не настройка по умолчанию. Без этого ИИ выдаёт красиво упакованную размытость, мы об этом писали.
2️⃣ Каждый балл обоснован цитатой. Не «7 из 10», а конкретный момент сессии, ставший основанием. Такой отчёт можно проверить и с ним можно спорить — в отличие от впечатления.
3️⃣ Пограничные случаи остаются за человеком. Уверенные профили ИИ закрывает сам, спорные валидирует ассессор. Там, где цена ошибки высока, ответственность у людей.
4️⃣ Стандарт стал одинаковым для всех. Раньше на результат влияло, кто именно наблюдал и на какой по счёту сессии за день. Теперь все проходят через одни и те же индикаторы — эффект контраста и усталость оценщика из процесса уходят.

Вывод
Ассессоров не стало меньше, и работы у них не стало меньше — изменился её характер. Они больше не наблюдают и не пишут отчёты вручную. Они настраивают критерии и разбирают сложное.

«Работу, которую возможно было сделать только целым подразделением, теперь делает один специалист вместе с ИИ. В век дефицита кадров это настоящая победа»

Сколько руководителей у вас проходят оценку — и сколько стоило бы оценивать, если бы это ничего не стоило?

И вопрос со звездочкой:
Как доказать собственнику, что эта оценка на самом деле превращается в прибыль?

Можно ли измерить качество управления — цифрой?

Долгое время экономисты считали, что нельзя: слишком субъективно. Пока Ник Блум и Джон Ван Ринен (LSE, Stanford, McKinsey) не создали World Management Survey (WMS) — сегодня это более 20 000 компаний в 35+ странах.

Как это работает

WMS оценивает 18 базовых управленческих практик по шкале от 1 до 5 — в трёх блоках: как компания отслеживает результаты, ставит цели и работает с людьми,

Исследователи использовали «двойное слепое» интервью: менеджеру задают только открытые вопросы («расскажите, как вы разбираете отклонения от плана») и не показывают шкалу. Так фиксируются реальные практики, а не красивые декларации. А интервьюер не знает финансовых результатов компании — чтобы они не «подкрашивали» оценку.

Главные открытия

▪️ Рост индекса управления на одно стандартное отклонение связан с ростом производительности на десятки процентов

▪️ Управленческие практики объясняют около четверти разрыва в производительности между странами — сопоставимо с вкладом ИТ и новыми технологиями

▪️ Самооценка менеджеров почти не коррелирует с реальным баллом. Слабые компании уверены, что управляют хорошо.

▪️ И самое обнадёживающее: управление — обучаемый актив. Эксперименты показали: целенаправленное внедрение практик даёт устойчивый прирост производительности на 10–20%.

Вывод

Качество управления можно измерить, сравнить и улучшить. Инвестиции в управление— самый мощный двигатель роста.

Единственный минус классического WMS — дорогие интервью раз в несколько лет. Именно поэтому мы в RConf построили на этой методологии непрерывное измерение: ИИ оценивает качество управления по реальному поведению руководителей на рабочих встречах — с доказательствами-цитатами и индексом MQI каждый месяц.

А насколько вы считаете полезным измерить качество управления в вашей компании?

🏒 Чем чемпион отличается от просто хорошего игрока?

Не талантом. И даже не количеством тренировок.

В хоккее это известно точно: чемпион — тот, кто умеет смотреть на свою игру честно. После каждого матча — разбор. Не чтобы найти виноватых, а чтобы найти точку роста: здесь опоздал на смену, здесь отдал пас не туда, здесь можно было сыграть иначе.

Неприятно? Ещё как. Но спорт давно принял простую идею: изнутри свои слабые места не видит никто. Ни игрок, ни тренер, ни вся команда. «Своя игра всегда кажется лучше, чем она есть» — так устроен человек. Поэтому рост начинается не с усилий. Усилий у всех достаточно. Рост начинается со взгляда со стороны.

Уэйн Гретцки говорил, что мчится туда, где шайба будет, а не туда, где она была. Это умение не врождённое — оно выработано тысячами часов разбора своей и чужой игры.

А теперь честный вопрос к себе.
Когда вы в последний раз видели свою «игру» со стороны? Не отчёт о результатах — а именно то, как вы играете: как проводите совещание, как принимаете решения, как слышите (или не слышите) свою команду?

У каждого руководителя есть свой стиль управления. И почти никто не видит его со стороны. Руководитель уверен, что развивает команду, — а на встречах говорит 80% времени и сам отвечает на вопросы, которые задаёт. Или считает себя жёстким и требовательным — а команда слышит его иначе и просто перестаёт выносить проблемы наверх. Это не плохой руководитель. Это обычные слепые зоны — они есть у всех. Разница лишь в том, ищет ли человек того, кто поможет их увидеть.

В RConf мы занимаемся именно этим: помогаем честно взглянуть на управленческие процессы со стороны — как на самом деле проходят встречи, как принимаются решения, где можно раскрыть потенциал людей. Не ради оценок и контроля. А ради того же, ради чего хоккеисты пересматривают каждый матч, — чтобы следующая игра была сильнее.

Нельзя стать лучше, не увидев, где ты сейчас. С этого начинается любой чемпион — и на льду, и в переговорной.

Приглашаем 21 июля на открытую панельную дискуссию, где практики, управляющие крупным бизнесом, обсудят, как ИИ меняет саму роль управленца — то, как первое лицо видит компанию, принимает решения и работает с людьми.

Разговор пойдёт по трём линиям
1️⃣Видение
Как с помощью ИИ точнее понимать, что происходит внутри компании, на рынке и в технологиях.
2️⃣Решения
Как меняется само принятие решений: становятся ли они оптимальнее, дальновиднее и своевременнее.
3️⃣Люди
Какие компетенции развивать команде и как меняется управление людьми в эпоху ИИ.

Отдельно разберём вопрос конкуренции: если ИИ-инструменты доступны всем, за счёт чего компании будут выигрывать друг у друга.

В финале — живое демо: разыгрываем реальную управленческую ситуацию и покажем, как ИИ её анализирует. Разберем вместе с экспертами.

Спикеры — практики, которые сами управляют бизнесом
В дискуссии — практики, которые сами управляют бизнесом:
▪️ Алексей Воронин — соучредитель RConf, д.ф.-м.н., модератор
▪️ Сергей Редько — цифровая трансформация ТЭК
▪️ Сергей Клевогин — руководитель департамента ИБ федерального холдинга
▪️ Ольга Кухаренко — руководитель отдела развития системы управления, «Доброцен»

❗️ 21 июля, 16:00 МСК, онлайн
Круг небольшой — до 30 участников.

Участие бесплатное, требуется регистрация

ИИ приносит деньги. Но не всем — и вот почему.
PwC опросила 4 454 CEO из 95 стран (29-й Global CEO Survey, 2026). Вопрос №1, который волнует первых лиц: достаточно ли быстро мы меняемся, чтобы успеть за технологиями?
Цифры дают честный ответ. 56% компаний пока не получили от ИИ ни роста выручки, ни снижения затрат. Но есть авангард — 12%, у которых сошлось и то и другое.

Чем они отличаются? PwC отвечает конкретно. Лидеры не запускают разрозненные пилоты — они строят фундамент: стратегию, данные, культуру работы с ИИ. И применяют его глубже: 44% авангарда встроили ИИ в собственные продукты и сервисы — против 17% у остальных.

Результат измерим. «Динамичные» компании — те, кто инвестирует и трансформируется несмотря на неопределённость, — растут на 9% против 7% у осторожных, а маржа у них 9% против 6%. Два пункта роста и три пункта маржи — цена выжидательной позиции.

Вывод исследования: главная опасность сейчас — не поспешность, а отрицание. Побеждают не те, кто «попробовал ИИ», а те, кто перестроил вокруг него работу компании.

Ловушка сильной культуры: когда единство убивает правду

В лучших компаниях, с которыми мы работали, рано или поздно возникал один и тот же вопрос: а как выглядит культура нашей компании на самом деле? Не в декларациях и ценностях на сайте, а в живой работе на ежедневных деловых встречах.

Собственник строит компанию годами. Вкладывает в людей, формирует ценности, создаёт традиции. В какой-то момент вокруг — только улыбки, энтузиазм, согласие. Это приятно! Но это и есть ловушка!

Тот, кто сомневается, смотрит на эти улыбки и думает: только я один сомневаюсь. И молчит, чтобы не нарушать согласие, не быть белой вороной, чтобы легче двигаться по карьерной лестнице, наконец! На самом деле сомневаются и молчат все.

Экономист Тимур Куран назвал это «фальсификацией предпочтений»: люди искажают свои взгляды под давлением среды. Всеми нелюбимые решения выглядят популярными, очевидно бесполезные практики живут годами, а наверх поступает исключительно благостная картина.

CEO видит единство → убеждается в правоте → усиливает культуру → молчание крепчает.

Как Тойота взломала культуру замалчивания. Японская культура - один из самых наглядных примеров ловушки молчания. Сохранение гармонии и уважение к авторитету- традиционная основа такой культуры. Тойота ввела андон — верёвку, которую любой рабочий мог дёрнуть, чтобы остановить линию при обнаружении дефекта. Когда руководитель прибывал, он первым делом благодарил того, кто остановил конвейер. Со временем это перестало быть признанием в ошибке — стало общепризнанным вкладом в общее дело.

Парадоксально, но сильная культура без встроенных механизмов несогласия - опасна. А психологическая безопасность — это вовсе не взаимная вежливость. Это верёвка андон.

Чем поможет ИИ в управлении культурой. Внедряя корпоративные правила и командные практики, легко невольно попасть в ту же ловушку: видеть желаемое, а не реальное. ИИ позволяет увидеть, как внедряемые практики работают на самом деле — не в мечтах, не в отчётах, а в живых встречах на рабочем месте.

Пример дашборда RConf по измерению корпоративной управленческой культуры на основе реального пилота (данные полностью анонимизированы) - по ссылке

Когда настройки промпта мало: как ещё повысить точность ИИ?
Аккуратной настройки промпта чаще всего хватает. Но если разброс остаётся слишком большим для цены ошибки — есть методы посерьёзнее.

Множественная генерация и разные модели. В отличие от человека, ИИ можно опросить не один раз, а двадцать — и не одной моделью. Усредняем прогоны: разброс сужается, оценка стабилизируется. А сам разброс становится сигналом: скачут результаты — критерий ещё размыт или данных мало. Честное «недостаточно данных» всегда лучше выдуманной цифры.

Тонкая настройка промпта для разных моделей.

У разных моделей- разные слепые зоны, разные особенности промптов, поэтому важно придерживаться как общих правил уточнения промпта, так и знать нюансы моделей, чтобы не увеличивать разброс.

1️⃣ Покажите 2–3 эталонных фрагмента: вот так выглядит «4», а так «2» — модель калибруется по примерам гораздо точнее, чем по определениям.
2️⃣ Требуйте сначала обоснование с цитатами и только потом балл.
3️⃣ Дробите «лидерство» на конкретные индикаторы — целое собирается из частей надёжнее.

Качественный скачок — больше данных.
Один разговор — это одна точка, случайная. Несколько встреч одного человека дают устойчивую картину и гасят погрешность отдельного интервью. В RConf для этого автоматически создаётся база знаний по встречам — анализ идёт по всей истории, а не по одному срезу.

Человек на границе. Уверенные случаи ИИ закрывает сам, пограничные — валидирует человек. Там, где цена ошибки выше всего, ответственность остаётся за человеком.

Итог.
Точность ИИ — не свойство модели, а результат настройки. Сначала четкие критерии и индикаторы, понятные примеры, обоснование перед баллом, дробление критериев. Если этого мало — множественная генерация по разным моделям. Пограничные случаи — всегда человеку.

Как надёжно оценивать компетенции с помощью ИИ?
Компетенция - это не то, что человек о себе говорит, а то, как он принимает решения. И этот способ надёжно отпечатан в речи. Не в отдельных словах, а в скрытой сети связей между ними: что с чем человек сцепляет, как переходит от факта к выводу. Речь устроена как паутина: подделать одну фразу легко, всю сцепку смыслов — невозможно. Языковая модель обучена ровно этому - улавливать близость смыслов. По-сути, языковая модель - прирожденный рекрутер, она, как и рекрутер, по тексту (собеседованию) выявляет отраженные в речи компетенции сотрудника.

Главное условие — чёткие критерии с индикаторами.
Если вы можете внятно объяснить человеку, что такое «лидерство» в вашей компании, то и ИИ поймёт. Чем размытее формулировка, тем больше разброс. Размытый критерий даёт красиво упакованную размытость.
Типичная ошибка при проверке точности оценки - это прикинуть в голове оценку знакомого сотрудника и сравнить с ИИ. Но так не работает. Так вы измеряете не точность, а разницу между своим субъективным впечатлением о конкретном человеке - на основании всего опыта знакомства - и оценкой ИИ по заданным критериям на основании одного интервью. Сравнивайте круглое с круглым!

Правильная процедура.
Собрать 3–5 оценщиков, дать каждому чёткие критерии с индикаторами и шкалу (например, от 0 до 3). Каждый независимо смотрит интервью кандидата, выставляет балл и письменно обосновывает его — какой конкретно момент стал основанием. Это и называют мотивировкой.
У пяти независимых экспертов баллы не совпадут идеально - это нормально. Среднее этих баллов — ваш результат, разброс между оценками — погрешность метода.
Затем прогнать ту же запись через ИИ с теми же критериями, шкалой и требованием к обоснованию — столько раз, сколько было экспертов. Считаете среднее и погрешность у людей, считаете у ИИ. Сошлись - ИИ работает не хуже ваших людей.
Никаких итоговых вердиктов: только среднее и погрешность. Так работают профи.

Пример фрагмента промпта, который мы используем:
Модель оцениваемых компетенций
«Стратегическое мышление» - способность видеть картину в целом, анализировать проблему в долгосрочной перспективе и предлагать решения с учетом различных факторов и последствий.

Поведенческие индикаторы:
- Определяет ключевые факторы и тенденции, влияющие на отток сотрудников
- Анализирует проблему комплексно, учитывая различные перспективы
- Предлагает решения, ориентированные на долгосрочный эффект
- Соотносит предлагаемые меры с бизнес-целями компании
- Учитывает рыночный и отраслевой контекст

Шкала оценки (0-5):
1. 0-1: Не демонстрирует стратегического мышления; фокусируется только на очевидных и сиюминутных аспектах проблемы, рассматривает проблему узко, без учета долгосрочных последствий.
2. 2-3: Демонстрирует базовое стратегическое мышление; видит некоторые взаимосвязи, но анализ недостаточно глубокий.
3. 4 -5: Демонстрирует выдающееся стратегическое мышление; предлагает инновационные решения с учетом всех аспектов проблемы, четко видит долгосрочные перспективы и связь с бизнес-стратегией.

Если средние не сошлись — читайте мотивировки. По нашей практике, обычно вскрывается одно из трёх: ИИ заметил то, что эксперты пропустили и они меняют мнение; модель или эксперты недопоняли критерий — добавляем примеры в промпт; не хватает контекста и целей компании, который эксперты держат в уме по умолчанию- добавляем контекст. Процесс настройки оценки с помощью ИИ (да и спомощью людей)- всегда иттеративный. Если все сошлось с первого раза - это случайность! Закономерность- уточнения и настройка.

Оговорка: речь о современных больших моделях — уровня Claude Sonnet или GigaChat. На слабых локальных возможны сюрпризы.
В большинстве случаев эта процедура даёт отличное совпадение между группой экспертов и ИИ.

Откуда берётся погрешность — у людей и у ИИ

До 50% результата оценки зависит от того, кто оценивает, а не от того, кого оценивают. Неудобная цифра, но она воспроизводится в исследованиях снова и снова.

Происходит это не потому, что оценщики некомпетентны. Просто мозг экономит усилия и делает это автоматически, без спроса. Одно яркое качество окрашивает всю картину целиком: человек уверенно держится на входе — значит, скорее всего, и компетентен, и надёжен. Первое впечатление складывается за 30 секунд и почти не меняется — всё остальное время интервью оценщик его незаметно для себя подтверждает. А эффект контраста работает ещё проще: кандидат выглядит сильнее или слабее в зависимости от того, кто проходил собеседование перед ним полчаса назад. В отдельных исследованиях это давало до 80% погрешности — просто от порядка в расписании.

К этому добавляется то, о чём в компаниях говорят редко: обоснованных критериев успешного кандидата в большинстве случаев нет, а скачанные из интернета модели компетенций ничего не предсказывают, как бы убедительно они ни выглядели. «Рекрутер с чутьём» — это, конечно, хорошо, но не масштабируется: уходит в отпуск — и воспроизводимость оценки уходит вместе с ним.

На этом фоне ИИ выглядит почти как решение. Он не устаёт, не знает эффекта контраста, не забывает цели компании к концу дня найма. Всё это правда — но это не значит, что у него нет погрешности. Она есть, просто другая: вероятностный разброс выводов (температура), переоценка красноречия, потеря контекста на больших объемах. Не человеческая предвзятость, но и не её отсутствие.

Поэтому правильный вопрос не «точен ли ИИ» — а достаточно ли он точен для конкретной задачи именно вашей компании. И как это проверить — об этом в следующем посте.

Какая точность оценки вам нужна?

Когда говорят «эти весы очень точные» — сразу возникает разумный вопрос: для чего? Взвесить крупицу золота или картошку? С оценкой людей этот вопрос почему-то не задают.

А стоило бы. Потому что у любой оценки персонала три разных свойства и в зависимости от задачи важны разные из них.

Надёжность - это повторяемость. Два эксперта смотрят одного кандидата и приходят к одному выводу. Оценки до и после обеда совпадают.

Валидность - оценка действительно измеряет то, что нужно. Например, предсказывает, как человек сработается с командой, а не просто фиксирует, что он бойко отвечает на вопросы.

Точность - попадает ли в цель, нет ли систематического смещения.

Какое из трёх свойств важнее — зависит от цены ошибки. При найме времени мало, данных мало, и отсечь хорошего кандидата дороже, чем взять слабого: второго шанса не будет. Нужна валидность. При формировании кадрового резерва ошибка имеет долгосрочные последствия, зато есть время накапливать данные — здесь нужна надёжность, не блеск одной встречи. При оценке для развития цена ошибки низкая, но нужна не цифра «7 из 10», а карта сильных и слабых сторон.

И вот что крайне важно, но редко встречается в практике оценки людей: профессиональная оценка — это всегда два числа: среднее и погрешность. Без второго первое почти ничего не значит.

Кандидата берут в кадровый резерв, если оценка ≥ 2.8.

Оценщики поставили 1, 3, 5 → среднее 3, погрешность ±2. Брать? Неизвестно. Мы знаем лишь, что кандидат где-то между 1 и 5.

Оценки 2.8, 3.0, 3.2 → среднее тоже 3, погрешность ±0.2. Вот тут всё понятно — с учётом погрешности кандидат проходит.

Откуда берётся эта погрешность у людей и что происходит, когда оценивает ИИ — в следующем посте.

Наш цифровой помощник наконец получил имя и это заслуга сообщества RConf.
🥇 1 место — Нео
Автор имени-победителя Эльмира Пугачёва получает полный набор из трёх книг. Эльмира, мы свяжемся с вами лично.
🥈 2 место — Сократ
Автор имени @igorborodinnn получает книгу «От хорошего к великому» — Джим Коллинз 📗
🎖 Специальный приз
Среди всех вариантов было одно имя, которое не попало в финал, но запомнилось команде — Рики. Екатерина получает книгу «Фрикомыслие» — Левитт, Дабнер 📙

Спасибо всем, кто участвовал - вы помогли Нео появиться на свет)
Скоро расскажем, кто такой Нео и как он будет помогать вам работать с RConf 🚀

В прошлом посте мы разобрали, почему внедрение буксует - даже когда команда кивает на обучении и говорит «всё понятно».
Спойлер: дело не в саботаже. Люди ведут себя рационально.

Но как тогда понять, что инструмент реально используется, а не просто числится в списке «внедрённых»?
Мы собрали конкретные сигналы - поведенческие, метрические и тревожные. И упаковали их в чек-лист.

📎 Он в приложении к этому посту.

Главный вопрос для быстрой проверки - спросите любого участника:
«Расскажи конкретный случай за последнюю неделю, когда инструмент тебе реально помог?»
Отвечает с примером - пользуется.
Мнётся или говорит абстрактно — скорее всего нет.

Банально? Да. Но именно это работает.

Мы много внедряем ИИ-инструменты в компаниях. И провал - часть ценного опыта. Делимся, берите!)

- Коллеги, все ли понятно?
Команда кивала на обучении.
Через неделю — тишина. А через две - кислые лица ответственных за проект.

Мы прошли через это. И вот что поняли.

Сотрудники не саботируют инструмент с ИИ. Они ведут себя рационально.

Как только мы перестали думать об этом как о "сопротивлении" — картина стала другой:
1. Польза шла наверх, а не к тем, кто работает с инструментом каждый день. Отчёт улетал руководителю, а сотрудник не получал ничего обратно. Никакой подсказки, никакой обратной связи.
2. Мы не договорились, что считать успехом до старта. Не зафиксировали "сейчас отчёт занимает 3 часа" — не удастся доказать, что добились успеха, хотя время на отчет теперь - 2 минуты. Без базовой метрики любой результат воспринимается как "ну и ладно".
3.Всё держалось на одном человеке. Он ушёл в отпуск и проект завис.

После нескольких болезненных провалов, мы сделали так, чтобы наш инструмент давал что-то лично каждому участнику бизнес- процесса снизу доверху. Подсказки, полезные лайфхаки, развивающую обратную связь с поддержкой и похвалой от ИИ.

Больше союзников - больше шанса на успех. Нашим союзникам не надо долго объяснять, что было до и что стало после. Они объясняют это сами коллегам и своим руководителям.

Банально, скажете вы? Банально, но именно это работает!