ИИ для внутренней мобильности сотрудников: от выявления потенциала к реализации

ИИ для внутренней мобильности сотрудников: от выявления потенциала к реализации

Компании теряют миллиарды на неиспользованном потенциале своих сотрудников. Когда специалист уходит в конкурирующую фирму, нередко он занимает позицию, которую его бывший работодатель мог бы ему предложить изнутри. Вместо этого компании вкладывают время и деньги в рекрутинг, адаптацию нового человека и риск того, что он просто не подойдет по культуре. Искусственный интеллект меняет эту логику. Он позволяет увидеть каждого сотрудника не как человека на одной должности, а как носителя набора компетенций, которые могут быть полезны в других местах организации. В этой части мы разберемся, как это работает и почему внутренняя мобильность, поддерживаемая ИИ, становится конкурентным преимуществом.

Почему внутренняя мобильность перестала быть опциональной

До недавнего времени внутренняя мобильность рассматривалась как приятный бонус для сотрудников и удобство для HR. На практике это выглядело просто: если сотрудник попросил перевод на другую должность, его направляли на собеседование. Если не подходил, отказывали. Процесс был интуитивным и строился на личных знакомствах руководителей.

Сейчас ситуация иная. На рынке труда конкуренция за специалистов выросла качественно. Молодые сотрудники готовы уходить в другие компании не только ради денег, но и ради развития, новых вызовов, смены деятельности. Если внутри компании нет видимых путей развития и нет механизма, который бы помог сотруднику найти новую роль, он уйдет к конкурентам. Удержание специалистов напрямую связано с внутренней мобильностью.

Второй момент экономический. Рекрутирование нового сотрудника в среднем стоит от 50 до 150 тысяч рублей, если считать время на поиск, интервью, адаптацию. Внутренний переводъ обходится в несколько раз дешевле. Человек уже знает компанию, культуру, процессы, людей. Он быстрее становится продуктивным. Риск того, что он не подходит, намного ниже.

Третий аспект стратегический. Когда компания создает систему внутренней мобильности, она инвестирует в развитие лидеров. Руководители среднего уровня растут из специалистов, которые сумели проявить себя в разных ролях. Сотрудник, который прошел через несколько позиций в компании, лучше понимает ее структуру и проблемы. Он становится более ценным активом, чем внешний кандидат с красивым резюме.

Компании, которые активно используют внутреннюю мобильность, держат специалистов в два раза дольше, чем те, которые этого не делают. Это не просто цифра из исследования, это математика удержания: если человек видит перспективу развития внутри, он остается.

Почему ручные процессы больше не работают

До этого момента большинство компаний полагались на субъективные методы. HR-специалист знал немного людей, руководители время от времени рекомендовали своих подчиненных на новые позиции, и на этом процесс заканчивался. Проблема в том, что таким образом виден только верхний слой людей и компетенций.

В крупной компании с несколькими тысячами сотрудников такая система становится неработоспособной. HR просто физически не может знать каждого. Руководители отделов часто неохотно отпускают хороших сотрудников, потому что это ослабляет их подразделение. Скрытые таланты остаются неизвестными. Вакансии заполняются теми, кто оказался на виду, а не теми, кто лучше всех мог бы с ней справиться.

Добавьте к этому скорость. На рынке компетенции устаревают быстро. Спрос на навыки меняется каждые полтора-два года. Ручная система не способна отслеживать, кто из сотрудников начал изучать нужные технологии, кто прошел курсы, кто показал потенциал в смежных областях. Информация разбросана по разным системам, в головах у разных людей, в старых письмах. Найти нужного человека на нужное место становится задачей, которую невозможно решить систематически.

Как ИИ преобразует процесс поиска внутренних кандидатов

ИИ работает с данными. Он не знает людей лично, не имеет предубеждений и не забывает информацию. Если в систему загружены данные о каждом сотруднике, ИИ может провести анализ, который человек просто не в состоянии выполнить вручную.

Вот что ИИ видит, когда анализирует базу данных сотрудников:

• Образование и квалификация, включая курсы и сертификаты, которые сотрудник прошел в компании
• История работы в компании: в каких проектах участвовал, какие роли выполнял, как долго был на каждой позиции
• Оценки производительности и отзывы руководителей за несколько лет
• Навыки, которые сотрудник применял в своей текущей работе
• Данные из внутренних систем: программы обучения, которые он проходил, языки, которые учил, проекты, в которых участвовал
• Информацию из профиля в корпоративной социальной сети, если там люди делятся своими интересами и достижениями

На основе этой информации ИИ строит профиль каждого сотрудника не как набор строк в резюме, а как многомерную карту компетенций и потенциала. Это позволяет ему делать два важных вещи.

Первое: когда открывается новая позиция, ИИ может в считанные секунды найти всех сотрудников, которые имеют нужные навыки или потенциал их быстро развить. Причем он найдет не только очевидных кандидатов, но и людей из других подразделений, которые могли бы быстро переучиться. Например, ИИ может заметить, что сотрудник из отдела финансов прошел несколько курсов по аналитике данных и мог бы хорошо справиться с позицией junior data analyst в IT.

Второе: ИИ может предложить каждому сотруднику, исходя из его текущей позиции и компетенций, возможные следующие шаги в карьере. Это не просто общая рекомендация, а персональный путь развития, основанный на реальных данных о том, какие шаги делали успешные люди из похожей начальной позиции.

Систематический поиск внутренних кандидатов сокращает время закрытия вакансии в среднем с трех месяцев до двух недель. Более того, вероятность того, что внутренний кандидат останется на позиции дольше года, почти в два раза выше, чем для внешних нанимателей.

Выявление скрытого потенциала

Одна из самых мощных возможностей ИИ в контексте внутренней мобильности — это выявление людей, которые еще не показали себя на управленческих должностях, но имеют все предпосылки к этому. Компания может заметить сотрудника, который обладает правильной комбинацией технических знаний, коммуникативных навыков и истории успешной работы в проектах. И предложить ему позицию группового лидера прежде, чем он сам подумает об этом или уйдет в конкурирующую фирму, где ему дадут эту возможность.

ИИ анализирует не только явные показатели, но и паттерны поведения. Он замечает людей, которые добровольно берут на себя ответственность в проектах, организуют внутренние мероприятия, менторят новичков. Это признаки лидерского потенциала, которые часто остаются невидимыми для формальной системы оценки.

Данные как основа системы

Чтобы ИИ мог работать эффективно, ему нужны качественные данные. И здесь возникает первый практический вызов. Большинство компаний хранят информацию о сотрудниках в разных местах: часть в HR-системе, часть в системе управления проектами, часть в платформе обучения, часть в электронной почте.

Чтобы развернуть систему внутренней мобильности на базе ИИ, нужно сначала привести данные в порядок. Это не означает, что нужно выбросить все старые системы и купить новую платформу. Это означает, что нужно создать единый источник информации, где будут собраны и структурированы данные о сотрудниках.

Какие данные имеют смысл собирать:

• Полная история должностей и проектов каждого сотрудника, включая даты и описание того, что он делал
• Результаты оценок компетенций, если они проводились
• Информация о прошедших курсах и полученных сертификатах
• Оценки руководителей и 360-градусные отзывы (если они собирались)
• Данные о том, какие языки программирования, инструменты и методологии использует сотрудник
• Информация о добровольческих проектах и дополнительных ролях внутри компании
• При необходимости данные о личных интересах и целях (если сотрудник захотел их поделиться)

Качество этих данных критично. Если система содержит устаревшую информацию, неправильные классификации должностей или неполные истории карьеры, то и рекомендации ИИ будут неточными.

Структурирование и подготовка информации

Просто собрать данные недостаточно. Их нужно структурировать так, чтобы ИИ мог с ними работать. Например, если в системе должность называется по-разному в разных подразделениях (в одном отделе это Senior Developer, в другом Lead Developer), ИИ не поймет, что это одна и та же позиция. Нужно привести все названия к единому стандарту.

Или другой пример: если в одной части системы указано, что сотрудник знает Python, а в другой это никак не отражено, то ИИ может не заметить этот навык при поиске кандидатов на позицию, где Python требуется.

Поэтому перед внедрением системы нужно провести аудит и подготовку данных. Это трудоемкая работа, которую часто недооценивают. Но именно на этом этапе закладывается качество всей системы. Компания, которая потратит месяц-два на подготовку данных, получит работающую систему. Та, которая пропустит этот этап, столкнется с тем, что ИИ выдает неправильные рекомендации, и весь проект зависнет.

Ключевые компетенции для внутренней мобильности

Не все навыки одинаково важны при переводе сотрудника на новую позицию. Есть компетенции, которые легко передаются между ролями, и есть те, которые требуют специализации.

Вот как можно разделить компетенции по степени переносимости:

• Высокотрансферабельные: управление временем, коммуникация, работа с людьми, аналитическое мышление, умение учиться. Человек с этими навыками может быстро адаптироваться к новой роли.
• Среднетрансферабельные: проектный менеджмент, работа с данными, написание технической документации. Эти навыки помогают, но нужно дополнительное обучение специфике новой роли.
• Низкотрансферабельные: работа с конкретными инструментами, знание специализированных методик, опыт в узкой области. Эти компетенции нужны именно для текущей роли.

ИИ должен учитывать эту классификацию при анализе кандидатов. Если на позицию нужны высокотрансферабельные навыки, то система может рекомендовать людей из совершенно других подразделений. Если позиция требует специализированных знаний, то поиск должен быть более узким.

Например, компания ищет нового руководителя проектов. Это позиция, где требуются коммуникация, организаторские способности, умение работать с людьми. ИИ может найти хорошего кандидата среди сотрудников разных отделов. Но если компания ищет специалиста по оптимизации SQL-запросов, то поиск должен быть ограничен людьми, у которых уже есть опыт работы с базами данных.

Мягкие навыки как основа карьерного роста

Интересное наблюдение: люди, успешные в карьере, часто переходят между разными техническими специализациями, но сохраняют одинаковый набор мягких навыков. Менеджер проекта может перейти в продакт-менеджмент, потом в консалтинг. Разные области, но умение слушать, структурировать задачи и влиять на людей остается.

Это означает, что при оценке потенциала для внутренней мобильности нужно дать больший вес мягким навыкам. ИИ должен отрыва внимание на людей, которые хороши в коммуникации, обучаемости и адаптивности, а не только на тех, кто имеет узко специализированные технические знания.

Автоматизация подбора внутренних кандидатов

Выявить потенциал — только половина задачи. Вторая половина заключается в том, чтобы эффективно подобрать нужного человека на нужное место в нужное время. Здесь ИИ становится инструментом, который радикально ускоряет и улучшает этот процесс.

Традиционный процесс заполнения вакансии выглядит так: открывается позиция, отправляется объявление во внутренний портал, приходят заявки, HR проводит интервью. Проходит две-три недели, а то и месяц. За это время хороший кандидат может передумать, найти себе другую роль в компании или уйти конкурентам. Более того, даже если позиция открыта давно, скрытые кандидаты, которые не следили за объявлениями, так о ней и не узнают.

ИИ меняет эту логику. Когда открывается новая должность, система автоматически анализирует всех сотрудников компании и находит тех, кто может ее занять. Это происходит в течение минут, а не дней.

Рекомендации оптимальных должностей

Ключевой механизм здесь — это система рекомендаций. Она работает примерно так же, как алгоритмы в Яндекс.Маркете или Netflix, которые предлагают вам товары или фильмы на основе ваших предпочтений. Но вместо товаров система рекомендует должности.

Когда открывается позиция, ИИ анализирует требования этой должности и сравнивает их с профилем каждого сотрудника. Но он делает это не по одному параметру, а по сотням. Система смотрит:

• Полное совпадение требуемых навыков с тем, что есть у сотрудника
• Частичное совпадение, когда есть базовые навыки, но нужно дообучение
• Потенциальное совпадение, когда сотрудник имеет похожие компетенции из другой области
• Историю предыдущих переводов: если человек успешно переходил между похожими ролями, вероятность успеха выше
• Скорость обучения сотрудника: если он быстро осваивает новое, то даже при частичном совпадении навыков может быстро вырасти
• Текущую нагрузку и готовность к переводу

На основе этого анализа система выдает ранжированный список кандидатов. Первые в списке — люди с максимальным совпадением. Далее идут люди, которым нужно небольшое дообучение. Затем те, кто имеет потенциал, но потребует более серьезной подготовки.

Важный момент: система не просто выдает список. Она может рекомендовать специфичный путь развития для каждого кандидата. Например: "Этот сотрудник не знает инструмент X, который требуется на позиции. Но он быстро учится. Если провести его через трехнедельный курс, вероятность его успеха будет выше 80%".

Когда компании используют ИИ-рекомендации для подбора внутренних кандидатов, процент успешных внутренних назначений растет с 60% до 85%. Люди остаются на позиции дольше, быстрее становятся продуктивными и реже уходят из компании.

Соответствие целей сотрудника и компании

Часто система внутренней мобильности работает только в одну сторону: компании подбирают нужного человека. Но игнорируют то, что нужно самому сотруднику. Результат: человека перевели на позицию, которая хорошо смотрится на бумаге, но не совпадает с его карьерными целями. Через полгода он уходит.

ИИ должен учитывать обе стороны уравнения. Для этого нужна информация о том, что хочет сотрудник. Это может быть формальная анкета, которую он заполняет раз в год: какие навыки я хочу развивать, в каких направлениях я вижу свою карьеру, готов ли я к управленческой роли или предпочитаю остаться экспертом.

На основе этой информации система может строить персональные карьерные пути. Рекомендации не просто основаны на том, на какой позиции сотрудник может быть полезен, но и на том, что соответствует его развитию.

Пример: в компании открывается позиция руководителя отдела. Формально она хорошо подходит опытному специалисту Алексею. Но если Алексей указал в своем профиле, что он не хочет управлять людьми и предпочитает экспертную роль, то ИИ не будет рекомендовать его на эту позицию. Вместо этого он предложит ему позицию главного специалиста в другом направлении, которая лучше соответствует его целям.

Такой подход повышает удовлетворенность сотрудников карьерными переводами. Люди видят, что компания не просто передвигает их на доске как фишки, а учитывает их личные цели.

Для того чтобы это работало, система должна быть двусторонней. Не только компания может предлагать позиции сотруднику. Сотрудник тоже может выражать интерес к определенным ролям или направлениям. ИИ уведомит его, когда откроется подходящая позиция, или подскажет, какие навыки ему нужно развивать, чтобы перейти туда.

Инструменты ИИ для внутренней мобильности

На рынке сейчас нет специализированного инструмента, который бы решал только задачу внутренней мобильности. Вместо этого есть несколько категорий решений, которые могут быть использованы для этого.

Платформы с аналитикой персонала

Это системы, которые собирают и анализируют данные о сотрудниках из разных источников. Они строят единый профиль каждого человека, включая его компетенции, историю работы, результаты оценок.

Примеры таких платформ на российском рынке и глобально:

• Работают с российскими компаниями: как правило, интегрируются с локальными HR-системами и системами управления проектами
• Предоставляют дашборды, на которых HR и руководители видят таланты в организации
• Позволяют строить отчеты о компетенциях и потенциале сотрудников
• Часто имеют встроенные модули для планирования преемственности и развития лидеров

Преимущество таких платформ в том, что они дают целостную картину. Недостаток в том, что ИИ в них часто используется для анализа и визуализации, а не для активных рекомендаций.

Системы управления талантами

Это более комплексные решения, которые охватывают весь цикл жизни сотрудника: от найма до развития и удержания. Они часто имеют встроенные инструменты для внутренней мобильности.

Типовой функционал в таких системах:

• Управление вакансиями и процесс найма
• Планирование развития и обучения
• Оценка производительности
• Система преемственности
• Управление внутренней мобильностью

Системы управления талантами часто используют ИИ для автоматизации процессов и выдачи рекомендаций. Они могут быть как специализированными решениями для больших компаний, так и интегрированной частью более крупной HR-системы.

Примеры: Workday, SuccessFactors, и различные локальные решения, которые работают с компаниями в России и странах СНГ.

ИИ-помощники для планирования карьеры

Это относительно новая категория. Это чат-боты или интерфейсы на основе больших языковых моделей, которые помогают сотруднику разобраться в его карьерном пути.

Как это работает: сотрудник открывает приложение и задает вопрос типа "Какие позиции я мог бы занять через два года?" или "Какие навыки мне нужно развивать, чтобы перейти в отдел аналитики?". ИИ анализирует его профиль и дает персональный ответ с конкретными шагами.

Такие помощники могут быть встроены в уже существующие HR-системы или работать как отдельные решения. Их ценность в том, что они делают карьерное планирование более доступным и интерактивным. Сотрудник не ждет встречи с HR-специалистом, а получает ответ прямо сейчас.

Важно понимать: такие решения работают лучше всего, когда в системе уже есть качественные данные о сотрудниках. Если данные плохие или неполные, то рекомендации будут неточными.

Внедрение ИИ: пошаговый процесс

Переход на систему внутренней мобильности на основе ИИ — это не одноразовая покупка инструмента. Это трансформационный проект, который требует планирования и должен выполняться в несколько этапов.

Подготовка данных о сотрудниках

Мы уже касались этого, но стоит подробнее. Этап подготовки данных часто недооценивают, потому что он не выглядит впечатляющим. Нет никаких новых интерфейсов, нет видимых результатов. Но это самый важный этап.

Вот что нужно сделать:

1. Провести аудит всех источников данных о сотрудниках: HR-система, система управления проектами, платформа обучения, электронная почта, внутренние базы знаний.
2. Определить, какие данные нужны для системы внутренней мобильности. Не нужно собирать все подряд, достаточно критически важной информации.
3. Стандартизировать данные. Привести все названия должностей к единому формату, унифицировать названия навыков, привести в порядок исторические данные.
4. Очистить данные: удалить дубли, исправить ошибки, заполнить пропуски.
5. Создать единый источник данных, откуда ИИ будет брать информацию.

Этот процесс может занять несколько недель или даже месяцев в зависимости от размера компании и того, насколько хорошо были организованы данные ранее.

Выбор и тестирование решения

После того как данные подготовлены, нужно выбрать инструмент или платформу, которая будет управлять внутренней мобильностью. Процесс выбора должен быть систематичным.

Вот на что нужно обратить внимание при выборе:

• Способность интегрироваться с существующими системами компании
• Качество рекомендаций ИИ: нужно протестировать на реальных данных компании
• Удобство интерфейса для HR-специалистов и сотрудников
• Возможность кастомизации под специфику компании
• Поддержка и обслуживание со стороны поставщика
• Стоимость внедрения и текущей подписки

Многие поставщики предлагают пилотный период, во время которого компания может протестировать систему на небольшом наборе данных. Это хорошая возможность для того, чтобы понять, работает ли выбранное решение именно для вашей компании.

Обучение команды HR

Когда система установлена и данные загружены, нужно обучить команду HR работать с новым инструментом. Это не только техническое обучение, но и смена подхода к управлению талантами.

HR-специалисты привыкли принимать решения на основе интуиции, личных знакомств и информации, которую они нашли вручную. Теперь нужно переучиться доверять рекомендациям системы, понимать, как она работает, и уметь интерпретировать ее результаты.

План обучения должен включать:

• Основы работы с интерфейсом системы
• Как читать рекомендации и что они означают
• Как проверить качество рекомендации на практике
• Как общаться с руководителями и сотрудниками о результатах
• Как интерпретировать отчеты и метрики
• Какие ограничения у системы и когда нужно принимать решение вручную

Важный момент: HR должна понимать, что ИИ — это помощник, а не замена. Система может выдать хорошую рекомендацию, но финальное решение все равно принимает человек. Иногда рекомендация может быть хороша по цифрам, но по каким-то причинам не подходить. Например, сотрудник только что вернулся из отпуска и пока не готов к переводу, или в его отделе критическая ситуация, и его нельзя отпускать в ближайшие месяцы.

Запуск и мониторинг результатов

После обучения команды можно запустить систему. Рекомендуется начать с пилота — с одного-двух подразделений или одного типа позиций. Это позволит выявить проблемы на небольшом масштабе и исправить их перед полномасштабным внедрением.

На этапе пилота нужно тщательно отслеживать результаты:

• Сколько внутренних кандидатов было найдено на каждую вакансию
• Сколько из них были приняты на должность
• Как долго они задержались на новой позиции
• Насколько быстро они стали продуктивными
• Как изменилась скорость закрытия вакансий
• Какова была точность рекомендаций: какой процент рекомендованных кандидатов действительно были хорошим выбором

На основе этих данных нужно корректировать работу системы. Возможно, потребуется пересмотреть критерии отбора, добавить больше данных или переобучить модель ИИ.

После пилота система может быть развернута на всю компанию. Но мониторинг не должен прекращаться. Нужно постоянно смотреть на метрики, собирать обратную связь от HR и руководителей, и вносить улучшения.

Преимущества для сотрудников и бизнеса

Когда система внутренней мобильности на основе ИИ работает хорошо, выигрывают все стороны.

Для сотрудников преимущества очевидны:

• Четкие карьерные пути и понимание того, как развиваться в компании
• Больше возможностей для переводов и смены деятельности
• Гибкость в достижении своих карьерных целей
• Меньше необходимости искать работу за пределами компании для развития

Для компании бизнес-преимущества тоже значительны:

• Снижение текучести кадров. Люди, видящие перспективы развития внутри, остаются дольше.
• Снижение расходов на рекрутинг. Внутренние кандидаты дешевле, чем внешние.
• Ускорение закрытия вакансий. Система находит кандидатов намного быстрее, чем ручной поиск.
• Улучшение качества назначений. Люди, переведенные на основе анализа данных, успешнее, чем те, кого подбирали вручную.
• Развитие лидеров изнутри. Компания получает руководителей, которые знают организацию изнутри и принимают ее ценности.
• Улучшение культуры. Когда люди видят, что компания инвестирует в их развитие, вовлеченность растет.

На практике компании, внедрившие системы внутренней мобильности на основе ИИ, видят результаты в течение первого года:

• Текучесть кадров падает на 15-25%
• Время закрытия вакансий сокращается на 40-60%
• Доля внутренних назначений растет с 30-40% до 60-70%
• Удовлетворенность сотрудников своей карьерой растет на 20-30%

Эти цифры варьируются в зависимости от того, как хорошо система внедрена и как качественны данные. Но тренд всегда в одном направлении: внутренняя мобильность, поддерживаемая ИИ, дает результаты.

Основные вызовы и как их решить

Внедрение системы внутренней мобильности на основе ИИ — это не просто техническая задача. Есть организационные и культурные вызовы, которые нужно преодолеть.

Сопротивление руководителей

Первый и самый серьезный вызов — это сопротивление руководителей подразделений. Когда HR говорит, что нужно отпустить хорошего специалиста в другой отдел, руководитель часто возражает. Это ослабит его команду, усложнит текущие проекты.

Решение здесь не технологическое, а управленческое. Нужно создать систему стимулов, которая будет поощрять руководителей помогать в развитии своих сотрудников. Например:

• Часть бонуса руководителя может зависеть от того, сколько его сотрудников успешно перешли на новые позиции
• В КПИ руководителя может быть пункт о развитии таланта
• Компания может публично признавать руководителей, чьи сотрудники выросли в карьере

Также нужно показать руководителям экономику: когда они отпускают хорошего человека, на его место может прийти молодой талант, которого компания сможет развить дешевле. В долгосрочной перспективе это хорошо для всех.

Проблема с качеством данных

Второй вызов — это качество данных. Если данные неполные, устаревшие или неточные, то рекомендации системы будут плохими. И люди перестанут ей доверять.

Решение здесь требует постоянной работы:

• Назначить ответственного за качество данных
• Создать процессы для регулярного обновления информации о сотрудниках
• Использовать автоматизацию для заполнения данных из других систем, где это возможно
• Периодически проводить аудиты данных

Компании, которые серьезно относятся к этому, видят результаты. Те, которые пренебрегают качеством данных, получают систему, которая не работает.

Культурное сопротивление

Третий вызов — это культурные установки. В некоторых компаниях люди привыкли, что карьеру делают сами, за счет собственных инициативы и связей. Введение системы, которая выбирает людей на основе данных, может быть встречено скептически или даже враждебно.

Решение требует прозрачности и коммуникации:

• Нужно четко объяснить, как работает система и по каким критериям она выбирает кандидатов
• Показать людям, что система справедлива и не зависит от личных предпочтений
• Дать сотрудникам возможность видеть, почему они не были рекомендованы на позицию, и что им нужно развивать, чтобы в следующий раз быть в списке кандидатов
• Признать, что в некоторых случаях система может ошибаться, и есть процесс для обжалования решения

Этические и правовые вопросы

Четвертый вызов — это этика и соответствие законодательству. Когда вы используете ИИ для принятия решений о людях, возникают вопросы о справедливости, дискриминации и прозрачности.

Вот что нужно учитывать:

• ИИ должен быть обучен на данных, которые не содержат смещения. Если исторически компания хуже продвигала женщин или людей из меньшинств, то система может унаследовать эту дискриминацию.
• Нужно регулярно проверять систему на наличие смещений и исправлять их
• Сотрудники должны знать, что о них собираются данные, и иметь право на доступ к этим данным
• Нужно убедиться, что система соответствует локальному законодательству о защите персональных данных

В России и странах СНГ нет пока специальных законов об использовании ИИ в HR, но есть общие требования о защите персональных данных. Компании должны убедиться, что их система соответствует требованиям законодательства.

Технические ограничения

Пятый вызов — это техническое ограничение самого ИИ. Ни одна система не может быть абсолютно точной. Система может ошибаться, когда профиль сотрудника не полный, когда требуется неочевидная комбинация навыков, или когда речь идет о прогнозировании поведения на новой позиции.

Решение — это гибридный подход:

• ИИ выдает рекомендации, но финальное решение принимает человек
• Система помечает рекомендации, в которых она не уверена
• HR-специалист всегда может переопределить решение системы, если у него есть для этого основания
• Система постоянно учится из обратной связи: если HR не согласился с рекомендацией, система это анализирует и улучшается

Внутренняя мобильность — это не новая идея. Но использование ИИ для ее масштабирования и систематизации — это то, что качественно меняет игру. Компании, которые смогут эффективно управлять талантом внутри организации, будут иметь огромное преимущество на рынке труда. Потому что лучший кандидат на каждую должность часто уже работает в компании. Нужно только его найти.