Почему ИИ не спасает HR: о фундаменте, который никто не хочет строить

Есть такой тип совещаний, которые я встречала в самых разных компаниях. Большой экран, красивые слайды, слова «цифровая трансформация», «AI-first подход», «data-driven HR». Все кивают. Все согласны, что будущее именно здесь. А потом расходятся — и ничего не меняется. Потому что никто не назвал главную проблему вслух.

Она звучит неромантично: данные о сотрудниках в большинстве компаний — это хаос. Разные системы, разные форматы, разные юридические лица, каждое из которых хранит свои таблицы. И пока этот хаос не разобран, никакой искусственный интеллект не поможет — он просто автоматизирует беспорядок.

Согласно прогнозу Gartner, к 2026 году 60% ИИ-проектов будут свёрнуты именно из-за неподготовленности данных. Не из-за плохих алгоритмов. Не из-за неправильного выбора вендора. А из-за того, что «база» не была готова. При этом исследование Korn Ferry показывает: лишь 18% HR-директоров регулярно используют аналитику для принятия решений. Остальным мешает именно разрозненность информации.

Когда я работала HR-аналитиком в МТС, мы много говорили о трансформации и будущем HR. Разговоры были настоящими — никто не притворялся, что всё хорошо. В рекрутменте работал HuntFlow — удобная система, которая хорошо держит кандидата на этапе найма. Но вот в чём проблема: HuntFlow заканчивается там, где заканчивается найм.

В большой корпорации — несколько юридических лиц, сотни рекрутеров, десятки подразделений внутри одного рекрутмента. Каждое живёт немного в своём информационном пространстве. Единой аналитики по воронке найма, по качеству источников, по скорости закрытия вакансий в разрезе бизнес-юнитов — фактически не было. Не потому, что люди не хотели. А потому что данные физически находились в разных местах, и никто не выстроил логистику их объединения.

Это не уникальная история МТС — это системная история большинства крупных компаний. Я слышу её раз за разом в разговорах с HR-директорами и руководителями функций из самых разных отраслей. Запрос «покажи мне единую картину по людям» до сих пор остаётся для многих организаций невыполнимым — не технически, а организационно.

Когда говорят «проблема с данными», многие представляют что-то вроде: «надо навести порядок в Excel-файлах». На самом деле всё сложнее. Данные о людях в организации живут в принципиально разных системах: кандидаты — в ATS, сотрудники — в HRIS, обучение — в LMS, KPI — в системе управления эффективностью, зарплаты — в бухгалтерии, а истории карьерных переходов — нередко в голове у HR-бизнес-партнёра.

Исследование HiBob показывает: почти 70% HR-специалистов затрудняются принимать справедливые решения по оплате именно из-за фрагментации данных. Около двух третей признаются, что при срочных решениях вынуждены фактически угадывать нужные метрики. Это не некомпетентность — это структурная проблема архитектуры данных в организации.

А теперь представьте, что в такую среду приходит ИИ-инструмент для предсказания текучести. Он анализирует данные — те самые, которые разрознены, неполны и хранятся в шести разных системах без единого ключа. Результат будет либо нулевым, либо вводящим в заблуждение. Дорогой инструмент, ноль пользы — и разочарование в «этом вашем ИИ».

Вот что интересно: проблему данных в HR знают все. Но разбираться с ней не хочет никто. И это не лень — это вполне рациональное поведение.

Рекрутер думает: это не моя задача, я закрываю вакансии. Линейный HR думает: это ИТ-вопрос, пусть они разбираются. ИТ думает: мы дали систему, как вы в ней работаете — ваше дело. HR-директор думает: когда-нибудь мы займёмся полной трансформацией. А финансовый директор не понимает, зачем тратить бюджет на «наведение порядка», если нет понятного бизнес-кейса с ROI.

Именно здесь зарыта главная проблема: задача построения единой аналитической архитектуры данных о людях — межфункциональная. Она не принадлежит никому конкретно, поэтому за неё никто не берётся. А раз нет хозяина задачи — нет и движения.

Это не просто моё наблюдение. В рамках исследований, которые я проводила, разрабатывая собственный HR-tech проект, я разговаривала с HR-руководителями крупных корпораций и основателями ряда HR-tech стартапов. И раз за разом слышала одно и то же: да, проблема разрозненности данных существует, она реальная и болезненная — но при этом никто активно её не решает. Почему?

Собеседники называли три устойчивых причины. Первая — структурная сложность: любая крупная корпорация внутри очень разрознена. Несколько юридических лиц, дочерние компании, десятки внутренних департаментов — каждый со своей историей, своими системами, своими людьми. Создать поверх этого единую аналитическую архитектуру — задача не техническая, а организационная, и она требует согласования на многих уровнях сразу.

Вторая причина — неочевидность точки входа. Даже те, кто признаёт проблему, затрудняются ответить на вопрос: а с чего именно начать? С какой системы? С какого подразделения? Кто должен быть инициатором? Отсутствие понятного первого шага парализует действие — и задача откладывается на потом бесконечно долго.

Третья причина — дефицит заинтересованных лиц. На уровне отдельного департамента ручные отчёты работают вполне прилично. Рекрутер выгружает данные из ATS, HR-бизнес-партнёр составляет сводку в Excel, руководитель получает нужную ему цифру. Боль от разрозненности ощущается только тогда, когда нужна картина целиком — а за такой картиной, как правило, приходят редко и в основном сверху, такая проблема решаема вручную, да и HR часто считает, что это самый доверенный вариант! Поэтому снизу запроса на изменение почти нет.

Ещё один блокирующий фактор — невидимость денег. Когда результат HR-аналитики измеряется в «лучших решениях» и «более точных прогнозах», финансовому директору сложно это одобрить. Деньги в этой истории появляются позже — через снижение текучести, ускорение найма, более точное планирование численности. Но чтобы показать эти деньги, нужно сначала вложиться в фундамент. Это классическая ловушка инвестиций в инфраструктуру.

Допустим, данные всё же удалось привести в порядок. Следующее препятствие — человеческое. И оно не менее серьёзное.

Исследование Prosci показывает: 38% проблем при внедрении ИИ-инструментов связаны с нехваткой навыков и готовности пользователей — это почти в три раза больше, чем технические сбои. По данным Gartner, 46% сотрудников активно сопротивляются новым HR-системам — из страха потерять работу, из-за недостаточной поддержки, из ощущения, что живой контакт заменяют алгоритмом.

Это сопротивление — не иррациональное. Оно понятно. Если сотруднику говорят: «теперь система будет оценивать твою эффективность», но не объясняют как, по каким данным и кто несёт ответственность за решения — доверия к инструменту не возникнет. А без доверия не будет и корректных данных на входе: люди будут заполнять поля формально, «для галочки».

Джош Берсин сформулировал это ёмко: прежде чем ожидать роста продуктивности от ИИ-инструментов, нужно «починить сантехнику» — упорядочить внутренние процессы, роли и коммуникации. Без этого самая умная система будет автоматизировать хаос, а не создавать ценность.

На практике это означает: HR-функция должна выступать не просто заказчиком технологий, но и архитектором изменений. Внутри компании нужны люди, которые понимают и бизнес-цели, и устройство данных, и психологию сопротивления изменениям. Без таких «мостов» между IT, бизнесом и людьми трансформация остаётся красивой презентацией для совета директоров.

Самый частый неверный шаг — начинать с выбора платформы. «Давайте внедрим X, и всё заработает». Не заработает. Платформа — это финальный слой, а не первый.

Начинать нужно с аудита данных. Буквально: где сейчас хранится информация о сотрудниках? В каком формате? Кто за неё отвечает? Какие поля заполняются исправно, а какие — от случая к случаю? Есть ли уникальный идентификатор сотрудника, который позволяет "склеить" записи из разных систем? Этот аудит занимает время, он некрасивый и неинтересный — но именно он покажет реальную картину.

Следующий шаг — определить владельца задачи. Кто в компании отвечает за то, чтобы данные о людях были полными, актуальными и доступными для анализа? Если такого человека нет — его нужно назначить. Это может быть HR-аналитик, People Operations Lead, или специально созданная роль Chief People Data Officer. Главное — чтобы кто-то конкретный нёс ответственность.

Только после этого имеет смысл говорить о технологиях. И здесь важно не гнаться за самым модным решением, а выбирать то, что решает конкретную проблему бизнеса. McKinsey предупреждает: эффективные внедрения ИИ концентрируются на критически важных экономических показателях, а не на сотнях второстепенных сценариев. Лучше сделать одно хорошо, чем двадцать формально.

И наконец — люди. Любое изменение в HR-системах затрагивает всех сотрудников. Это значит, что коммуникация, обучение и внутренние амбассадоры — не опциональная часть проекта, а его обязательная составляющая. Те компании, которые вкладываются в объяснение «зачем» прежде «как», получают значительно меньше сопротивления и значительно больше реального использования новых инструментов.

ИИ в HR — это не маркетинговый тренд и не будущее, которое когда-нибудь наступит. Это уже настоящее. Инструменты работают. Задачи, которые они решают — предсказание текучести, автоматизация скрининга, персонализация обучения — реальны и измеримы.

Но между «инструмент работает» и «инструмент работает у нас» — огромная дистанция. Её длина определяется не качеством технологии, а качеством фундамента: данных, процессов, людей и культуры.

Поэтому следующий раз, когда на совещании снова зайдёт речь о цифровой трансформации HR, предложите простой вопрос: «А можем ли мы прямо сейчас получить единую картину по нашим людям — кто работает, сколько стоит, как развивается, где узкие места?» Если ответ «нет» или «не совсем» — вот с этого и надо начинать.