Разбор выходных интервью

AI-агент читает расшифровки выходных интервью, извлекает структурированные темы и связывает их с контекстом сотрудника из HRIS. HR-команда получает не сырые тексты для чтения, а готовые сводки и тренды — что именно ломается в компании и где концентрируется проблема.

Конкретные шаги, которые выполняет автоматизация:

1. Принимает расшифровку интервью из файлового хранилища — текстовый файл, документ или запись с последующей транскрипцией.
2. Обогащает контекстом из HRIS: стаж, команда, менеджер, уровень, департамент, формальная причина ухода.
3. Классифицирует темы по фиксированной таксономии — менеджмент, нагрузка, рост и развитие, компенсация, культура, процессы, ожидания от роли.
4. Извлекает цитаты с пометкой темы — сохраняет прямую речь сотрудника, а не пересказ, чтобы не терять нюанс.
5. Генерирует сводку 150-300 слов на каждое интервью: ключевые темы, красные флаги, нейтральные и положительные отзывы.
6. Агрегирует по периодам — квартальные отчёты с кросс-срезами: тема × команда × менеджер × стаж.
7. Подсвечивает паттерны — повторяющиеся формулировки, общий менеджер у нескольких уходов, критические темы в одной команде.
8. Отправляет триггеры HR-директору или руководителю команды, если определённая тема появляется в N интервью подряд.

Что автоматизация НЕ делает

• Не заменяет само интервью. Разговор с уходящим сотрудником проводит живой HR — автоматизация работает с расшифровкой, а не с процессом общения.
• Не принимает решений об увольнении менеджера или реструктуризации команды. Агент подсвечивает сигналы; выводы и действия остаются за HR-директором и лидершип-командой.
• Не гарантирует честность ответов. Если сотрудник молчит или формулирует социально-приемлемо, извлечь из текста этого нельзя. Автоматизация ускоряет работу с тем, что уже сказано, но не провоцирует откровенность.

Пайплайн работает в два слоя: захват данных (файлы + HRIS) и анализ (LLM + агрегация). Автоматизация построена на custom-code — чаще всего Python-сервис, который оркестрирует LLM-вызовы и сохраняет результаты в структурированную базу или таблицу. Выбор под данные: выходные интервью содержат чувствительный контент, и шаблонные конструкторы вроде Zapier не дают нужного контроля над приватностью и промптами.

Типичные шаги внедрения:

1. Инвентаризация данных. HR собирает расшифровки за последние 6-12 месяцев в одну папку файлового хранилища — это обучающий корпус для настройки таксономии.
2. Определение таксономии тем. HR-директор и команда Grow2.ai фиксируют категории ухода — 8-12 тем, привязанных к компании. Таксономия правится по итогам пилота.
3. Схема обогащения из HRIS. Определяются поля для контекста: команда, менеджер, стаж, локация, уровень, формальная причина ухода.
4. Промпт для извлечения тем. LLM получает расшифровку, таксономию и инструкцию извлечь темы, цитаты и тональность. Результат — структурированный JSON.
5. Промпт для сводки. На основе извлечённых тем LLM генерирует 150-300-словную сводку для HR-менеджера.
6. Агрегация. Отдельный скрипт собирает данные по периоду и строит кросс-срезы в таблице или дашборде.
7. Триггеры. Правила «если тема X повторяется в Y интервью за квартал» отправляют уведомление ответственному лицу.
8. Пилот и калибровка. 10-20 интервью прогоняются через систему, HR сверяет результаты с собственными выводами, промпты корректируются.

Типичные варианты настройки

Альтернативные подходы

• Ручная разметка без LLM. HR-менеджер сам тегирует интервью по таксономии. Работает в маленькой команде до 30-40 интервью в год; при большем объёме теряется консистентность разметки.
• Готовые SaaS для employee experience. Некоторые платформы предлагают анализ выходных интервью как модуль. Подходит, если HR уже живёт в такой платформе; минус — чужая таксономия и ограниченный контроль над промптами.

Безопасность и compliance

Выходные интервью содержат персональные данные и часто критику конкретных менеджеров. Данные обрабатываются в контуре, согласованном с HR-директором: приватные LLM-инстансы или модели с гарантированным отсутствием обучения на пользовательских данных. Доступ к сводкам — ролевой: HR-директор видит всё, руководители команд — агрегированные данные по своей команде без прямых цитат.

Возможные подводные камни

• Маленькая выборка. При 5-10 интервью в квартал агрегаты статистически шумные — лучше работать с годовыми срезами.
• Смещение таксономии. Если темы зафиксированы жёстко, новые паттерны не попадают в отчёт. Таксономия пересматривается раз в 6-12 месяцев.
• Социально-приемлемые ответы. Автоматизация работает с тем, что сказано. Если культура не позволяет честного интервью, анализ будет показывать одни и те же безопасные темы.

Автоматизация требует минимального технического фундамента, но ключевое — качество HR-процесса вокруг неё.

Данные и доступы:

• Архив расшифровок выходных интервью за 6-12 месяцев — минимум для настройки таксономии и калибровки промптов.
• Доступ к HRIS через API или периодический экспорт: команда, менеджер, стаж, уровень, формальная причина ухода.
• Файловое хранилище с настроенным доступом для сервиса автоматизации.
• Согласованный с юристами и HR-директором контур обработки персональных данных — где хранятся расшифровки, какой LLM используется, какие роли видят какие данные.

Готовность команды:

• HR-директор или HRBP, ответственный за таксономию и калибровку. Без этой роли автоматизация генерирует формальные сводки, не отражающие реальность компании.
• Процесс проведения выходных интервью уже существует и стандартизирован. Автоматизация не создаёт процесс с нуля — она обслуживает существующий.
• Готовность действовать по результатам. Если в сводках видны проблемы с конкретным менеджером или командой, лидершип должен быть готов эти выводы разбирать.

Таймлайн внедрения:

Простое внедрение укладывается в 2-4 недели:

1. Неделя 1-2: инвентаризация данных, согласование таксономии, дизайн пайплайна.
2. Неделя 2-3: разработка промптов, пилот на 10-20 интервью, калибровка.
3. Неделя 3-4: автоматизация триггеров, настройка отчётов, передача HR-команде.