Оценка работы сотрудника

Автоматизация превращает трудоёмкий сбор фактов о работе сотрудника в фоновый процесс. AI-агент читает источники данных, которые HR уже ведёт — трекер задач, HRIS, папки с отчётами — и формирует черновик ревью по единому шаблону для каждого сотрудника в цикле. Руководитель тратит время на суждение и обратную связь, а не на восстановление хронологии квартала.

Пошаговый процесс

1. Триггер цикла ревью. HR-админ запускает подготовку ревью разово для одного сотрудника или пакетом для отдела через интерфейс HRIS или отдельную форму.
2. Сбор артефактов. Агент подключается к HRIS и файловому хранилищу, выгружает данные сотрудника за период: закрытые задачи, отчёты, 1-on-1 заметки, результаты предыдущих ревью, цели OKR или KPI.
3. Нормализация источников. Документы разных форматов — PDF, DOCX, таблицы, markdown — приводятся к единому текстовому виду через парсеры перед передачей в LLM.
4. Суммаризация.AI-модель сжимает длинные артефакты в короткие пункты по заранее согласованным блокам: достижения, зоны роста, соответствие целям, вовлечённость.
5. Генерация черновика. Агент заполняет корпоративный шаблон performance review — те же заголовки, тон и длина разделов, что в готовых документах прошлых циклов.
6. Выгрузка на согласование. Черновик сохраняется в папку руководителя в файловом хранилище и в карточку сотрудника в HRIS для правки и финального утверждения.
7. Версионирование. Каждая итерация сохраняется отдельным файлом — руководитель видит, что добавлено в ручной правке, а что пришло от AI.

Что эта автоматизация не делает

• Не принимает решение о повышении, бонусе или увольнении. Черновик — основа для разговора руководителя и HR, не финальный вердикт.
• Не подменяет 1-on-1 встречу. Факты о работе собираются автоматически, но обратную связь сотруднику даёт живой человек.
• Не оценивает soft skills без входных данных. Если в источниках нет заметок о командной работе, лидерстве или коммуникации — агент не додумывает, а помечает раздел как требующий ручного ввода.

Автоматизация построена на low-code архитектуре — без custom backend. Основные компоненты: оркестратор (workflow-движок или Zapier), LLM-слой на AI-модели, коннекторы к HRIS и файловому хранилищу, хранилище промптов и шаблонов. Поток работает в три логических этапа: сбор контекста → AI-обработка → выгрузка и уведомления. На каждом этапе данные проходят через валидацию — если документ не найден или поле пустое, агент помечает его и продолжает, а не падает.

Шаги внедрения

1. Настройка коннекторов HRIS. Создаётся read-only API-ключ к HRIS (BambooHR, Hibob, Humaans, 1С:ЗУП или аналог) с доступом к карточкам сотрудников, целям и истории ревью. Для файлового хранилища — OAuth-интеграция с Google Drive, Dropbox Business или SharePoint.
2. Оцифровка шаблона ревью. HR-команда передаёт текущий корпоративный шаблон — структуру разделов, длину, тон. Шаблон превращается в структурированный промпт с плейсхолдерами.
3. Маппинг источников на разделы. Для каждого раздела ревью (например, «Достижения квартала») указываются источники: трекер задач со статусом Done, закрытые тикеты, git-коммиты, отчёты из определённой папки.
4. Настройка промптов и ограждений. Промпт формируется с explicit-инструкциями: не выходить за рамки фактов, не делать личностных оценок, помечать пробелы в данных, использовать нейтральный тон.
5. Тест на 3-5 сотрудниках. Прогон на реальных данных людей из прошлого цикла, сравнение с оригинальным документом, калибровка промптов под стиль компании.
6. Ручной gate перед отправкой. Во всех версиях черновик попадает сначала к руководителю, никогда напрямую сотруднику.
7. Логирование и аудит. Каждый запуск сохраняется: какие источники использованы, версия промпта, какой LLM, сколько токенов. Нужно для compliance и разбора ошибок.

Состав системы

Безопасность и compliance

Данные сотрудников — чувствительные. AI-агент работает в enterprise-режиме AI-модели без отправки в публичные обучающие выборки. Доступ ограничен HR и руководителями, логи сохраняются для GDPR-аудита. При необходимости LLM-обработка выносится на self-hosted инфраструктуру. Шаблон обработки данных фиксируется в DPIA (Data Protection Impact Assessment) до первого запуска.

Возможные подводные камни

AI галлюцинирует, если источники противоречат друг другу — например, задача закрыта, но в отчёте помечена как проваленная. Агент должен честно отмечать противоречия, а не выбирать удобную версию. Второй риск — однообразие формулировок: если все черновики звучат одинаково, доверие к инструменту падает. Решается вариативностью промптов и случайностью порядка разделов. Третий риск — руководитель подписывает черновик без правок, превращая AI в единственный голос в ревью. Снимается обязательным ручным gate и чек-листом руководителя перед финализацией.

Автоматизация запускается на среднем уровне зрелости HR-процессов. Не нужна мощная HR-инфраструктура — нужна регулярность и унификация источников: одинаковые места, куда попадают рабочие артефакты сотрудников.

Данные и доступы

• Активный HRIS с API или выгрузкой — BambooHR, Hibob, Humaans, HR-Link, 1С:ЗУП или аналог.
• Файловое хранилище с организацией по сотрудникам — Google Drive, Dropbox Business, SharePoint, Notion.
• Согласованный шаблон performance review хотя бы на одном языке.
• История 3-5 прошлых ревью для калибровки под стиль компании.
• Регулярный цикл ревью — квартальный, полугодовой или годовой.

Готовность команды

• HR-менеджер или HRBP, готовый вложить 10-15 часов в настройку и тест пилота.
• Один технический человек — внутренний или партнёр — для настройки low-code коннекторов.
• Согласованное решение по политике данных: где хранится контекст ревью, кто видит логи, сколько времени хранится история.

Сроки

Сложность: simple (week). 2-4 недели от старта до первого рабочего цикла. Из них: неделя на коннекторы и оцифровку шаблона, неделя на промпты и калибровку, 1-2 недели на тест с 3-5 сотрудниками и обратную связь от пилотных руководителей.