Проверка зарплат по рынку

Проверка зарплат по рынку — это AI-агент, который собирает компенсационные данные из доступных источников и выдаёт обоснованную вилку для конкретной позиции. Решение запускается рекрутером или HR-менеджером при открытии новой вакансии и заменяет ручной поиск по агрегаторам и точечные звонки коллегам "по дружбе". Результат — сводный отчёт с диапазоном, медианой и обоснованием каждой цифры.

Что делает агент по шагам

1. Принимает входные параметры от рекрутера: должность, грейд (junior/middle/senior/lead), город или режим работы, индустрия, опциональные ключевые навыки.
2. Ищет совпадения в открытых источниках: агрегаторы вакансий, опубликованные salary-обзоры, отраслевые отчёты, доступные через подключённые API или RAG-индекс.
3. Подтягивает внутренние ставки из HRIS для аналогичных позиций — чтобы внешний рынок сравнивался с тем, что компания платит сейчас.
4. Нормализует данные: приводит зарплаты к одной валюте, gross/net, периоду (год или месяц), исключает выбросы и дубликаты.
5. Считает медиану, 25-й и 75-й перцентиль по выборке, отдельно показывает разброс по локациям и грейдам.
6. Формирует структурированный отчёт с источниками, датами публикации, размером выборки и текстовой сводкой для презентации финансовому отделу.
7. Сохраняет артефакт в HRIS или в общий репозиторий — чтобы через полгода можно было сравнить, как изменился рынок по той же роли.

Чего автоматизация не делает

• Не заменяет переговоры с кандидатом. Финальный офер всё равно зависит от мотивации, контр-офера и переговорной позиции — агент даёт ориентир, не решение.
• Не учитывает скрытую часть компенсации конкурентов. Опционы, RSU, бонусы за релокацию, неденежные бенефиты часто не публикуются — агент работает с тем, что доступно.
• Не гарантирует точность данных. Качество вывода ограничено качеством источников: если в открытом доступе мало вакансий по нужной нише, выборка будет маленькой, и агент честно об этом сообщает.

Решение позиционируется как инструмент снижения риска, а не как замена опытного рекрутера. AI-агент берёт на себя рутину сбора и нормализации, освобождая человека для интерпретации и переговоров с кандидатом.

Технически решение строится на двух паттернах: RAG Q&A для поиска по неструктурированным источникам зарплатных данных и аналитический модуль для нормализации и расчёта статистик. Агент работает поверх HRIS как vertical-SaaS-надстройка и не требует замены текущей системы кадрового учёта.

Архитектура потока данных

1. Триггер. Рекрутер создаёт черновик вакансии в HRIS или заполняет форму запроса с параметрами роли. Webhook или ручной запуск передаёт payload агенту.
2. Сбор внешних источников. Агент опрашивает подключённые источники — публичные API агрегаторов вакансий, индексированные salary-обзоры, отраслевые PDF-отчёты в RAG-хранилище.
3. Внутренний контекст. Параллельно агент тянет из HRIS текущие ставки сотрудников на сопоставимых позициях, историю последних оферов, утверждённые компенсационные грейды.
4. Нормализация. LLM-шаг приводит разнородные данные к единой схеме: валюта, периодичность, gross/net, фиксированная часть против бонусов.
5. Статистика. Расчётный модуль (не LLM) считает медиану, перцентили, размер выборки, разброс по локациям. Это детерминированная часть — её результаты воспроизводимы и аудируемы.
6. Сборка отчёта. LLM формирует короткий нарратив с обоснованием цифр, ссылками на источники и предупреждениями о слабых местах выборки.
7. Доставка. Отчёт публикуется в HRIS как вложение к вакансии, отправляется в Slack рекрутеру и сохраняется в архиве для последующего сравнения.

Шаги внедрения

1. Аудит источников. Команда Grow2.ai вместе с HR-руководителем составляет список источников зарплатных данных, доступных компании — публичные обзоры, подписки, локальные агрегаторы.
2. Подключение HRIS. Настройка чтения данных по сотрудникам и вакансиям через API или экспорт. Запись отчётов обратно — опционально, на втором этапе.
3. Конфигурация грейдов. В агент загружается матрица грейдов компании, чтобы внешние данные мапились на внутреннюю систему позиций.
4. Сборка RAG-индекса. Salary-обзоры и отраслевые отчёты загружаются в векторное хранилище для поиска по запросам типа "медианная зарплата DevOps-инженера в Польше".
5. Калибровка. На исторических вакансиях проверяется, насколько ответы агента совпадают с реальными оферами компании. Корректируются веса источников.
6. Запуск с одним рекрутером. Пилот на 5-10 вакансиях с обратной связью — что не так в формулировках, какие источники не учтены.
7. Раскатка. Подключение остальных рекрутеров, обучение по одночасовому формату, документирование процесса в HR-плейбуке.

Компоненты решения

Решение использует AI-модель или сопоставимую модель для шагов нормализации и сборки нарратива. Детерминированная статистика выносится в отдельный модуль, чтобы цифры в отчёте были воспроизводимы — это ключ к доверию со стороны финансового отдела при согласовании вилки.

Решение требует базовой готовности данных и одного владельца процесса со стороны HR. Без HRIS внедрение возможно, но потребует ручной выгрузки сопоставимых ставок — это ограничивает регулярность использования.

Доступы и данные

• HRIS с возможностью чтения вакансий и сотрудников через API или регулярный экспорт (BambooHR, HiBob, Personio, 1С:ЗУП и аналоги).
• Матрица грейдов компании — описание уровней и зон ответственности по ключевым ролям. Если её нет, первый шаг проекта — собрать её хотя бы в минимальном виде.
• Список источников рыночных данных, которыми компания готова пользоваться: публичные обзоры (DOU, Habr, отраслевые ассоциации), подписки на платные отчёты, локальные агрегаторы вакансий.
• Текущие компенсационные политики — фиксированная часть против бонусов, gross/net, частота пересмотров.

Готовность команды

• Владелец процесса — HR-директор или ведущий рекрутер, который принимает решение о структуре отчёта и калибровке источников.
• Доступ к ИТ для подключения HRIS — обычно достаточно одного спринта силами внутреннего ИТ или подрядчика.
• Готовность пилотировать на 5-10 реальных вакансиях до полной раскатки на всю команду найма.

Сроки внедрения

Типовой проект уровня сложности "weekend" укладывается в 2-4 недели при условии, что HRIS уже работает и матрица грейдов существует. Без матрицы грейдов добавляется 1-2 недели на её формализацию. Если рынок данных по нише компании ограничен (узкая индустрия, маленький регион), сроки те же, но качество выборки будет ниже — об этом честно сообщается на этапе аудита источников.