Розбір вихідних інтерв'ю

AI-агент читає розшифровки вихідних інтерв'ю, витягує структуровані теми та пов'язує їх із контекстом співробітника з HRIS. HR-команда отримує не сирі тексти для читання, а готові зведення й тренди — що саме ламається в компанії і де концентрується проблема.

Конкретні кроки, які виконує автоматизація:

1. Приймає розшифровку інтерв'ю з файлового сховища — текстовий файл, документ або запис із подальшою транскрипцією.
2. Збагачує контекстом з HRIS: стаж, команда, менеджер, рівень, департамент, формальна причина звільнення.
3. Класифікує теми за фіксованою таксономією — менеджмент, навантаження, ріст і розвиток, компенсація, культура, процеси, очікування від ролі.
4. Витягує цитати з позначкою теми — зберігає пряму мову співробітника, а не переказ, щоб не втрачати нюанс.
5. Генерує зведення 150-300 слів на кожне інтерв'ю: ключові теми, червоні прапори, нейтральні та позитивні відгуки.
6. Агрегує за періодами — квартальні звіти з крос-зрізами: тема × команда × менеджер × стаж.
7. Підсвічує патерни — повторювані формулювання, спільний менеджер у кількох звільнень, критичні теми в одній команді.
8. Надсилає тригери HR-директору або керівнику команди, якщо певна тема з'являється в N інтерв'ю підряд.

Що автоматизація НЕ робить

• Не замінює саме інтерв'ю. Розмову з працівником, який іде, проводить живий HR — автоматизація працює з розшифровкою, а не з процесом спілкування.
• Не приймає рішень про звільнення менеджера або реструктуризацію команди. Агент підсвічує сигнали; висновки та дії залишаються за HR-директором і лідершип-командою.
• Не гарантує чесність відповідей. Якщо співробітник мовчить або формулює соціально-прийнятно, витягти це з тексту неможливо. Автоматизація пришвидшує роботу з тим, що вже сказано, але не провокує відвертість.

Пайплайн працює у два шари: захоплення даних (файли + HRIS) та аналіз (LLM + агрегація). Автоматизація побудована на custom-code — найчастіше Python-сервіс, який оркеструє LLM-виклики та зберігає результати в структуровану базу або таблицю. Вибір під дані: вихідні інтерв'ю містять чутливий контент, а шаблонні конструктори на кшталт Zapier не дають потрібного контролю над приватністю та промптами.

Типові кроки впровадження:

1. Інвентаризація даних. HR збирає розшифровки за останні 6-12 місяців в одну папку файлового сховища — це навчальний корпус для налаштування таксономії.
2. Визначення таксономії тем. HR-директор та команда Grow2.ai фіксують категорії відходу — 8-12 тем, прив'язаних до компанії. Таксономія коригується за підсумками пілоту.
3. Схема збагачення з HRIS. Визначаються поля для контексту: команда, менеджер, стаж, локація, рівень, формальна причина відходу.
4. Промпт для витягування тем. LLM отримує розшифровку, таксономію та інструкцію витягти теми, цитати та тональність. Результат — структурований JSON.
5. Промпт для зведення. На основі витягнутих тем LLM генерує 150-300-слівне зведення для HR-менеджера.
6. Агрегація. Окремий скрипт збирає дані за період та будує крос-зрізи в таблиці або дашборді.
7. Тригери. Правила «якщо тема X повторюється в Y інтерв'ю за квартал» надсилають повідомлення відповідальній особі.
8. Пілот та калібрування. 10-20 інтерв'ю проганяються через систему, HR звіряє результати з власними висновками, промпти коригуються.

Типові варіанти налаштування

Альтернативні підходи

• Ручна розмітка без LLM. HR-менеджер сам тегує інтерв'ю за таксономією. Працює в маленькій команді до 30-40 інтерв'ю на рік; при більшому обсязі втрачається консистентність розмітки.
• Готові SaaS для employee experience. Деякі платформи пропонують аналіз вихідних інтерв'ю як модуль. Підходить, якщо HR вже живе в такій платформі; мінус — чужа таксономія та обмежений контроль над промптами.

Безпека та compliance

Вихідні інтерв'ю містять персональні дані та часто критику конкретних менеджерів. Дані обробляються в контурі, узгодженому з HR-директором: приватні LLM-інстанси або моделі з гарантованою відсутністю навчання на користувацьких даних. Доступ до зведень — рольовий: HR-директор бачить усе, керівники команд — агреговані дані по своїй команді без прямих цитат.

Можливі підводні камені

• Маленька вибірка. При 5-10 інтерв'ю на квартал агрегати статистично шумні — краще працювати з річними зрізами.
• Зміщення таксономії. Якщо теми зафіксовані жорстко, нові паттерни не потрапляють до звіту. Таксономія переглядається раз на 6-12 місяців.
• Соціально прийнятні відповіді. Автоматизація працює з тим, що сказано. Якщо культура не дозволяє чесного інтерв'ю, аналіз показуватиме одні й ті самі безпечні теми.

Автоматизація потребує мінімального технічного фундаменту, але ключове — якість HR-процесу навколо неї.

Дані та доступи:

• Архів розшифровок вихідних інтерв'ю за 6-12 місяців — мінімум для налаштування таксономії та калібрування промптів.
• Доступ до HRIS через API або періодичний експорт: команда, менеджер, стаж, рівень, формальна причина звільнення.
• Файлове сховище з налаштованим доступом для сервісу автоматизації.
• Погоджений з юристами та HR-директором контур обробки персональних даних — де зберігаються розшифровки, який LLM використовується, які ролі бачать які дані.

Готовність команди:

• HR-директор або HRBP, відповідальний за таксономію та калібрування. Без цієї ролі автоматизація генерує формальні зведення, що не відображають реальність компанії.
• Процес проведення вихідних інтерв'ю вже існує та стандартизований. Автоматизація не створює процес з нуля — вона обслуговує наявний.
• Готовність діяти за результатами. Якщо у зведеннях видно проблеми з конкретним менеджером або командою, лідершип має бути готовий розбирати ці висновки.

Таймлайн впровадження:

Просте впровадження вкладається в 2-4 тижні:

1. Тиждень 1-2: інвентаризація даних, погодження таксономії, дизайн пайплайна.
2. Тиждень 2-3: розробка промптів, пілот на 10-20 інтерв'ю, калібрування.
3. Тиждень 3-4: автоматизація тригерів, налаштування звітів, передача HR-команді.