Про AI говорять усі. І здається, що тут є два сценарії: або ваша команда вже все автоматизувала, або навіть не починала. Але насправді існує ще третій — найбільш реалістичний. Коли ви просто потроху пробуєте, десь помиляєтесь, десь щось не працює, а десь раптом спрацьовує настільки, що вже не хочеться повертатися назад.
Саме таким шляхом зі своєю HR-командою пішла Катерина Кошкіна — General Manager Unitask Ukraine, VP HR & Operations Unitask Global. Катерина розповіла нам на своїх кейсах, з чого почалась історія її знайомства з AI, як вони з колегами вчаться створювати «асистентів», завдяки якому інструменту менеджмент тепер не «засинає» під HR-аналітику і чому в її команді не панує страх «нас замінять».
Тут немає магії (ну хіба трохи), зате є конкретні цифри, промпти, фейли, поради й висновки, які можна забрати в роботу вже сьогодні.
Спочатку контекст: як виглядає HR-команда Unitask і чим вона займається
Unitask — це міжнародна група, що складається з 30 IT-компаній, більшість з яких перебувають під контролем офісу в Ізраїлі. Щодо напрямів, у нас є майже всі можливі формати ІТ-компаній: аутсорс, аутстаф, власний продукт і сервісні бізнеси.
HR-команда складається з HR-бізнес-партнерів, кожен з яких відповідає або за окрему компанію, або за декілька компаній в межах групи. Вони ведуть співробітника from hire to retire. Окремо є команда рекрутингу.
В Україні я фактично CEO, а на глобальному рівні відповідаю за функції HR, Administration, Operations і Recruitment.
«А що, так можна було?»: в AI нас привела цікавість і вау-ефект
Для нас історія з AI почалася з питання «А що тут цікавого?». Було відчуття, що це велика зміна, яка вплине на те, як ми працюємо та який взагалі вигляд матиме ринок праці.
Я б порівняла це з появою комп’ютерів: колись бухгалтери рахували на рахівницях і скептично ставилися до Excel — зараз це скоріше виняток. Так само з AI — будуть люди, які його не торкаються, не знають, не вміють, не хочуть, хтось користуватиметься більше, хтось менше — але згодом, як і комп’ютери, він стане частиною роботи для всіх.
Поступово цікавість доповнив wow-ефект. Ми пробували різні інструменти, навчалися і постійно ловили себе на думці: «А що, так можна було?». І саме з цих моментів поступово складались ідеї, які ми потім впроваджували. Це був не біль, не пожежі й не запит бізнесу (навпаки — хед-офіс спочатку поставився скептично до наших експериментів).
Взагалі найкращі кандидати для впровадження AI — це:
Якщо певні завдання вас ще не дратують, то зазвичай все закінчується на рівні: послухали, надихнулись і відклали. А от якщо є конкретна ділянка роботи, яка реально добряче набридла, — сюди проситься AI. І тут вже йдеться не просто про автоматизацію, а про зміну самого процесу, бо робота набуває зовсім іншого вигляду.
Які процеси ми делегували AI — кейси Unitask
Асистент, який «причісує» резюме
Один із наших перших експериментів — це AI-асистент, який «причісує» резюме до корпоративного стандарту. Думаю, з цим стикаються всі аутсорсингові та рекрутингові компанії: ти не можеш просто переслати клієнту CV в тому вигляді, в якому його надіслав кандидат. Зазвичай резюме потрібно доопрацьовувати: додавати структуру, підсвічувати ключові скіли, клеїти лого і загалом оформлювати в єдиному стилі.
Ми вирішували це по-різному:
- всередині команди: виділяли окрему людину під цю задачу, або ж кожен рекрутер оформлював резюме самостійно
- залучали зовнішнього підрядника: надсилали резюме, отримували готовий варіант і оплачували за кількість оброблених файлів наприкінці місяця
Через підрядника все було нормально, але повільно: сьогодні відправляєш резюме — завтра отримуєш результат. У рекрутингу це критично: якщо знайшов сильного кандидата, хочеться надіслати його клієнту одразу, а не чекати. Тому ми вирішили спробувати автоматизувати цей шматок роботи через AI.
Ініціатива пішла не від мене. Наша рекрутерка після навчання запропонувала: «Давайте спробуємо це автоматизувати через GPT». З першого разу не вийшло: вона доволі довго експериментувала, покращувала промпти й модель дійсно добре обробляла текст, але GPT-3 і 4 ще не вміли формулювати фінальний PDF. У результаті все одно потрібно було вручну копіювати, форматувати й доводити документ до потрібного вигляду. Тобто фактично це був фейл — процес не став швидшим.
Ситуація змінилась, коли з’явилася новіша версія GPT-5, яка вже могла генерувати PDF. Тоді та сама рекрутерка мені написала: «Все, тепер це працює!»
Це ще не повна автоматизація, проте AI закриває приблизно 85% задачі, що вже good enough. Перевірка і контроль залишається за людиною навіть для тих резюме, які ШІ підготував майже ідеально.
Оскільки ми доволі самостійний відокремлений підрозділ Unitask, нам не треба було з кимось узгоджувати автоматизацію. Ми прийняли та реалізували це рішення своїми силами. Head Office дізнався про те, що ми використовуємо AI, через цифри у P&L. Побачив, що ми не витрачаємо на зовнішнього підрядника $400 на місяць, натомість з’явилася витрата на підписку GPT $24 на місяць. Так нам вдалося знизити витрати — не кардинально, але відчутно. Шкодую тільки, що в той момент крім ChatGPT не купила корпоративну підписку ще й на Claude:)
AI-асистенти для аналітики
Асистент — це AI-шка, яка виконує для вас конкретну, заздалегідь задану функцію. Подібні інструменти пропонують GPT, Gemini та інші. Ви один раз пишете промпт — і потім він без жодних «привіт», пояснень та інструкцій виконує потрібну роботу. Наприклад, у мене є персональний асистент, у якого під капотом лежить завдання «перекладати французькою»: я просто надсилаю текст — і він одразу видає переклад у потрібному стилі.
Мій основний кейс — це HR-аналітика. Оскільки ми працюємо з групою компаній, аналітика щодо плинності кадрів у мене займала цілий день. Це був великий обсяг роботи: аналіз за країнами, компаніями групи між собою, менеджерами, клієнтами, кварталами, роками — фактично за всіма можливими зрізами.
Я подумала: якщо це повторювана аналітична робота, значить, її можна частково передати асистентам. На початку в мене не вийшло. Я намагалася написати геніальний промпт і створити одного асистента, який закриє все одразу, але це не спрацювало.
Замість цього я розбила задачу на частини й створила 6 асистентів, кожний з яких має свою задачу та алгоритм розв’язання. Я закидаю їм один і той самий файл, а вони опрацьовують його з різних боків. Наприклад, один «заточений» під країни: він аналізує відповідний стовпчик у даних і порівнює показники між країнами. Інший — під менеджерів або проєкти: дивиться, від кого або з яких команд відбувається відтік. Кожен відповідає за свій шматок, а я вже збираю фінальний результат.
Приклад мого промпта для аналізу плинності кадрів:
Раніше ця аналітика забирала в мене цілий день, на який я не планувала жодних зустрічей та буквально закривалася від усіх, адже робота з цифрами потребує надуважності. Зараз сформувати цифри можна за 10 хвилин, і в мене залишається більше часу на те, щоб вникнути в них і зробити висновки.
Проте, якщо чесно, сьогодні я б робила це інакше. Я витратила багато часу, щоб розібратися з асистентами — через експерименти й поступове «докручування» рішень. Паралельно розвивалися і самі інструменти. Зараз є рішення, які дозволяють отримати той самий результат швидше — наприклад, Claude. Якщо зі свого GPT-асистента я можу витиснути максимум табличку, то Claude не просто структурує дані, але й будує на їхній основі візуалізації: графіки, інфографіку. Ці візуалізації одразу підсвічують ключові висновки, що значно спрощує роботу з аналітикою.
Для мене головне відкриття з цього кейса таке: не треба змушувати один інструмент робити все. Краще розкласти задачу на частини й дати кожній свій tool, а потім поєднати результати. Це дає кращу якість і зменшує кількість помилок.
Lovable — звітність, яка не «заколисує»
Знаходити інсайти в цифрах — цікава робота, а от складати їх у презентацію — вже не дуже. Це ще одна рутина і ще один регулярний процес. Щокварталу ми аналізуємо показники, а раз на рік — готуємо презентацію з підсумковою звітністю.
Раніше це виглядало так: дані з Excel копіювалися в PowerPoint. Відповідно і результат виглядав як типовий «копі-пейст». Потім ми вирішили спробувати інший підхід — через інструмент Lovable. Особливих очікувань не було, тільки «а давайте подивимось, що з цього вийде». Це була ідея моєї колеги Юлії Авер’янової, HRBP та Recruitment Lead Unitask Global. Проте спочатку я навіть не знала, що Юля експериментує з цим інструментом. У підсумку в неї вийшло, і вийшло чудово. Для мене це про свободу і самостійність у команді. Вірю, що без самостійності не буває інновацій.
Lovable — це AI-інструмент для створення вебдодатків, сайтів, лендингів та презентацій. Головна фішка в тому, що тут можна робити інтерактивні презентації, де слайди мають анімації, розрахунки в реальному часі, інтерактивні чарти або навіть 3D-елементи.
Як це працює? Ви описуєте ідею текстом (промптом), задаєте структуру і дизайн презентації, а потім Lovable робить магію. Отримавши результат, можна ще погратися з ним і докрутити до ідеалу:
Перший результат був не ідеальний, але вже обнадійливий — щось зрозуміле, з чим можна працювати. Далі пішли ітерації: потрібно було допрацьовувати промпти, уточнювати інструкції. Ми зробили 7–8 підходів, і в результаті змогли зібрати повноцінну річну звітність по рекрутингу.
Тут ключові принципи, промпти й бізнес-логіка з нашого досвіду:
Ключові принципи роботи з Lovable з досвіду Юлії Авер’янової, HRBP, Recruitment Lead Unitask Global
З Lovable ми отримали зовсім інший рівень візуалізації — в нас з’явився інтерактив: можна наводити курсор на показники й бачити деталі, «провалюватися» глибше в дані, дивитися різні зрізи — за країнами, рекрутерами, спеціальностями.
Було / стало:
Звітність до і після використання Lovable — зображення Юлії Авер’янової, HRBP, Recruitment Lead Unitask Global
А ще це кардинально змінило сприйняття з боку менеджменту. Раніше реакція була скоріше формальна: «Ну презентація, ну цифри, так ми кожного року це бачимо». А тепер з’явився інтерес: «А можна подивитись?», «Дайте погратися», «І по рекрутерах можна розгорнути?»
Тобто змінився не тільки формат, але й рівень залученості. І це, мабуть, головний результат цього кейса. Його складно виміряти в грошах, але добре видно в комунікації: HR отримує більше уваги, а менеджмент — краще розуміння цифр і процесів за ними. Розмови про результати й наступні кроки щодо покращення стають ефективнішими.
Чому в моїй команді не було страху «AI нас замінить»
1. У нас заведено вчитись
Ми регулярно ходимо на курси, конференції, тренінги. Якщо хтось побував на навчанні або події, він повертається і ділиться з командою: які ідеї з’явилися, що планує робити інакше.
Є два підходи впровадження нових інструментів:
- top-down — коли менеджмент каже: «всі працюємо з цим інструментом»
- bottom-up — коли ініціатива йде від команди
З AI в нас вийшло щось середнє. З одного боку, я постійно пропонувала команді навчання: з’являється новий курс — давайте спробуємо. Таких спроб було багато, ще до того, як ми реально почали щось впроваджувати. З іншого боку, команда сама підхоплювала ініціативу і пропонувала експерименти. Я б назвала це підходом «точок росту»: коли з’являються окремі люди або невеликі ініціативи, які поступово залучають інших.
Наприклад, історія з автоматизацією резюме почалася після невеликого курсу про AI в рекрутингу. Ми пішли туди разом із нашою рекрутеркою. Це дало результат: людина повернулася, поділилася з командою, почала пробувати — і в якийсь момент у неї вийшло. І коли в команді є середовище, де цікаво пробувати, — такі речі починають масштабуватися.
Наприклад, я зараз захопилась агентами. В рандомний вечір можу написати колезі: «Юлю, мені вдалося скрутити ось такого агента». Вона каже: «Це класно, але ж якби він міг вивантажити всі дані в Excel». Наступного вечора я вчу новий урок і пишу: «Юлю, я навчилася вивантажувати в Excel».
У результаті це сформувало культуру шерингу, і в такому середовищі просто немає місця для страху «нас замінять».
2. AI не замінює професії повністю
Є багато досліджень, які показують, що навіть складні мультиагентні системи автоматизують окремі задачі, але не цілі ролі.
Поясню на прикладі:
Компанія хоче універсального кандидата «3 в 1», який поєднуватиме в собі декілька ролей. Теоретично можна створити агента, запустити його в LinkedIn і попросити знайти такого. Але далі починається робота, яку AI не закриває. Рекрутер має піти до hiring-менеджера і пояснити, що такий профіль — не найкраще рішення, а також запропонувати альтернативу, допомогти скоригувати очікування, розкласти роль на кілька позицій або визначити пріоритети. І саме ця частина — комунікація, вплив, робота з контекстом — залишається за людиною.
В нашому кейсі, наприклад, ми замінили зовнішню людину, яка оформлювала резюме. Але це не означає, що ми замінили рекрутера — це не те, чого ми прагнемо, і точно не те, що потрібно.
Які задачі AI поки що не під силу (в HR і не тільки)
Здатність домовлятися
Є дослідження, які показують, що AI-агенти поки що цього не вміють. Навіть у простих сценаріях, де перед агентами стояло завдання просто «домовитись» і при цьому не було жодного особистого інтересу, вони не справлялися. А якщо додати реалістичніші умови, коли в кожного є своя позиція чи інтерес, вони взагалі «ламаються».
В реальному житті це виглядає так: можна автоматизувати підготовку інвойсу, його відправку і навіть обробку. Але якщо вам потрібно, щоб оплату провели швидше, — це вже про людську взаємодію. Тут потрібно піти до бухгалтера і домовитися. І ось цю частину AI поки що не закриває.
Здатність брати на себе відповідальність
AI може проаналізувати великі обсяги даних і запропонувати рішення. Але в бізнесі завжди є потреба в людині, яка скаже: «Я це перевірив, я в цьому впевнений і я беру на себе відповідальність». І цю роль наразі неможливо передати агенту.
Уявіть два сценарії.
У більшості випадків вибір впаде на другий варіант — саме через відчуття відповідальності, яка завжди має бути на людині.
Поради ейчарам
- Пробувати різне, але не тому, що «щось горить» або «треба терміново щось рятувати». Краще заходити через цікавість.
- Не боятися повертатись до інструментів, які колись не зайшли. В мене було багато випадків, коли щось відкриваєш, дивишся і думаєш: «Ні, це взагалі не працює». А потім повертаєшся і бачиш, що інструмент уже сильно виріс і дає зовсім інший результат.
- Щоби «продати» ідею CEO або хед-офісу, варто говорити мовою цифр. Спробуйте хоча б приблизно порахувати: скільки часу це зекономить або які витрати зменшить. Вхід в експерименти з AI доволі дешевий. Більшість інструментів — це підписка на рівні $20 на місяць, і її завжди можна скасувати. Тому це легко подати як тест: «Дайте нам три місяці. Ми спробуємо впровадити рішення і покажемо результат. Якщо не вийде — просто зупинимо підписку». Ризик мінімальний, а потенційний ефект — досить відчутний».
Бажаєте отримувати дайджест статей?
