Разработка AI-системы для автоматизации онбординга сотрудников

Автоматизация онбординга сотрудников с AI

Мы интегрируем AI-систему, которая берёт на себя информационную часть адаптации новых сотрудников: объяснение процессов, ответы на вопросы, доступ к документам. Человеческий контакт остаётся только для сложных или эмоциональных ситуаций — всё рутинное автоматизируется.

Типичная боль: HR тратит десятки часов на онбординг одного человека. Вопросы повторяются от месяца к месяцу, welcome-письма копируются, чек-листы заполняются вручную. Результат — задержки, ошибки доступа, низкая скорость выхода на продуктивность. Мы решаем эту проблему связкой LLM (Claude Sonnet и Haiku) + корпоративная база знаний + автоматические интеграции. При этом AI-онбординг в 3 раза быстрее ручного и даёт экономию до 70% бюджета HR.

Проблемы, решаемые AI-онбордингом

• Повторяющиеся вопросы одного типа. Новые сотрудники задают одно и то же: «Где скачать VPN?», «Как оформить пропуск?», «Кто ответственный за Git?». HR тратит до 5 часов в неделю на ответы — AI-агент отвечает мгновенно, ссылаясь на актуальные документы.
• Неединообразное onboarding-планирование. Менеджеры самостоятельно решают, какие шаги включить в план. В результате кто-то не получает доступы вовремя, кто-то пропускает важные встречи. Система генерирует персонализированный план на 30 дней, привязанный к базе знаний и конкретной роли.
• Задержки с IT-доступами. Заявки на доступы к системам (Jira, GitLab, Slack) теряются или выполняются с опозданием. AI-агент автоматически создаёт тикеты в Jira с нужным приоритетом и контролирует выполнение.

Как AI-система ускоряет онбординг?

Ядро системы — два AI-агента на Claude API:

• Планировщик (Sonnet 4-5): создаёт структуру онбординга: шаги, контакты, цели на недели, расписание первого дня.
• Ассистент (Haiku 4-5): отвечает на вопросы в реальном времени через Telegram/Slack, генерирует ежедневные чеклисты и проактивные советы.

Код ниже показывает архитектуру системы:

from anthropic import Anthropic
from pydantic import BaseModel
from typing import Literal, Optional
import json
from datetime import datetime, timedelta

client = Anthropic()


class NewEmployee(BaseModel):
    employee_id: str
    name: str
    department: str
    role: str
    start_date: str
    manager_id: str
    mentor_id: Optional[str] = None
    it_systems_access: list[str] = []
    completed_steps: list[str] = []


class OnboardingPlan(BaseModel):
    employee_id: str
    steps: list[dict]  # {id, title, description, due_day, completed, category}
    day_1_schedule: list[dict]
    week_1_goals: list[str]
    key_contacts: list[dict]


class AIOnboardingSystem:
    def __init__(self, company_kb_path: str):
        self.company_kb = self._load_knowledge_base(company_kb_path)
        self.conversation_history: dict[str, list] = {}

    def _load_knowledge_base(self, path: str) -> str:
        """Загружает корпоративную базу знаний"""
        from pathlib import Path
        kb_parts = []
        for md_file in Path(path).rglob("*.md"):
            kb_parts.append(md_file.read_text())
        return "\n\n".join(kb_parts[:20])  # Топ-20 файлов

    def create_onboarding_plan(self, employee: NewEmployee) -> OnboardingPlan:
        """Создаёт персонализированный план онбординга"""
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""Создай план онбординга для нового сотрудника.
Сотрудник:
- Имя: {employee.name}
- Должность: {employee.role}
- Отдел: {employee.department}
- Дата выхода: {employee.start_date}

Информация о компании:
{self.company_kb[:2000]}

Верни JSON:
{{
    "steps": [
        {{
            "id": "step_1",
            "title": "...",
            "description": "...",
            "due_day": 1,
            "category": "admin|technical|social|culture",
            "completed": false
        }}
    ],
    "day_1_schedule": [
        {{"time": "09:00", "activity": "...", "with_whom": "..."}}
    ],
    "week_1_goals": ["..."],
    "key_contacts": [
        {{"role": "...", "purpose": "..."}}
    ]
}}
Включи шаги на 30 дней."""
            }]
        )
        text = response.content[0].text
        data = json.loads(text[text.find("{"):text.rfind("}") + 1])
        return OnboardingPlan(employee_id=employee.employee_id, **data)

    def answer_question(
        self,
        employee: NewEmployee,
        question: str,
        session_id: str,
    ) -> str:
        """Отвечает на вопрос нового сотрудника"""
        history = self.conversation_history.get(session_id, [])
        system_prompt = f"""Ты — AI-помощник по онбордингу для нового сотрудника {employee.name}.
Должность: {employee.role}, отдел: {employee.department}.
База знаний компании:
{self.company_kb[:3000]}

Правила:
- Отвечай конкретно и структурированно
- Если информации нет в базе — честно скажи и предложи к кому обратиться
- Для срочных вопросов (доступы, оборудование) — направляй к HR/IT немедленно
- Используй имя сотрудника в ответах"""
        messages = history + [{"role": "user", "content": question}]
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=1024,
            system=system_prompt,
            messages=messages,
        )
        answer = response.content[0].text
        # Обновляем историю
        history.append({"role": "user", "content": question})
        history.append({"role": "assistant", "content": answer})
        self.conversation_history[session_id] = history[-20:]  # Храним последние 10 обменов
        return answer

    def generate_daily_checklist(self, employee: NewEmployee, day: int) -> list[dict]:
        """Генерирует чеклист задач на конкретный день"""
        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Создай чеклист задач для нового сотрудника на день {day} онбординга.
Сотрудник: {employee.role} в отделе {employee.department}
Уже выполнено: {employee.completed_steps}

Верни JSON:
[{{
    "task": "...",
    "category": "admin|technical|social|learning",
    "priority": "must|should|nice",
    "estimated_minutes": 30,
    "resources": ["ссылка или инструкция"]
}}]
5-8 задач, реалистичных для одного дня."""
            }]
        )
        text = response.content[0].text
        start = text.find("[")
        end = text.rfind("]") + 1
        return json.loads(text[start:end])

    def send_proactive_tips(self, employee: NewEmployee, day: int) -> str:
        """Отправляет проактивные советы в начале дня"""
        tips_by_day = {
            1: "знакомство с командой и рабочим местом",
            3: "начало работы с основными инструментами",
            5: "первые рабочие задачи",
            14: "промежуточный чекин и вопросы",
            30: "итоги первого месяца",
        }
        if day not in tips_by_day:
            return ""
        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=512,
            messages=[{
                "role": "user",
                "content": f"""Напиши короткое (3-4 предложения) приветственное сообщение для нового сотрудника на день {day}.
Фокус дня: {tips_by_day[day]}.
Тон: дружелюбный, поддерживающий, конкретный.
Имя: {employee.name}."""
            }]
        )
        return response.content[0].text

Автоматические задачи HR и IT

class OnboardingAutomation:
    """Автоматизирует административные задачи онбординга"""

    def create_it_request(self, employee: NewEmployee) -> dict:
        """Генерирует IT-запрос на доступы"""
        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=512,
            messages=[{
                "role": "user",
                "content": f"""Создай IT-заявку на настройку рабочего места.
Сотрудник: {employee.name}
Должность: {employee.role}
Отдел: {employee.department}
Стандартный список доступов для роли + специфические системы.
Верни JSON: {{"systems": [...], "priority": "high", "notes": "..."}}"""
            }]
        )
        text = response.content[0].text
        return json.loads(text[text.find("{"):text.rfind("}") + 1])

    def generate_welcome_email(self, employee: NewEmployee, plan: OnboardingPlan) -> str:
        """Генерирует персонализированное welcome письмо"""
        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Напиши welcome email для нового сотрудника.
Сотрудник: {employee.name}, {employee.role}
День выхода: {employee.start_date}
Первые три шага по плану: {json.dumps(plan.steps[:3], ensure_ascii=False)}
Расписание первого дня: {json.dumps(plan.day_1_schedule, ensure_ascii=False)}
Email должен быть: тёплым, конкретным, с чёткими инструкциями на первый день.
Не более 300 слов."""
            }]
        )
        return response.content[0].text

Что входит в работу (deliverables)

• API-агент с документацией по эксплуатации
• Интеграция с Telegram или Slack (webhook + event-driven)
• Автоматическое создание задач в Jira/Redmine
• База знаний в формате Markdown (до 85 файлов)
• Ежедневные чек-листы на 30 дней онбординга
• Welcome-письма и проактивные уведомления
• Обучение команды (1 день онлайн)

Практический кейс: IT-компания 150 сотрудников

Из нашей практики — компания нанимала 5–7 человек в месяц. HR тратил 60% времени на онбординг: одни и те же вопросы, объяснения, настройки.

Внедрение:

• База знаний: 85 MD-файлов о компании, процессах, инструментах
• Telegram-бот для вопросов нового сотрудника
• Автоматические чеклисты на каждый день первого месяца
• Интеграция с Jira (автосоздание задач)

Результаты:

• Время HR на одного нового сотрудника: 8 часов → 2.5 часа
• Вопросы первого месяца, решённые без HR: 73%
• Скорость до первой продуктивной задачи: 21 день → 12 дней
• Оценка онбординга сотрудниками: 3.4/5 → 4.6/5

Ключевой фактор: новые сотрудники не боялись задавать "глупые" вопросы боту — получали ответ немедленно, без ощущения что отвлекают коллег.

Свяжитесь с нами для обсуждения вашего кейса.

Сравнение затрат: ручной vs AI-онбординг

Как AI-тьютор сокращает время адаптации?

AI-тьютор — это ассистент на базе Claude, который в реальном времени отвечает на вопросы, генерирует чек-листы и напоминает о задачах. В отличие от традиционного обучения, он доступен 24/7 и не требует участия ментора для рутинных запросов. Это повышает удовлетворённость новых сотрудников и снижает нагрузку на IT и HR.

Сравнение моделей для онбординга

Процесс внедрения

1. Аналитика (1–2 дня): аудит текущих процессов, сбор базы знаний, опрос HR.
2. Проектирование (2–3 дня): конфигурация AI-агентов, промпты, интеграционные схемы.
3. Реализация (5–7 дней): подключение к мессенджеру и Jira, наполнение базы знаний, тестирование.
4. Тест (1–2 дня): пилот на 2–3 сотрудниках, корректировка.
5. Деплой (1 день): запуск на всех, обучение команды.

Сроки

• AI-ассистент для ответов на вопросы: 3–5 дней
• Персонализированный план онбординга: 1 неделя
• Автоматические чеклисты + уведомления: 1 неделя
• Полная интеграция с HR-системой и Jira: 2–3 недели

Итоговый срок — от 2 до 4 недель в зависимости от сложности интеграций. Стоимость рассчитывается индивидуально: оценим ваш проект, пришлём смету за 1 день.

Сократите время адаптации сотрудников. Закажите внедрение — покажем демо и определим оптимальный состав модулей для вашего бизнеса. Свяжитесь с нами для консультации.