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.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.