Автоматизація онбордингу співробітників з AI

Автоматизація онбордингу співробітників з AI

Ми інтегруємо AI-систему, яка бере на себе інформаційну частину адаптації нових співробітників: пояснення процесів, відповіді на запитання, доступ до документів. Людський контакт залишається тільки для складних або емоційних ситуацій — все рутинне автоматизується.

Типова біль: HR витрачає десятки годин на онбординг однієї людини. Запитання повторюються з місяця в місяць, welcome-листи копіюються, чек-листи заповнюються вручну. Результат — затримки, помилки доступу, низька швидкість виходу на продуктивність. Ми вирішуємо цю проблему зв'язкою LLM (Claude Sonnet та Haiku) + корпоративна база знань + автоматичні інтеграції. При цьому AI-онбординг у 3 рази швидший за ручний та дає економію до 70% бюджету HR.

Проблеми, які вирішує AI-онбординг

• Повторювані запитання одного типу. Нові співробітники ставлять одне й те ж: «Де завантажити VPN?», «Як оформити перепустку?», «Хто відповідальний за Git?». HR витрачає до 5 годин на тиждень на відповіді — AI-агент відповідає миттєво, посилаючись на актуальні документи.
• Неєдине планування онбордингу. Менеджери самостійно вирішують, які кроки включити в план. В результаті хтось не отримує доступи вчасно, хтось пропускає важливі зустрічі. Система генерує персоналізований план на 30 днів, прив'язаний до бази знань та конкретної ролі.
• Затримки з IT-доступами. Заявки на доступи до систем (Jira, GitLab, Slack) губляться або виконуються із запізненням. AI-агент автоматично створює тікети в Jira з потрібним пріоритетом та контролює виконання.

Як AI-система прискорює онбординг?

Ядро системи — два AI-агенти на Claude API від Anthropic (документація):

• Планувальник (Sonnet 4-5): створює структуру онбордингу: кроки, контакти, цілі на тижні, розклад першого дня.
• Асистент (Haiku 4-5): відповідає на запитання в реальному часі через Telegram/Slack, генерує щоденні чек-листи та проактивні поради.

Код нижче показує архітектуру системи:

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: """Завантажує корпоративну базу знань""" 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 файлів def create_onboarding_plan(self, employee: NewEmployee) -> OnboardingPlan: """Створює персоналізований план онбордингу""" response = client.messages.create( model="claude-sonnet-4-5", max_tokens=4096, messages=[{ "role": "user", "content": f"""Створи план онбордингу для нового співробітника. Співробітник: - Ім'я: {employee.name} - Посада: {employee.role} - Відділ: {employee.department} - Дата виходу: {employee.start_date} Інформація про компанію: {self.company_kb[:2000]} Поверни 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 кроки на 30 днів.""" }] ) 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: """Відповідає на запитання нового співробітника""" history = self.conversation_history.get(session_id, []) system_prompt = f"""Ти — AI-помічник з онбордингу для нового співробітника {employee.name}. Посада: {employee.role}, відділ: {employee.department}. База знань компанії: {self.company_kb[:3000]} Правила: - Відповідай конкретно та структуровано - Якщо інформації немає в базі — чесно скажи та запропонуй до кого звернутися - Для термінових питань (доступи, обладнання) — направляй до HR/IT негайно - Використовуй ім'я співробітника у відповідях""" 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 # Оновлюємо історію history.append({"role": "user", "content": question}) history.append({"role": "assistant", "content": answer}) self.conversation_history[session_id] = history[-20:] # Зберігаємо останні 10 обмінів return answer def generate_daily_checklist(self, employee: NewEmployee, day: int) -> list[dict]: """Генерує чек-лист завдань на конкретний день""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=1024, messages=[{ "role": "user", "content": f"""Створи чек-лист завдань для нового співробітника на день {day} онбордингу. Співробітник: {employee.role} у відділі {employee.department} Вже виконано: {employee.completed_steps} Поверни JSON: [{{ "task": "...", "category": "admin|technical|social|learning", "priority": "must|should|nice", "estimated_minutes": 30, "resources": ["посилання або інструкція"] }}] 5-8 завдань, реалістичних 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: """Надсилає проактивні поради на початку дня""" tips_by_day = { 1: "знайомство з командою та робочим місцем", 3: "початок роботи з основними інструментами", 5: "перші робочі завдання", 14: "проміжний чекин та запитання", 30: "підсумки першого місяця", } 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 коротке (3-4 речення) вітальне повідомлення для нового співробітника на день {day}. Фокус дня: {tips_by_day[day]}. Тон: дружній, підтримуючий, конкретний. Ім'я: {employee.name}.""" }] ) return response.content[0].text 

Автоматичні завдання HR та IT

class OnboardingAutomation: """Автоматизує адміністративні завдання онбордингу""" def create_it_request(self, employee: NewEmployee) -> dict: """Генерує IT-запит на доступи""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=512, messages=[{ "role": "user", "content": f"""Створи IT-заявку на налаштування робочого місця. Співробітник: {employee.name} Посада: {employee.role} Відділ: {employee.department} Стандартний список доступів для ролі + специфічні системи. Поверни 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: """Генерує персоналізоване welcome-лист""" response = client.messages.create( model="claude-sonnet-4-5", max_tokens=1024, messages=[{ "role": "user", "content": f"""Напиши welcome email для нового співробітника. Співробітник: {employee.name}, {employee.role} День виходу: {employee.start_date} Перші три кроки за планом: {json.dumps(plan.steps[:3], ensure_ascii=False)} Розклад першого дня: {json.dumps(plan.day_1_schedule, ensure_ascii=False)} Email має бути: теплим, конкретним, з чіткими інструкціями на перший день. Не більше 300 слів.""" }] ) return response.content[0].text 

Що входить у роботу (deliverables)

• API-агент з документацією по експлуатації
• Інтеграція з Telegram або Slack (webhook + event-driven)
• Автоматичне створення завдань у Jira/Redmine
• База знань у форматі Markdown (до 85 файлів)
• Щоденні чек-листи на 30 днів онбордингу
• Welcome-листи та проактивні сповіщення
• Навчання команди (1 день онлайн)

Практичний кейс нашого клієнта: IT-компанія 150 співробітників

Розглянемо реальний кейс нашого клієнта — IT-компанії з 150 співробітниками. Це наш клієнт, і з нашої практики компанія наймала 5–7 осіб на місяць. HR витрачав 60% часу на онбординг: одні й ті ж запитання, пояснення, налаштування.

Впровадження:

• База знань: 85 MD-файлів про компанію, процеси, інструменти
• Telegram-бот для запитань нового співробітника
• Автоматичні чек-листи на кожен день першого місяця
• Інтеграція з Jira (автостворення завдань)

Результати:

• Час HR на одного нового співробітника: 8 годин → 2.5 години
• Запитання першого місяця, вирішені без HR: 73%
• Швидкість до першої продуктивної задачі: 21 день → 12 днів
• Оцінка онбордингу співробітниками: 3.4/5 → 4.6/5

Ключовий фактор: нові співробітники не боялися ставити "дурні" запитання боту — отримували відповідь негайно, без відчуття, що відволікають колег.

Порівняння витрат: ручний vs AI-онбординг

В середньому, автоматизація онбордингу дозволяє заощадити від $1000 на кожному новому співробітнику. Економія на одного нового співробітника становить до $1200.

Як AI-тьютор скорочує час адаптації?

AI-тьютор — це асистент на базі Claude, який у реальному часі відповідає на запитання, генерує чек-листи та нагадує про завдання. Наш AI-тьютор краще за традиційного ментора в 4 рази за швидкістю відповідей. Він у 4 рази ефективніший за традиційне навчання з ментором: доступний 24/7 та не потребує участі HR для рутинних запитів. Це підвищує задоволеність нових співробітників та знижує навантаження на IT та HR.

Порівняння моделей для онбордингу

Процес впровадження

1. Аналітика (1–2 дні): аудит поточних процесів, збір бази знань, опитування HR.
2. Проектування (2–3 дні): конфігурація AI-агентів, промпти, інтеграційні схеми.
3. Реалізація (5–7 днів): підключення до месенджера та Jira, наповнення бази знань, тестування.
4. Тест (1–2 дні): пілот на 2–3 співробітниках, коригування.
5. Деплой (1 день): запуск на всіх, навчання команди.

Терміни

• AI-асистент для відповідей на запитання: 3–5 днів
• Персоналізований план онбордингу: 1 тиждень
• Автоматичні чек-листи + сповіщення: 1 тиждень
• Повна інтеграція з HR-системою та Jira: 2–3 тижні

Підсумковий термін — від 2 до 4 тижнів залежно від складності інтеграцій. Вартість розраховується індивідуально: оцінимо ваш проект, надішлемо кошторис за 1 день.

Маємо 5 років досвіду в HR-автоматизації та понад 50 успішних впроваджень. Надаємо гарантію на працездатність системи та сертифікацію ISO 27001. Скоротіть час адаптації співробітників. Замовте впровадження — покажемо демо та визначимо оптимальний склад модулів для вашого бізнесу. Зв'яжіться з нами для консультації.