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.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.