Час интервью. Два часа на отчет. Раньше это были обсуждения, правки и поиск формулировок. Сегодня ИИ подсказывает выводы и рекомендации, позволяя эксперту сосредоточиться на анализе.

В этом кейсе рассказываем, как за три недели для компании HT Lab разработали сервис на нашей платформе PanteonOS, который автоматизирует обработку интервью и структурирует ответы по компетенциям, помогая экспертам быстрее готовить отчеты.

Дисклеймер: прежде чем мы начнем, рекомендуем подписаться на «Голос Технократии» — мы регулярно рассказываем о новостях и новых релизах в сфере GenAI, а также делимся полезными мастридами и актуальными событиями.

Контекст

Одной из услуг компании HT Lab является оценка персонала: эксперты проводят интервью с кандидатами, анализируют ответы по компетенциям и готовят отчеты, которые используются для принятия управленческих решений и рекомендаций по развитию сотрудников.

После интервью процесс подготовки отчета был длительным. Если интервью проводили два эксперта, они сначала обсуждали оценки и фиксировали наблюдения, а затем ведущий эксперт оформлял отчёт на основе этих обсуждений. Один отчет обычно готовился в течение двух–трёх дней: эксперт заполнял шаблон, отправлял его на проверку другому специалисту, вносил правки, после чего текст проходил финальную проверку координатором.

Сложности заключались в длительности процесса и необходимости каждый раз подбирать формулировки под конкретного кандидата. Даже при наличии шаблонов текст приходилось адаптировать, чтобы отражать индивидуальные особенности ответов. 

Именно этот рутинный этап и стал точкой старта идеи автоматизации.

ИИ как помощник эксперта

После обсуждений с HT Lab стало ясно, что проект должен решать не только вопрос скорости подготовки отчетов. Эксперты ценят своё наблюдение и опыт, поэтому важно было, чтобы ИИ не заменял человека, а дополнял его:

• Автоматизировать рутинное в подготовке отчетов, чтобы эксперты могли сосредоточиться на анализе

• Структурировать интервью и анализировать ответы, не пропуская важные детали

• Подсвечивать моменты, которые могли быть упущены, и выделять сильные и слабые стороны компетенций

• Предоставлять рекомендации и аргументы, на основе которых эксперт принимает решения

«Нам было важно, чтобы ИИ выходил за рамки стандартного описания и давал более глубокий, многогранный взгляд на кандидата — с разных ракурсов, помогая увидеть детали, которые эксперт мог не заметить» — Анна Михмель, руководитель направления оценки и развития персонала HT Lab

Как пришла идея сервиса

Мы понимали, что ключевой момент — не сами интервью, а рутинная обработка их результатов. Сначала мы предлагали вариант, когда эксперт заполняет шаблон прямо во время интервью, а ИИ генерирует отчет на основе этих данных. Однако HT Lab отметили, что это может отвлекать специалистов.

Сначала мы изучили, какую часть отчета стоит оптимизировать. Основное внимание решили сосредоточить на той части, которая занимала больше всего времени у экспертов после интервью, той, где фиксируются результаты по компетенциям. Мы попросили описание каждой компетенции, чтобы на их основе можно было настроить промпты для LLM и получать релевантные заключения. Проведя первые тесты с примерами отчетов, мы убедились, что подход работает и результаты соответствуют ожиданиям. И решили пойти дальше.

Мы предложили разработать сервис, который будет принимать запись интервью и генерировать заключение по компетенциям, которые ранее указываешь.

«У нас есть стандартные шаблонные тексты по каждой компетенции. И поэтому нам хотелось поручить системе, чтобы ИИ подстраивал их под конкретного человека, чтобы отчеты не были одинаковыми и отражали индивидуальные особенности кандидата» — Анна Михмель, руководитель направления оценки и развития персонала HT Lab

Начнем с UI

Сначала был разработан интуитивно понятный интерфейс. На главной странице виден список респондентов с основной информацией: имя, должность, email. 

Эксперт может создавать интервью, загружать аудиозапись и видеть статусы обработки. Транскрибация и генерация заключений расположены рядом, чтобы эксперт сразу видел текст и мог запускать анализ.

Администраторы могут управлять компетенциями и ролями, создавать новые компетенции и редактировать существующие.

Веб был сделан на Cursor, что позволило быстро собрать рабочее пространство и начать тестировать систему.

Подключаем ИИ

Дальше началась работа с ИИ — его нужно было подключить, протестировать и встроить в процесс анализа интервью.

Для этого мы использовали два компонента нашей платформы PanteonOS — системы с набором готовых ИИ-модулей. В проекте задействовали ASRBox и LLMBox:

• ASRBox — транскрибация аудиозаписей в текст с сохранением структуры и формулировок речи.

• LLMBox — интеграция с облачными LLM, анализ расшифровки, распределение ответов по компетенциям и генерация экспертного заключения.

Для транскрибации используется модель Whisper Large 3, а для анализа и генерации — ChatGPT 5.

Во время тестирования мы активно взаимодействовали с HT Lab, чтобы подобрать оптимальную модель. Пробовали несколько вариантов LLM, оценивая, где лучше передается смысл ответов респондентов, насколько формулировки совпадают с экспертными, а также учитывая скорость обработки и затраты на анализ.

На странице интервью теперь происходит вся «магия». Эксперт загружает аудиозапись интервью, ASRBox  транскрибирует ее в течение 5-7 минут в текст, затем эксперт выбирает компетенции для анализа, и ИИ за секунды генерирует заключение, которое можно просмотреть и при необходимости доработать. 

Важно, что персональные данные респондентов не передаются в облако — все интервью обезличены.

Эксперт может добавлять и редактировать компетенции, управлять респондентами и их интервью, а также сразу видеть стоимостные затраты на обработку и анализ.

Добавили  также чат с ИИ, где можно обсудить результаты, уточнять оценки, попросить переформулировать формулировки и получать дополнительные рекомендации прямо в сервисе.

Так как это был первый опыт взаимодействия команды HT Lab с ИИ, мы показали, как работать с системой, как формулировать промпты, корректировать выводы и использовать рекомендации ИИ в отчетах. Это помогло быстрее освоить сервис и повысит уверенность в работе с ИИ.

Что из этого вышло

• «Альтернативное мнение»: эксперты получают сгенерированный ИИ взгляд на респондента за 5 – 7 минут, что позволяет им сосредоточиться на анализе и оценке, а не на рутинной обработке

• Гибкая система: новые компетенции можно легко добавлять и настраивать, а сам сервис подходит для любых процессов оценки.

• Чат с ИИ теперь активно используют эксперты: чтобы уточнять выводы, обсуждать формулировки, получать рекомендации по индивидуальным планам развития и другим аспектам оценки кандидатов, интегрируя эти данные прямо в отчеты.

Другие наши ИИ-кейсы: 

Когда GenAI приходит на помощь: как мы разработали генератор тест-кейсов для IT Media Service
От парсера до ИИ-платформы: как рекрутер «навайбкодил» инструмент, который экономит часы работы