Штраф за использование ИИ

💡 Суть
ИИ помогает работать быстрее, но может портить имидж. Исследование показало: кандидаты, которые используют ИИ, воспринимаются иначе при найме.

🏫 Вузы авторов
Duke University — Fuqua School of Business (Jessica Reif, Richard Larrick, Jack Soll)

🧪 Эксперимент: найм кандидатов (Study 3)
Этап 1: 801 человек выступали в роли кандидатов. Они выполняли простую задачу (считали плитки) и указывали, как часто используют ИИ.

Этап 2: 1 718 участников выступали в роли менеджеров. Им показывали профили кандидатов:

один ежедневно использует ИИ;

другой не использует ИИ вовсе.

Менеджеры должны были оценить «Task Fit» — то есть насколько кандидат подходит для конкретной задачи (по шкале от 1 до 7), и решить, нанять ли его.

📊 Цифры
В среднем оценки «Task Fit» у кандидатов с ИИ и без ИИ не различались (p = 0.516) — то есть в целом кандидаты выглядели одинаково пригодными для задачи.

Но всё менялось в зависимости от самого менеджера:

🔹Менеджеры, редко использующие ИИ, чаще выбирали кандидата без ИИ.

🔹Менеджеры, активно использующие ИИ, наоборот, чаще нанимали ИИ‑пользователей.

Статистика показала значимый эффект:

коэффициент b = 0.15, стандартная ошибка SE = 0.03, z = 5.80, p < 0.001.

По‑простому: это значит, что разница в выборе кандидата действительно существует и не случайна. Чем чаще менеджер сам пользуется ИИ, тем выше его симпатия к ИИ‑пользователям.

⚡️ Выводы
Социальная оценка зависит от контекста: кто сам не использует ИИ, склонен недооценивать тех, кто его применяет.

Это создаёт барьер для внедрения ИИ в рабочие процессы, даже если он реально повышает продуктивность.

Но среди тех, кто сам активно работает с ИИ, предвзятости почти нет — они видят в ИИ‑пользователях преимущество.

Источник: PNAS, 2025, doi:10.1073/pnas.2426766122

Телеграм канал HRTech

Несостоявшееся открытие или сезонность начисления зарплаты

На диаграмме среднее значение зарплаты в рублях на работника. Это данные всей России, и это Росстат.

После пика в июне зарплаты пошли вниз с небольшой коррекцией в сентябре (более свежих данных нет). Но и сентябрь ниже марта и апреля.

Первая мысль: Зарплатная гонка закончилась - зарплаты не просто не растут, но пошли вниз. И я уже хотел нести эту пугающую новость в массы, но проверил данные по прошлым годам, везде единая тенденция: после пика в июне следует спад, который только осенью исправляется (последние три года смотрел).

У меня вопрос к C&B: а что, действительно, в июне пик выплат в компании? Выше только декабрь - понятно, что это годовая премия. А июнь это премия за полугодие?

Телеграм канал HRTech

Что HR-автоматизируют в первую очередь

пост картинкой

✅HR-операции и администрирование — 39%

✅Обучение и развитие — 33%

✅Рекрутинг и найм — 22%

✅Управление эффективностью и развитием талантов — 20%

✅Компенсации и льготы — 20%

✅Взаимоотношения с сотрудниками и compliance — 18%

Источник

Мне кажется, если бы в России провести такое исследование, на первом месте было бы КДП (и логично), а потом был бы рекрутинг. Согласны?

Напомню, у нас два опроса в тему

Системы КЭДО (кадровый электронный документооборот)

Системы управления рекрутингом

поучаствуйте, пожалуйста!

🔗 Ссылки на 10 лучших курсов по ИИ (Top 10 AI Courses):

Не знаю, почему именно эту курсы, но вот так.

1️⃣Google Cloud: Introduction to Generative AI

Платформа: Google Cloud Skills Boost (бывший Qwiklabs)

Ссылка: https://www.cloudskillsboost.google/course_templates/536

Язык: Английский (часто есть субтитры). Бесплатный.

2️⃣DeepLearning.AI: Evaluating and Debugging Generative AI

Платформа: Coursera (часть специализации «Generative AI for Everyone»)

Ссылка: https://www.coursera.org/learn/evaluating-debugging-generative-ai

Язык: Английский. Можно аудировать бесплатно, сертификат — платно.

3️⃣University of Michigan: Top 100 Best Selling Products: AI (Вероятно, курс «AI For Everyone» или связанный с применением ИИ в бизнесе)

Платформа: Coursera

Ссылка (самый популярный курс от UMich по ИИ): https://www.coursera.org/learn/ai-for-everyone

Язык: Английский. Можно аудировать бесплатно.

4️⃣IBM: Vector Database Projects: AI Recommendation Systems

Платформа: Coursera (часть специализации «Vector Databases for Generative AI»)

Ссылка: https://www.coursera.org/learn/vector-database-projects-ai-recommendation-systems

Язык: Английский. Можно аудировать бесплатно.

5️⃣DeepLearning.AI: Team Software Engineering with AI

Платформа: Coursera (часть специализации «Generative AI for Software Developers»)

Ссылка: https://www.coursera.org/learn/team-software-engineering-with-ai

Язык: Английский. Можно аудировать бесплатно.

6️⃣Google: Technical Support Fundamentals

Платформа: Coursera (первый курс проф. сертификата «IT Support»)

Ссылка: https://www.coursera.org/learn/technical-support-fundamentals

Язык: Английский, русский и др. Можно аудировать бесплатно.

7️⃣Vanderbilt University: Specialization — Prompt Engineering for Law

Платформа: Coursera

Ссылка (на специализацию): https://www.coursera.org/specializations/prompt-engineering-for-law

Язык: Английский. Можно аудировать бесплатно.

8️⃣Microsoft: Preparing Data for Analysis

Платформа: Coursera (часть специализации «Microsoft Azure Data Engineering»)

Ссылка: https://www.coursera.org/learn/preparing-data-for-analysis

Язык: Английский. Можно аудировать бесплатно.

Google: IT Security: Defense Against the Digital Dark Arts

9️⃣Платформа: Coursera (курс в рамках проф. сертификата «IT Support»)

Ссылка: https://www.coursera.org/learn/it-security

Язык: Английский, русский и др. Можно аудировать бесплатно.

🔟University of Michigan: Data Structures in Python

Платформа: Coursera (часть специализации «Python for Everybody»)

Ссылка: https://www.coursera.org/learn/python-data

Язык: Английский. Можно аудировать бесплатно.

💡 Важные примечания:
Coursera: На Coursera можно бесплатно пройти любой курс в режиме аудита (просмотр материалов, выполнение заданий). Платными являются только сертификат и некоторые тесты.

Google Cloud Skills Boost: Для некоторых практических лабораторных работ может потребоваться аккаунт Google Cloud, но вводные курсы обычно бесплатны.

Актуальность: Ссылки проверены. Если какая-то из них не открывается, просто скопируйте полное название курса и введите в поиск Google — он сразу покажет нужную страницу на Coursera или сайте провайдера.

Телеграм канал HRTech

🧩 4 уровня зрелости использования AI в рекрутинге

Краткое резюме статьи From Tool to Teammate: The AI Usage Framework for Talent Acquisition

Модель зрелости
1️⃣Tool — Инструмент
AI используется точечно:
▪️написать описание вакансии
▪️сгенерировать письмо
▪️поискать кандидатов
▪️составить список вопросов
Проблема: хаос, нет стратегии, нет ROI.

2️⃣Assistant — Ассистент
AI встроен в рабочий процесс:
▪️анализирует резюме
▪️предлагает shortlist
▪️подсказывает, где искать
▪️помогает с коммуникациями
▪️делает ресёрч по рынку
Рекрутер работает быстрее, но всё ещё «ведёт» процесс сам.

3️⃣Collaborator — Коллаборатор
AI становится партнёром в принятии решений:
▪️оценивает риски найма
▪️прогнозирует вероятность оффера
▪️предлагает стратегию поиска
▪️помогает приоритизировать роли
▪️анализирует качество воронки
Рекрутер — финальный арбитр, но AI влияет на стратегию.

4️⃣Teammate — Член команды
AI — полноценный участник TA-функции:
▪️ведёт часть процессов автономно
▪️предлагает идеи, а не только ответы
▪️анализирует рынок глубже, чем человек
▪️помогает проектировать процессы
▪️обеспечивает единый стандарт качества
Рекрутер превращается в Talent Strategist, а не «закрывателя вакансий».

🎯 Что это даёт рекрутингу
✅ 1. Скорость
AI закрывает рутину → рекрутер работает в 3–5 раз быстрее.
✅ 2. Качество
AI анализирует больше данных → меньше ошибок в найме.
✅ 3. Масштабируемость
Один рекрутер может вести в 2–4 раза больше ролей без выгорания.
✅ 4. Стратегичность
Рекрутеры перестают быть операторами → становятся аналитиками и архитекторами процессов.

Телеграм канал HRTech

5 трендов корпоративного обучения: чему бизнес реально учит в 2025–2026

По материалам РБК

Корпоративное обучение окончательно перестало быть витриной «историй успеха». Компании больше не покупают вдохновение — они покупают прикладные навыки под конкретные задачи. Вот что сейчас действительно востребовано.

1️⃣ИИ — не как хайп, а как инструмент
Сотрудники хотят не лекций «про будущее ИИ», а рабочих сценариев:
▪️автоматизация процессов,
▪️аналитика и BI,
▪️прогнозирование и сценарное планирование,
▪️пошаговое внедрение ИИ в маркетинг, HR, финансы, supply chain.
Фокус сместился с «что умеет ИИ» на «что я могу сделать с ним завтра на работе».

2️⃣Кейс-методы вместо теории
Компании требуют обучения, которое можно применить сразу:
▪️реальные кейсы действующих компаний,
▪️симуляции управленческих решений,
▪️ролевые игры, проектная работа,
▪️тренировки переговоров, кризис-менеджмента, управления изменениями.
Формула простая: если навык нельзя отработать — его не покупают.

3️⃣ Разбор провалов
Все меньше «best practices» и все больше честных ошибок:
▪️проваленные стратегии роста и M&A,
▪️неудачные цифровые трансформации,
▪️ошибки в управлении людьми и культурой,
▪️провальные маркетинговые кампании.
Понимание того, как не надо делать, оказалось ценнее вдохновляющих историй успеха.

4️⃣Отраслевой фокус
Универсальные программы проигрывают специализированным. Востребованы курсы:
▪️для промышленности и производства,
▪️ логистики и цепочек поставок,
▪️IT и цифровой трансформации,
▪️ финансов и инвестиций,
▪️ продаж и ретейла.
Компании хотят, чтобы обучение «говорило на языке их бизнеса», а не абстрактных моделей.

5️⃣Короткие форматы вместо длинных программ
Время — самый дефицитный ресурс:
▪️интенсивные MBA на 6–12 месяцев,
▪️модульные программы,
▪️короткие онлайн-курсы,
▪️корпоративные воркшопы на 2–5 дней с внедрением решений.
Логика простая: учимся постоянно, но маленькими, управляемыми шагами.

🏆Итог
Корпоративное обучение становится:
▪️практичным,
▪️отраслевым,
▪️ технологичным,
▪️ориентированным на ошибки,
▪️компактным по форме.

Бизнес больше не платит за знания «про жизнь». Он платит за способность действовать в условиях неопределенности.

Телеграм канал HRTech

Принципы управления Сторонского

Николай Сторонский — основатель и CEO Revolut, самого дорогого финтех-стартапа Европы.
▪️Бэкграунд: Выпускник МФТИ (физтех) и РЭШ. Бывший трейдер Lehman Brothers и Credit Suisse. Именно физико-математическое образование сформировало его подход: он смотрит на бизнес не как на гуманитарную систему, а как на алгоритм, который можно оптимизировать.
▪️Путь: В 2015 году он запустил Revolut как сервис для обмена валюты без комиссий. К 2025 году компания выросла в «супер-апп» с оценкой в $75 млрд и более чем 50 млн клиентов по всему миру.
▪️Техбомба: Revolut — это банк без отделений, который работает быстрее традиционных гигантов. Николай строит «мировой банк», внедряя ИИ во все процессы: от оценки кредитных рисков до автоматизации службы поддержки.

Принципы управления Сторонского
1️⃣Нанимать «Excellent» или «Strong», а не «Managers»
Сторонский признает своей главной ошибкой найм опытных статусных менеджеров из крупных корпораций. Его принцип: нанимать тех, кто делает (Doers), а не тех, кто управляет.
🔹Логика: В стартапе менеджер без глубокого понимания продукта бесполезен. Николай часто сам сначала вникает в роль, пишет код или настраивает процесс, чтобы понять «эталон», и только потом ищет человека.
🔹Правило 3 месяцев: Если человек не показал результат в первые 90 дней, он не покажет его никогда. Его принцип: «When there’s doubt, there’s no doubt» (Если есть сомнение — сомнений нет, надо расставаться).

2️⃣Экстремально плоская структура
Николай удерживает огромное количество прямых подчиненных (более 40 человек).
🔹Зачем: Чтобы исключить искажение информации через слои бюрократии. Он верит, что сильные люди не требуют микроменеджмента, им достаточно задать вектор и метрики.

3️⃣Культура «First Principles» (Первые принципы)
Любое решение должно быть обосновано логикой и данными, а не тем, как «принято на рынке». Если конкуренты тратят миллионы на маркетинг, это не повод делать так же, пока цифры не подтвердят эффективность.

4️⃣Интеллектуальная честность и меритократия
В компании поощряется радикальная прямота. Если идея плохая, об этом говорят в лицо, невзирая на должности. Продвигаются только те, кто приносит измеримый результат.

📊HR-метрики Сторонского
Сторонский управляет компанией как математической моделью. Его HR-подход строится на трех столпах:

1️⃣Velocity of Shipment (Скорость поставки): Главная метрика для инженеров и продуктологов. Как быстро идея превращается в работающий код в приложении. Если команда замедляется — это сигнал к пересмотру состава.

2️⃣Performance Buckets (Три корзины): Сторонский делит всех сотрудников на три категории:
▪️A-players: Те, кто драйвит рост и работает на пределе.
▪️B-players: Стабильные исполнители.
▪️C-players: Подлежат немедленной замене. Его цель — максимизировать долю первой категории.

3️⃣KPI Cascading (Каскадирование KPI): У каждого сотрудника, от топ-менеджера до младшего специалиста, есть оцифрованные цели на квартал. Эти цели жестко связаны с годовыми целями всей компании.

4️⃣Resource Allocation Efficiency (Эффективность аллокации): Сторонский считает, что роль CEO — это быть эффективным распределителем ресурсов. Если отдел HR или маркетинга потребляет X денег, они должны генерировать измеримый возврат (ROI) в виде качества найма или стоимости привлечения пользователя.


Телеграм канал HRTech

HR-автоматизация коррелирует с HR-аналитикой и HR-брендом

В нашем исследовании приоритетов HR на 2026 (поучаствуйте пожалуйста!) помимо прямых результатов – рейтинга приоритетов, можно еще измерить структуру выбора респондентов: например, корреляцию между разными поинтами.
HR-автоматизация коррелирует с двумя поитами: HR-аналитикой = 0, 24 и HR-брендом = 0, 20. Т.е. респонденты вместе с выбором HR-автоматизации чаще делают выбор HR-аналитики и HR-бренда. И если корреляция автоматизации и аналитики понятна (часто HRtech и HR-аналитики это одни и те же лица в компании), то в чем суть связи автоматизации с брендом? В чем эта связь может выражаться?

Кстати, HR-аналитика коррелирует сильнее всего с Вовлеченностью – и для меня это самый загадочный вопрос нашего исследования.

Телеграм канал HRTech

Ловушка AI-увольнений: цифры, которые HR не хочет видеть

Это резюме исследований западного рынка, но мне кажется, это близко российскому рынку.
Пока компании массово «оптимизируются под ИИ», на рынке труда формируются две параллельные кризисные волны — и обе подтверждены цифрами.

🔻 Кризис опытных сотрудников

Forrester (Predictions 2026) делает неприятный прогноз:
50% увольнений, объяснённых ИИ, будут тихо компенсированы наймом — офшором или за меньшие деньги.

Почему?

🔹55% работодателей уже жалеют об AI-увольнениях

🔹людей увольняют под возможности ИИ, которых ещё не существует

🔹когда ИИ «не взлетает», ошибки не признают — просто добирают дешёвую рабочую силу

Кейсы:

🔹Klarna уволила ~700 человек → падение качества → возврат людей

🔹Amazon Just Walk Out оказался «ИИ», который на деле обслуживают сотрудники в Индии

При этом парадокс:

57% AI-директоров ожидают роста занятости из-за ИИ, а не сокращений.

🔻 Кризис входа в профессию

Исследования Burning Glass Institute показывают:
работа есть — старта нет.

Доля вакансий с требованиями ≤3 лет опыта (2018 → 2024):

▪️software development: 43% → 28%
▪️data analysis: 35% → 22%
▪️consulting: 41% → 26%

Важно:

🔸общее число вакансий не упало
🔸найм сеньоров стабилен
🔸компании просто пропускают джуниоров

Последствия:

🔹безработица среди бакалавров 20–24 лет выросла с 5,2% до 6,2%

🔹52% выпускников 2023 года — недозаняты через год после выпуска

🔹бакалавры безработны чаще, чем люди со средним спецобразованием

🔻 Самая ироничная цифра

По данным Forrester:

🔹высокий AIQ (готовность работать с ИИ) есть у 22% Gen Z

🔹у бумеров — 6%

👉 и именно Gen Z выдавливают с рынка, убирая entry-level роли.

🔻 Итог

Forrester фиксирует рост группы coasters — сотрудников, которые сознательно «не стараются»:

🔹27% в 2024
🔹25% в 2025
🔹28% в 2026 (прогноз)

Когда ¼ персонала не верит в компанию, никакой ИИ это не компенсирует.

Вывод:
AI-увольнения сегодня — это чаще не стратегия, а
📉 потеря знаний
📉 сломанная воронка талантов
📉 отложенные издержки

И платить за это HR придётся уже в 2026.


Телеграм канал HRTech

​​Как правильно разрабатывать систему HR-метрик

Многие HR-команды проходили через это. Ставилась задача разработать систему HR-метрик и собрать дашборд.

А потом начиналось самое странное: HR пытается вовлекать менеджеров смотреть на метрики. Представьте водителя, которого нужно вовлекать следить за бензобаком. Или врача, которого нужно вовлекать смотреть показатели пациента. Звучит так себе. Но почему-то именно в HR эта логика считается нормальной.

❓В чём ошибка постановки задачи

Проблема не в том, что HR-метрики «плохие» или «сложные». Проблема в самой формулировке:

«Какие HR-метрики нам нужны?»

Это неправильный вопрос. Правильный вопрос звучит иначе:

«Какую управленческую задачу мы решаем — и какие показатели позволяют ею управлять?»

Метрики не придумываются. Они вырастают из задачи, как приборы на панели управления.

📊Кейс как пример адекватной логики

В кейсе, о котором я писал выше, см. Управление эффективностью персонала: конкретный кейс оргдизайна, автор не начинал с дашбордов и длинных списков показателей. Он сделал гораздо более простую — и зрелую — вещь.

📌 Взял одну верхнеуровневую метрику: соотношение АУП и риелторов.

Метрика предельно простая. Не «бином Ньютона». Её понимает собственник, директор филиала и руководитель HR.
И именно поэтому она работает. Эта метрика напрямую отражает управляемость, издержки и масштабируемость бизнеса. И именно она становится якорем всей системы управления. Дальше начинается главное.

Верхнеуровневая метрика была декомпозирована — и под неё были подтянуты управляемые показатели:

▪️ найм
▪️ адаптация
▪️ текучесть
▪️ предельная стоимость найма
▪️ ФОТ к выручке
▪️ скорость выхода новичков на результат

Важно: эти метрики не существуют сами по себе. Они имеют смысл только потому, что связаны с верхнеуровневой метрикой и влияют на неё. Через них этой метрикой можно управлять — хотя бы частично.

📚В чём здесь методология

Это и есть строгая логика построения системы HR-метрик, а не набора показателей:

1️⃣ Сначала — управленческая задача
2️⃣ Потом — одна ключевая метрика верхнего уровня
3️⃣ Затем — декомпозиция на операционные показатели
4️⃣ И только после этого — дашборды, отчёты и ритуалы

Не наоборот.

🎯Главный вывод

HR-метрики не нужно «внедрять» и «вовлекать». Если метрика правильная — в неё смотрят сами, потому что без неё невозможно принимать решения. Именно так HR перестаёт быть «про дашборды» и становится про управление бизнесом.

Если пойму, что пост интересен, в следующем посте разберу, какой должна быть одна верхнеуровневая HR-метрика в компаниях, входящих в фазу оптимизации — и почему без неё все разговоры про эффективность бессмысленны.

Телеграм канал HR-аналитики