Автор: Дмитрий Клепинин
Пока одни с умным видом вещают про «стратегический двигатель бизнеса», другие (то есть мы с вами) пытаются понять, где здесь реальная польза, а где — очередная игрушка для CIO с большим бюджетом и маленьким пониманием происходящего.
За последние пару недель я перелопатил кучу материалов про HR-технологические тренды 2026 года. От пафосных пресс-релизов до откровенно нервных обсуждений на Reddit и профессиональных форумах. И знаете что? Картина вырисовывается гораздо интереснее, чем пытаются нарисовать маркетологи от HRTech.
Задумайтесь. А ведь HR-отделы почти что вымирают. То есть речь идёт не о том, что мы «трансформируемся», а о том, что завтра с высокой степенью вероятности на смену Департаменту управления персоналом придёт новое подразделение IT-департамента, которое будет выстраивать симбиотическое управление живыми людьми, цифровыми агентами и бизнес-процессами.
Причём виной тому не только высокая цифровизация во всех сферах нашей жизни, но ещё и зачастую безграничная непроходимая тупость некоторых коллег по цеху, которые рассматривают новые технологии как интересную игрушку, позволяющую свести к минимуму их трудовые функции. Как многие помнят, начиналось всё с применения роботов в подборе, что не привело ни к чему хорошему. Тенденции продолжаются дальше.
И ещё важный момент. Ваши искины («Искусственный интеллект») учатся на том, что находят в сети. Вы продолжаете наполнять сеть тем, что за вас делает языковая модель, языковая модель «учится» на том, что сделала она же или другие языковые модели, качество сгенерированного продукта становится всё хуже и хуже, а следом и вы, читающие всё меньшие объёмы текста, да и того, сгенерированного по кривой ухудшения качества, неотвратимо тупеете ещё больше. И в итоге мы полностью отключаем недоучек в сфере управления персоналом, заменяя их на плохо обученных роботов, обладающих псевдоинтеллектом.
Но хватит лирики. Давайте пройдёмся по десяти основным трендам, которые действительно определят лицо HR в ближайшее время.
1. Автономный виртуальный менеджер по подбору (он же агентный ИИ)
Представим себе менеджера по подбору персонала, который научился не просто работать по алгоритму скрипта, но ещё и выполнять многоэтапные задачи, и даже планировать свою деятельность. И при этом это программа, которая не нуждается ни в сне, ни в отдыхе, ни в перекурах.
Самый громкий тренд этого года и одновременно рассадник багов и неадекватных решений. Во многих платформах (включая российские вроде «Поток Рекрутмент») уже внедрены ИИ-агенты, которые автоматизируют первичное общение с кандидатами, пишут тексты вакансий и анализируют тысячи резюме на релевантность.
Как это преподносят в маркетинговых материалах:
ИИ-агент получил запрос на поиск маркетолога — и погнал: сам находит кандидатов, сам договаривается о собеседовании, сам готовит аналитику, сам запускает адаптацию. Красота, сказка, экономим на трёх рекрутерах.
Как это работает в реальности (по данным с форумов и отраслевых исследований):
По данным исследования Indeed, ранние пользователи автоматизации нанимали на 64% больше специалистов на одного рекрутера и отправляли на 33% больше кандидатов. Звучит круто. Но вдумайтесь: «больше» — не значит «качественнее». Исследования последних месяцев показывают, что слепое доверие ИИ-фильтрам часто отсекает нестандартных, но перспективных кандидатов. ИИ отбрасывает всё, что не на 100% релевантно заявке, потому что он буквально не умеет думать шире своего обучающего датасета.
В рунете уже окрестили это «цирком с конями». Особенно когда выясняется, что ChatGPT пишет идеальное резюме, а другой ИИ его же и отбраковывает, потому что «слишком идеально». В одном из обсуждений на Reddit менеджеры всерьёз грозились заменить целую команду аналитиков данных нейросетью. И только прямой вопрос «Кто будет отвечать, если ИИ ошибётся?» заставил их замедлиться. Но осадок, сами понимаете, остался.
Что с этим делать умному HR-директору:
Не убегайте в автоматизацию сломя голову. Используйте ИИ-агентов для «черновой» работы: массового скрининга, первичной коммуникации. Но финальное решение всё равно оставляйте за живым человеком. А самое главное — регулярно проверяйте, насколько адекватно ваш ИИ-агент фильтрует входящий поток. И да, готовьтесь к тому, что кандидаты будут натаскивать нейросети на обход ваших фильтров — это уже новая норма.
Больше всего меня сейчас веселит ситуация, когда бездумное внедрение таких агентов приводит к тому, что компания нанимает специалиста с идеальным резюме (написанным ChatGPT), идеально прошедшего скрининг (прошедший ИИ-фильтр) и... неспособного, блин, забить гвоздь молотком в реале. Потому что живой человек в этой цепочке появляется только на этапе предложения о работе.
Поэтому моё мнение простое: роботы знатно тупят на этапе отбора резюме, отбрасывая нестандартные варианты. Но с другой стороны, роботу чужды тщеславие, ошибки «эффекта ореола» (когда менеджер нанимает «своего парня»), страх нанять более сильного, чем ты сам, кандидата. Поэтому замена недалёких менеджеров по подбору на таких виртуальных сотрудников может быть вполне интересным и, главное, эффективным выходом для многих компаний.
2. Гиперперсонализация: каждому сотруднику — по потребностям
Технологии обещают создавать уникальный путь для каждого: от адаптации до увольнения, причём ИИ анализирует всё — от роли и навыков до стиля обучения и даже карьерных фантазий на ночь глядя.
Цифры: говорят, вовлечённость при точечной настройке опыта сотрудника (Employee Experience) вырастает в разы. Сотрудники, чей опыт воспринимается как уникальный, в 4,6 раза чаще работают на максимуме эффективности.
Насколько это реально:
Не очень, увы. Пока персонализация в 90% компаний сводится к автоматической рассылке «Вася, мы заметили, что ты не прошёл курс по этичному поведению. Пройди, пожалуйста». Настоящая, глубокая персонализация требует массу чистых, структурированных данных. Где их взять в компании, где табели до сих пор в Excel, а план развития на год скопирован с образца 2018 года?
Если уж мне набрасывать ИПР через сервисы типа «Поток Оценка 360», где ИИ использует модель 70-20-10 (70% — практика, 20% — общение, 10% — курсы) — это уже отлично. Но масштабировать на 1000 человек без нормальной EXP-платформы — фантастика.
3. Прогностическая HR-аналитика: гадание на кофейной гуще или реальность?
Вы будете смеяться, но мы дошли до того, что ИИ научился прогнозировать, кто из сотрудников уволится. И даже до того, почему он это сделает.
Что пишут в умных книжках:
ИИ анализирует сотни параметров — от производительности, частоты опозданий, глубины вздохов в CRM до тона в корпоративном чате. На выходе — «красная зона» сотрудников, кому срочно нужно делать предложение, от которого нельзя отказаться.
В российской практике есть уже интересные кейсы. Например, исследование на базе данных реальной IT-компании, где смешивали HRIS-данные, соцопросы и внешние бенчмарки рынка. Там получились весьма точные прогнозы.
Но есть «но» — и здесь я хочу остановиться подробнее, потому что эта мысль требует развёрнутого комментария.
Когда я говорю «либо вкладывайтесь в дорогую аналитику, либо не делайте вид», я имею в виду вот что. Полумеры — это самое опасное, что может случиться с компанией, которая решила современные технологии.
Представьте: вы покупаете дешёвое аналитическое решение за 300 тысяч рублей, заливаете туда свои кривые табели, обрывки данных из 1С, результаты опросов, которые заполнили 15% сотрудников (и те — как попало). Система выдаёт вам красивый дашборд: «вероятность увольнения Иванова — 87%». Вы бежите к Иванову, начинаете с ним срочный разговор о повышении, а он смотрит на вас как на сумасшедшего, потому что на самом деле собрался в отпуск, а зарплата его устраивает. Вы потратили деньги, время, репутацию — и получили ложную тревогу.
Почему так происходит? Потому что прогностическая аналитика — это про математическую статистику, а она требует трёх вещей: большого объёма данных, чистоты этих данных и корректных моделей. Если хотя бы одно звено хромает, на выходе мы получаем мусор. А решения на основе мусора стоят дороже, чем отсутствие решений вообще. Вы начинаете «оптимизировать» не тех, увольнять не тех, нанимать не тех.
Поэтому честный совет: либо нанимайте дорогих специалистов по данным (или покупайте коробочное решение уровня SAS, Oracle, «Поток» с доказанной точностью), тратьте миллионы на сбор и очистку данных и готовьтесь к тому, что первые полгода модель будет учиться на ваших ошибках. Либо вообще не начинайте. Потому что дешёвая псевдоаналитика принесёт больше вреда, чем пользы. Полумеры не работают. Точка.
4. Навыковая модель: смерть должностных инструкций
Помните, как мы все радовались, что теперь не надо читать 200 резюме? Теперь готовьтесь к тому, что ваша «руководящая должность» перестанет что-либо значить. Вместо того чтобы давать руководителю шанс пыжиться от кресла или таблички на двери, или других корпоративных радостей, компания начнёт смотреть: а что ты вообще умеешь?
Я перефразирую: основой компании перестанут быть таблички на дверях кабинетов. Вместо «начальник департамента» и «ведущий специалист» будут значить только одно — набор конкретных умений: умеешь ли ты крутить гайки, писать код, договариваться с поставщиками или находить ошибки в бюджете.
Что это значит на практике:
Появятся внутренние «маркетплейсы талантов». Хотите собрать проект — не смотрите на штатное расписание, а ищите сотрудника со знанием Go и опытом в финтехе. Он может работать в соседнем отделе, и вы о нём даже не подозревали, потому что его должность называлась «бизнес-аналитик», а по факту он три года писал микросервисы.
Цифры: Deloitte пишет, что при таком подходе компания на 107% эффективнее размещает таланты и на 98% лучше удерживает «звёзд». Это серьёзно.
Но здесь тоже есть нюанс — и я его разверну.
Не каждой организации нужно полностью переходить на навыковую модель (SBO — Skills-Based Organization). Это как пересесть с велосипеда на космический корабль: круто, но дорого, сложно и не всегда уместно.
Для кого это критически необходимо:
- IT-компании, где стек технологий меняется каждые полгода.
- Крупные корпорации с тысячами сотрудников и внутренней мобильностью.
- Проектные организации, где команды собираются под задачу.
А вот для маленького производственного цеха, где 30 человек и каждый делает одно и то же, внедрять SBO — это стрелять из пушки по воробьям.
Но что я называю «усилить видимость навыков и зашить их в планирование»? Это более простая и полезная штука, доступная почти всем.
Возьмите и опишите ключевые навыки для каждой роли. Не 200 компетенций, а 5-7 реально важных. Потом хотя бы раз в год оценивайте сотрудников по этим навыкам (можно той же «Оценкой 360», можно просто таблицей). И когда приходит запрос «кто может сделать X», вы не бежите к HR с просьбой «найди мне программиста», а открываете свою базу навыков и видите: вот Петров умеет, хотя он формально числится системным администратором, а Сидоров — нет, хотя у него в должности написано «разработчик».
Это не SBO в полном смысле — это просто разумное управление человеческими ресурсами. Не надо ломать всю систему, переименовывать должности и покупать дорогую платформу. Достаточно начать видеть, кто чем реально занят и что умеет. Поверьте, это уже даст вам 50% того эффекта, ради которого затевается вся эта история.
5. Генеративный ИИ как «второй пилот»
Речь о том, что ChatGPT и его менее удачливые братья уже не просто сочиняют текст вакансии под копирку. Они теперь способны с нуля собрать адаптационный курс для новичка, написать черновик годового отзыва на сотрудника (и даже подсветить, где тот был молодец, а где прокололся), промодерировать переписку в корпоративном чате, выловив там конфликт. А некоторые особо наглые модели уже пытаются планировать кадровые потребности на следующий квартал — правда, пока с переменным успехом.
Ключевое правило здесь следующее: искусственный интеллект нужен для скорости и снятия рутины, а человек — для эмпатии, принятия ответственности и стратегического мышления.
Разница вот в чём. Когда робот присылает уведомление «Поздравляем, ваш проект успешно завершён», это, конечно, приятно. Но совершенно иной вес имеет звонок от руководителя: «Сергей Иванович, спасибо, вы вытащили эту задачу. Без вас мы бы не справились». Робот не может чувствовать — он только имитирует. И сотрудники это отлично понимают.
Но есть и обратная сторона медали. В обсуждениях менеджеры всё чаще угрожают командам, что ИИ их заменит. В одной известной ветке руководитель запугивал аналитиков данных, показывая, как нейросеть делает их работу за минуту. Реакция была предсказуемой — дикий хейт и вопрос: «А кто пойдёт подписывать, если ИИ напортачит?» И это правильный вопрос. Потому что ИИ не несёт ответственности. Он не боится штрафов, не переживает за репутацию, не отвечает перед акционерами.
Вывод: не будьте идиотами. Используйте генеративный ИИ как умного стажёра, которому можно поручить черновик, но финальную вычитку, правку и подпись оставляйте за собой. И помните: даже самый идеальный текст, сгенерированный нейросетью, не заменит живого разговора, где вы смотрите человеку в глаза и говорите «спасибо» — потому что это бесплатно, но стоит бесконечно много.
6. VR/AR обучение: снобы в очках или реальная эффективность?
Одно дело крутить вентиль на виртуальной нефтяной платформе, и совсем другое — пытаться выполнить эту процедуру в реальных условиях, например, морского шторма.
Цифры и факты:
Исследование PwC показало: студенты, обученные через VR, усваивают материал в 4 раза быстрее, чем при офлайн-лекциях, и в 3,75 раза быстрее, чем при e-learning. Бизнес не дурак: он видит, что AR на производстве растёт с темпом 66% в год, и вкладывается уже сейчас.
Но!
VR — это крутой тренажёр для отработки алгоритмизированных действий и формирования мышечной памяти. Но он не может заменить реального обучения. В ситуациях, где тренируются любые формы взаимодействия с живыми людьми, — тем более. Ни одна программа не предскажет всех возможных вариантов поведения живого человека. То, что получено на VR-претренинге, обязательно надо закреплять и «интериоризировать» на живом очном формате.
Идеальный сценарий: VR-тренажёр для отработки «жёстких» навыков (техника безопасности, работа с оборудованием), а живые кейсы и софты — в группах. Без живого общения никуда.
7. Блокчейн для безопасности: паранойя или необходимость?
Слушайте, ну паспортные данные в открытом Excel — это уже прошлый век. Блокчейн обещает, что дипломы, сертификаты и опыт работы будут храниться в неизменяемой, распределённой базе.
В России уже есть интересные проекты: РЖД, Тинькофф и Сбер тестируют блокчейн для верификации профессиональных сертификатов, особенно в IT и инженерии. Платформа «Работа в России» тоже пробует интеграцию для подтверждения дипломов.
Почему это важно:
Потому что без таких систем мы тонем в фейковых дипломах и резюме, написанных нейросетями. В 2026 году проблема подделки документов вышла на новый уровень — дипфейки и нейросети позволяют фабриковать не только резюме, но и целые карьерные траектории.
Ваша задача как HR — требовать от IT-департамента защищённого хранения данных и блокчейн-верификации критических документов. Без этого вы рискуете нанять «специалиста» с липовым дипломом МГУ, купленным на маркетплейсе.
8. Физический + цифровой (Phygital): гибрид на стероидах
Давайте я объясню на примере, что такое умные офисы и о каких именно технологиях идёт речь.
Представьте себе здание, которое «дышит» вместе с сотрудниками. Датчики движения понимают, сколько людей сейчас в переговорной — и автоматически включают кондиционер, регулируют освещение, подстраивают влажность. Вы заходите в офис — система узнаёт вас по смартфону или лицу, открывает дверь, резервирует удобное рабочее место (которое вы выбрали ещё из дома через приложение). Ваш компьютер уже настроен, на экране — приветственное сообщение и список задач на день.
А для удалёнщиков создаются «цифровые двойники» офиса. Это не просто видеоконференция, а полноценная трёхмерная модель, где вы перемещаетесь, подходите к «столу» коллеги, стучитесь и обсуждаете проект так, будто вы рядом. Адаптация новичка? Пожалуйста: надеваете VR-шлем и гуляете по виртуальному офису, заглядываете в каждый кабинет, «знакомитесь» с аватарами будущих коллег.
Всё это уже не фантастика, а реально существующие решения. Например, «умные» корпуса Сбера на Кутузовском, где IoT внедрён повсеместно. Или пилотные проекты «Росатома» по цифровым двойникам.
Главная задача phygital — стереть границу между «я в офисе» и «я дома». Чтобы сотрудник не терял эффективность и связь с культурой компании, где бы он ни находился. И здесь ключевое слово — бесшовность. Если у вас 15 разных приложений для входа, бронирования столов, заказа пропусков и обучения — это не phygital, это бардак. Всё должно быть в одном месте.
9. Платформы опыта сотрудника (EXP): Тесла вместо паровоза
Все старые HR-системы (ATS — для подбора, LMS — для обучения) сливаются в один супер-апп. Платформа EXP — это единый интерфейс для всего: от заявления на отпуск до прохождения оценки 360.
Что меняется для HR:
Вы становитесь не кадровиком, а продукт-менеджером. Вам нужно управлять не штатным расписанием, а пользовательским опытом. Собирать обратную связь, настраивать интерфейс, убирать баги и тормоза.
Реалии:
Крупный бизнес (Х5, Магнит, Сбер) уже внедряют такие платформы. Средний и малый бизнес пока на низком старте. Проблема в деньгах и квалификации: не каждый HR-директор может написать ТЗ на интеграцию такой системы. Но тренд неумолим.
10. Этика ИИ и управление данными — стратегический приоритет
Я оставлю это напоследок, хотя по важности это должно быть первым. По мере того как компании заползают в зависимость от ИИ и данных, вопрос прозрачности и безопасности становится не юридической формальностью, а вопросом выживания.
Что вы должны сделать уже завтра:
- Опубликовать внутренний документ: какие данные о сотруднике собираются и как используются. Не прячьте его в папке «Документы_не_трогать», а выложите в открытый доступ.
- Запустить аудит ИИ-алгоритмов на предмет предвзятости. Когда робот отбраковывает всех женщин или всех кандидатов с «русскими» фамилиями — это не «объективность», это воспроизведение ваших же корпоративных идиотизмов.
- Использовать только сертифицированные решения, соответствующие 152-ФЗ, и хранить данные на серверах в РФ.
- Создать «этический комитет». Но не такой, который будет раз в полгода собираться и панически перебирать: «Кого мы уже успели обидеть роботом?» — а такой, который работает на опережение.
И вот здесь важный момент. Любая профилактика дешевле, чем лечение последствий. Вместо того чтобы через полгода выяснять, что алгоритм дискриминировал кандидаток по полу, лучше проверьте его на этапе внедрения. Вместо того чтобы судиться с уволенным сотрудником, который докажет, что решение принял ИИ без участия человека, — зашейте в регламент обязательную человеческую апробацию каждого критического решения. Создайте этический комитет как постоянно действующий орган, который утверждает новые алгоритмы, проводит стресс-тесты на выдуманных данных (например, «а что будет, если ИИ посчитает, что всех рыжих надо уволить?») и только потом даёт зелёный свет.
Повторю: искины — это инструмент, а не замена мозгов. Компании, которые в 2026 году не будут следить за этикой ИИ (и делать это проактивно, а не постфактум), рискуют получить репутационные потери и многомиллионные иски от сотрудников. Я не преувеличиваю.
Вместо выводов
Давайте резюмируем.
Многие руководители думают: «Автоматизация HR — это просто купить софт и уволить половину отдела». И сразу после покупки «Потока» или «1С:ЗУП» ждут, что роботы сами всё сделают, а они пойдут пить кофе. Это так не работает.
Автоматизация — это всегда системная работа в трёх направлениях. Во-первых, данные. Вы должны собрать, почистить, структурировать и поддерживать в актуальном состоянии информацию о каждом сотруднике. Это самый скучный, нудный и дорогой этап. Но без него софт — просто дорогая игрушка. Во-вторых, люди. Ваши HR-специалисты должны перестать бояться роботов и научиться с ними работать. Это переобучение, смена парадигмы, вытаскивание из зоны комфорта. Боль и слёзы гарантированы. В-третьих, процессы. Нельзя взять старый, грязный, бюрократический процесс и просто «натянуть» на него ИИ. Нужно перепроектировать сам процесс — сделать его логичным, измеримым и пригодным для алгоритмизации. Если вы пропустите хотя бы один из этих трёх пунктов, ваша автоматизация превратится в дорогой фарс.
И ещё один момент — про оценку 360 и ИПР. Я не сторонник того, чтобы эти задачи полностью отдавать ИИ. Потому что человек в Excel ошибётся 100% — либо что-то не туда вставит, либо формулу поломает, либо просто забудет обновить. Но искины-то, тоже умеют привирать и фантазировать на каждом шагу. Нейросеть может выдать красивое, идеально структурированное ИПР, где будет написано «развить эмоциональный интеллект через обучение поэзии серебряного века» — и это будет звучать убедительно, но не иметь смысла. Или на оценке 360 «увидит» конфликт там, где его нет, потому что какой-то сотрудник нажал не ту кнопку. Поэтому мой подход: ИИ делает черновик — быстро, дёшево, без эмоций. А человек этот черновик проверяет, правит и утверждает. Идеального не бывает ни у людей, ни у машин. Но в тандеме они способны на большее, чем по отдельности.
Ваш HR-отдел не просто «трансформируется». Он либо станет бизнес-партнёром, вооружённым ИИ-агентами, чистыми данными и навыковым подходом, либо превратится в рудимент, который съедят более умные коллеги из IT и операционного управления. Выбирать вам. Но времени на раскачку почти не осталось.
На связи был Дмитрий Клепинин. Если вам отозвалось — ставьте лайк. Если нет — пишите в комментариях, я не кусаюсь. Обсудим, поспорим, найдём истину.