В Telegram-канале для коллег из HR-индустрии @hr_kuhnya прошел прямой эфир, посвященный теме «Вайб-кодинг в HR: разбираем AI в грейдировании». Эксперты компании Sergek Group рассказали, как с помощью искусственного интеллекта и вайб-кодинга выстроить систему грейдирования и собственные HR-платформы практически без привлечения штатной команды разработчиков. Ниже выжимка главных тезисов и практических рекомендаций от спикеров.
Жыпар Саттарова, HR-директор Sergek Group
Причины внедрения грейдирования
Sergek Group — технологическая компания в сфере безопасности дорожного движения: умные камеры, компьютерное зрение и собственное направление ITS. У бизнеса двойная культура. С одной стороны, это IT-компания с соответствующими подходами к разработке, с другой, подрядчик государственных партнеров, что добавляет проектную дисциплину и постоянную донастройку процессов.
В компании более 300 IT-специалистов и свыше 800 сотрудников в целом. Сам бизнес на рынке уже 10 лет, количество камер приближается к 90 тысячам, а вся экосистема включает более 20 отдельных продуктов. С момента запуска системы смертность на дорогах в Казахстане снизилась на 50%. Третий год компания выходит за пределы Казахстана — есть пилотные проекты в Узбекистане и в Индонезии.
Так как бизнес рос быстро, сотрудников добавляли не системно. Каждый руководитель приходил к собственнику и просил людей, потому что не успевал закрывать задачи. В какой-то момент все перестали понимать, кто чем занимается, появилось подозрение на дублирование функций и неясность, кому и за что компания платит. Структура оказалась деформированной: у одного директора было больше 20 прямых подчиненных, а у некоторых руководителей подчиненных не осталось вовсе — проект завершился или перешел на другой этап, а человек остался без задач. По этой причине и возник запрос на внедрение системы грейдирования.
Когда компании нужна система грейдирования
Согласно мировой практике, на уровне стартапа — до 50 человек — система грейдирования не нужна: сотрудники и так хорошо знают, кто чем занимается, и могут контролировать друг друга напрямую. Когда штат доходит до 100-200 человек, появляется первый триггер, но функциональные обязанности еще могут меняться слишком часто, поэтому внедрять систему может быть рано. А вот когда компания превращается в экосистему со своей логистикой, разработкой, поддержкой и сервисом — без грейдирования начинается хаос.
Грейдирование — это не только про управление вознаграждением, но и в целом система архитектуры ролей и должностей, фактически архитектура самого бизнеса. Все компании из списка Fortune 500 имеют такую систему.
Какие сложности влечет грейдирование
Грейдирование сложно методологически и эмоционально: оценку нужно проводить максимально независимо. Сохранять объективность, занимаясь проектом внутри компании, трудно. Добавляются политические моменты и проблемы с самими данными — должностные инструкции часто не актуальны, а формально описанные обязанности расходятся с тем, чем сотрудник занимается на практике.
Отдельная сложность — сопротивление сотрудников: грейдирование задевает две болезненные темы — оплату труда и должностной статус. Человеку трудно услышать, что его позиция на рынке стоит меньше, чем он рассчитывал, или что должность, которая называлась «директор», по факту соответствует уровню руководителя отдела. Из-за этого многие HR-специалисты либо привлекают внешних консультантов, либо выгорают, занимаясь проектом самостоятельно.
Собственная HR-система с AI-агентом
Первую версию системы — внутреннюю платформу, Sergek Group делал со штатными разработчиками: написали подробное техническое задание, разработчики реализовали систему, затем шли циклы тестирования и доработок.
В анкету встроен AI-агент: он подсказывает функционального руководителя, нужное образование, навыки, поведенческие компетенции, знание языков и сертификаты, формулирует обязанности в третьем лице с привязкой к бизнес-процессу и подпроцессу, а в конце генерирует цель должности — для чего она существует в компании. Агент опирается строго на внутренние данные компании, не фантазирует и не подтягивает информацию из интернета.
В системе есть и админ-панель: статус заполнения анкет, хранение заполненных JD в виде PDF, и матрица для сравнения процессов. Например, можно попросить AI-ассистента сравнить процессы конкретного сотрудника и его руководителя и найти зоны пересечения на массиве из тысяч строк данных за несколько секунд вместо нескольких часов или дней ручной работы в Excel. Если раньше сбор данных по одной должности занимал около 16 часов, то теперь в среднем 2-3 часа.
JD: новый подход к описанию ролей
Классические должностные инструкции быстро устаревают, особенно в IT, где рынок и функции меняются стремительно. В Sergek Group отказались от формата должностной инструкции в пользу более широкого документа — Job Description, который стал цифровым слепком компании и образно изображается как ядро, из которого растут другие HR-процессы.
В JD включили восемь основных блоков: образование и опыт, зоны ответственности с конкретными функциями, подпроцессами и KPI — hard skills, soft skills и поведенческие компетенции, знание языков и наличие сертификатов, карту коммуникаций с внутренними и внешними партнерами, а также количественные и качественные показатели эффективности. Это позволяет, например, увидеть разницу в нагрузке между проектным менеджером, который ведет два проекта, и тем, кто одновременно курирует восемь.
Логика проста: каждая функция должна быть связана с конкретным бизнес-процессом. Если функция существует сама по себе, значит процесс либо не выстроен, либо не описан. Для масштабирования бизнеса нужны три ключевых элемента — люди, финансы и процессы. JD помогает выстроить именно процессную и ролевую часть этой системы.
Оцифровка методологии Mercer и подбор рыночных зарплат
Методология грейдирования в Sergek Group — международная Mercer, которую используют многие компании из списка Fortune 500, включая Microsoft. Традиционно такая оценка строится на больших таблицах в Excel со сложными макросами и формулами, а итоговые баллы по факторам вручную выставляет HR-комитет или C&B-менеджер. Команда оцифровала этот процесс и связала систему грейдирования с HR-платформой через интеграцию по API с помощью n8n.
Для подбора рыночной зарплаты достаточно загрузить файл с данными зарплатного обзора — в демонстрации это была таблица из 3514 строк — и система за несколько секунд выдает медианное годовое рыночное вознаграждение по выбранной должности и региону. Для самой оценки должностей по факторам методологии к платформе подключили сразу несколько AI-моделей через единый роутер — Gemini, ChatGPT, Gamma и ряд других, включая модели Anthropic, — так что HR-специалист может выбрать модель и запустить оценку.
Инструменты вайб-кодинга
В основе платформы — около 16 встроенных навыков для AI-агента. Главный из них имитирует работу целой команды разработки: тех-лида, который распределяет задачи, DevOps-инженера, поднимающего серверы, и фронтенд- и бэкенд-разработчиков — все они работают параллельно. Еще один навык — субагенты: несколько AI-агентов одновременно работают над разными компонентами системы, а главный агент затем собирает их в единое решение. Для связки и автоматизации обмена данными между системами через API использовали n8n.
Главный совет
Даже если у компании нет готовой базы для грейдирования, сам процесс сбора JD уже дает бизнесу ценность: HR-команда буквально пересобирает картину того, кто чем занимается, и формирует ролевую архитектуру всей компании. Должностная инструкция при этом не исчезает — она остается минимальным документом, который покрывает требования законодательства, а реальным управленческим инструментом становится именно JD и архитектура ролей. Роли в такой системе можно перераспределять, как пазл: если функция провисла, ее можно передать другому сотруднику — это особенно удобно для бизнесов, где роли меняются быстро, как в IT.