# Директор и машина — Люди: полные тексты

Направление: Люди — найм и скрининг · онбординг · база знаний
Хаб направления: https://davidgerstein.pro/lyudi/
Материалов в файле: 5 из 5 по направлению.
Автор: Давид Герштейн. Цитирование свободное при указании источника.
Суммы пересчитаны на условную компанию: пропорции, механика и выводы реальные, абсолютные величины изменены. «оценка» = расчёт, а не замер.
Оглавление всех частей: https://davidgerstein.pro/llms.txt
Все направления одним файлом: https://davidgerstein.pro/llms-full.txt
Цифры и словарь понятий: https://davidgerstein.pro/cifry/ · машинная копия: https://davidgerstein.pro/cifry.json

## Искусственный интеллект заменит человека? За два года «найма» машин мы не заменили никого — заменять оказалось некого
URL: https://davidgerstein.pro/blog/ii-sotrudniki/
Дата: 2026-08-30
Направление: Люди
Цифры: 75% разговоров с клиентами не слушает никто · ~130 ₽ → ~9 ₽ за операцию · 7139 оценок и 1 отзыв
Коротко: Реклама обещает, что искусственный интеллект заменит человека. За два года «найма» машинных исполнителей в компании на 40 человек не заменили ни одного сотрудника — заменять оказалось некого. Машина села на пустые стулья: контролёра, который слушает все звонки, разборщика всех входящих документов, протоколиста каждой планёрки — этих должностей не существовало, потому что операция стоила ~130 ₽ и работа не окупалась. Теперь она стоит ~9 ₽, и весь слой управленческой гигиены, который был не по карману, стал доступен. Цена входа — не бюджет, а руководитель: идеально работавший контур выдал 7 139 оценок, из которых в решения превратилась одна.

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные. Вам продают страх. «Искусственный интеллект заменит человека», «уволь колл-центр», «ИИ-агент вместо отдела». Вы читаете это третий месяц, не верите — и одновременно боитесь, что не верите зря. Знакомое состояние: подожду, пока прояснится. Так вот. Пока вы решаете, хайп это или нет, вопрос уже решается за вас — тем, что вы не делаете. И считать придётся не упущенную выгоду в презентации, а вещь попроще: у вас прямо сейчас никто не слушает три четверти разговоров с вашими клиентами. Не потому что сотрудники плохие. Потому что это стоило дорого, и вы, как все, махнули рукой. Мы «нанимаем» машинных исполнителей два года. Главный факт этих двух лет звучит скучнее рекламы и полезнее её: ни один человек не был заменён. Ни разу. Не потому что мы добрые — а потому что заменять оказалось некого. Каждый раз машина садилась на стул, которого в компании не существовало. Заменит ли искусственный интеллект человека на самом деле Нет — во всяком случае, не так, как обещает реклама. За два года «найма» машинных исполнителей в компании на 40 человек не заменили ни одного сотрудника: заменять оказалось некого. Машина села на работу, которую не делал никто: 75% разговоров с клиентами не слушал вообще никто , потому что на это не было ресурса. Экономический смысл в другом: стоимость одной операции контроля упала с ≈130 ₽ до ≈9 ₽ . Не сокращение штата, а закрытие дыры, которая годами была открыта. Должности-призраки: работа, которую не делает никто Смотрите. В любом среднем бизнесе есть слой работы, которая нужна и которую не делает ни один человек. Не по лени — по арифметике: она никогда не окупалась. Наш контролёр качества — ровно этот случай. До машины человек успевал прослушать четверть звонков за полный рабочий день. Остальные 75% не слушал никто и никогда. Должность «контролёр всего потока» была призраком: полезная, очевидная — и нерентабельная при любой зарплате. Проверьте себя. Эти призраки есть почти у всех: Кого у вас нет Почему нет Чем платите Тот, кто слушает все звонки и читает все переписки Нужны 3–4 ставки ради «профилактики» Сорванное обещание клиенту всплывает через скандал Тот, кто читает каждый входящий договор Юрист занят сделками, «типовые и так нормально» Нестандартный пункт находит суд, а не вы Тот, кто каждое утро сводит отчёт из всех систем Час ручной сборки ежедневно — «дорого» Решения принимаются по вчерашним ощущениям Тот, кто пишет протокол каждой планёрки Стенографистка в 2026 году — экзотика Половина решений переспрашивается заново Тот, кто разбирает каждый входящий документ Монотонно, текучка, никто не держится Очередь, ошибки ввода, потерянные комплекты Отсюда и ответ на вопрос, с которым сюда обычно приходят. Искусственный интеллект заменит человека — но не того, о ком вы подумали: он занимает не занятый стул, а пустой. Списков исчезающих профессий здесь не будет: у меня нет данных о рынке труда, у меня есть два года собственной приёмки. Заметьте: ни в одной строке нет живого человека, у которого забирают работу. Этих людей нет. Поэтому правильный вопрос звучит не «кого мне заменит машина», а «какую из моих дыр она наконец закроет» . И разговор с командой сразу становится другим: машина на пустом стуле не вызывает саботажа. Саботаж вызывает машина, нацеленная на занятый. Где искусственный интеллект действительно заменил человека — и почему именно сейчас Давайте рационально, через деньги. Ручная оценка звонка: контролёр со ставкой 1 000 ₽/час разбирает 7–8 разговоров — около 130 ₽ за штуку (оценка). Машинная оценка того же звонка по тому же чек-листу: примерно 9 ₽. Это не «дешевле на треть». Это порядок. Человек ~130 ₽ Машина ~9 ₽ И вот здесь главное, ради чего стоило читать. Когда операция дешевеет в десять раз, меняется не себестоимость старой работы. Меняется список работ, которые вообще имеют смысл. Слушать все звонки при 130 ₽ за штуку — это 340 тысяч рублей в месяц на профилактику. Ни один директор такое не подпишет, и правильно сделает. При 9 ₽ вопрос просто исчезает. То же самое с договорами, документами, ежедневными сводками. ИИ-сотрудник — это не «дешёвый работник». Это сдвиг границы: целый слой управленческой гигиены, который вы хотели и не могли себе позволить, впервые стал по карману. Посчитайте на своём призраке — сколько стоит одна операция руками: посчитайте на своих цифрах минут на операцию вручную ставка исполнителя, ₽/час одна операция ≈ {X} ₽ руками а теперь разделите на десять — и посмотрите, какая работа перестала быть «слишком дорогой» Не можете назвать это число для своих процессов? Тогда вы не управляете ими, вы их спонсируете. Считать себестоимость операции — такой же базовый навык руководителя, как читать отчёт о прибылях. Раньше без него жили. Сейчас — уже нет. Мой провал: сотрудник года, работавший в стол Теперь про то, где я сам сел в лужу — чтобы вы не повторяли. Наш контролёр — техническое совершенство: 7 139 оценок, около $300 в месяц, аптайм месяцами . Охват вырос с четверти до ста процентов. Красивый кейс, хоть на конференции показывай. А теперь цифра, которую я публикую как прививку. Из этих тысяч оценок в управленческое решение — разбор с менеджером, правку скрипта, хотя бы содержательный отзыв — превратилась одна . Одна. Машина исправно выдавала продукт, который никто не превращал в управление. Петля «оценка → разбор → изменение» умерла, пока мы радовались охвату. Это моя недоработка, не машины. Я построил образцового сотрудника и забыл им руководить. Технически всё зелёное, управленчески — ноль. Поэтому если вы сейчас думаете «звучит сложно, я не потяну» — вот вам моя ошибка целиком, повторять её не нужно. Она обошлась в год работы контура почти вхолостую. И она же дала главную мысль всей темы, к которой я веду. Нанять ИИ-сотрудника нельзя Реклама обещает вам минус одну позицию в штате. По факту вы получаете плюс две : машину-исполнителя и — обязательно — человека, который ею руководит. Пишет инструкцию, калибрует, принимает работу, разбирает расхождения. Отвечает за результат, потому что машина не отвечает ни за что: спросить с неё нельзя, уволить бессмысленно, совесть отсутствует. Отсюда формулировка, которую я считаю самой честной в этой теме: нанять ИИ-сотрудника нельзя. Можно только стать его руководителем. Или не стать — и остаться руководителем, который умеет управлять только людьми. И вот это уже не про технологии, а про вас лично. Дефицитный ресурс 2026 года — не модели, они у всех одинаковые. Не бюджеты: вход стоит десятки долларов. Дефицит — руководители, способные управлять машинным подчинённым : ставить проверяемую задачу, принимать работу, разбирать расхождения, держать границы роли. Это новый управленческий навык, он осваивается примерно за месяц практики — и кем-то этот месяц уже прожит, а вами ещё нет. У навыка, кстати, есть приятная сторона. Менеджер, ставший руководителем машинного контролёра, получает управленческий опыт, не дожидаясь подчинённых-людей: постановка, приёмка, разбор. Похоже, первая профессия, которую ИИ реально создал, — не промпт-инженер, а руководитель машин . Спрос на неё внутри компаний уже выше предложения, и растёт он быстрее, чем вы читаете эту статью. Подробный разбор — дебиторка растёт . «У меня не тот бизнес» Отдельно про возражение, которое я слышу чаще всех остальных: «у нас специфика, это для айтишников». Смотрите, что за этим обычно стоит. Специфика есть у всех, и она действительно мешает — но не там, где думают. Машине безразлично, продаёте вы металлопрокат или юридические услуги: она работает не с вашей отраслью, а с вашим потоком однотипной работы. Звонок — это звонок, договор — это договор, планёрка — это планёрка. Специфика влияет на правила оценки, и это ровно та работа, которую всё равно придётся сделать: описать, что для вас хороший звонок. А вот что действительно мешает и о чём говорят реже: если у вас нет потока — нет и задачи. Пять звонков в неделю не нуждаются в машинном контролёре, их прослушает руководитель за полчаса. Три договора в месяц юрист прочитает сам. Здесь честный ответ — вам это пока не нужно , и любой, кто продаёт вам «нейросотрудника» на таком объёме, продаёт воздух. Порог, за которым разговор становится осмысленным, простой: работа повторяется десятки раз в неделю и её пропуск создаёт риск. Ниже порога — закройте вкладку и займитесь ростом, вернётесь позже. Инструкция для машины — рентген вашей компании Первое, что делает будущий руководитель машины, — пишет ей инструкцию: что делать, по какому правилу оценивать, что запрещено. И тут вскрывается то, о чём не предупреждают продавцы: чаще всего это оказывается первым настоящим регламентом в компании. Люди годами работали по понятиям: опыт, интуиция, «Ира знает». Машина по понятиям не умеет. Чтобы она оценивала звонки, нам пришлось впервые письменно ответить на вопросы, которые контролёр решала на слух. Что считается обработанным возражением? Обязан ли менеджер назвать срок? Как оценивать звонок, где клиент бросил трубку? Десять чек-листов под десять типов разговора — это не «настройка нейросети». Это формализация отдела продаж, которой у нас не было. Побочный продукт оказался ценнее автоматизации: с этими чек-листами стало можно вводить новых менеджеров, разбирать споры, обучать. А если инструкция не пишется — вы узнали о своей компании самое важное, и узнали дёшево: неудачная попытка стоит недели, а не бюджета внедрения. Три метрики вместо восторга Из моего провала выросла система приёмки. Три числа, по которым мы судим машинного исполнителя, — и ни одно из них не «количество операций». Решения в неделю. Сколько управленческих действий случилось из-за его работы: разборов, правок процесса, изменённых скриптов. Ноль две недели подряд — сотрудник работает в стол. Чинить надо руководителя, а не настройки. Доля пометок «отдаю человеку». Здоровая машина знает границы роли и стабильно возвращает нестандартное. Ноль пометок подозрительнее, чем ноль ошибок: значит, она уверенно перемалывает и то, что перемалывать нельзя. Цена операции в динамике. Себестоимость должна быть известна и стабильна. Если её никто не может назвать — вы не управляете сотрудником, а спонсируете его. Наша ночь за минус $40 случилась ровно в тот период, когда цену операции никто не смотрел. Где ломается Купить «нейросотрудника под ключ» и ждать результата, как от программы, — самый дорогой сценарий темы. Подрядчик честно поставит машину, и она честно начнёт работать в стол с первого дня, потому что руководителя ей не назначили. Проверка перед покупкой ровно одна: назовите имя человека, в чьём календаре появятся приёмка и разборы. Нет имени — вы покупаете не сотрудника, а дорогую имитацию его наличия. А ваши люди уже наняли себе машин И последнее, что стоит знать, пока вы взвешиваете. Ваши сотрудники уже всё решили без вас: пишут письма через чат-боты, суммируют документы, переводят — молча, с личных аккаунтов, без правил. Теневой штат машинных помощников в вашей компании уже работает. Спросите команду анонимно — доля вас удивит. Значит, выбор у вас не «внедрять или нет». Выбор — управлять этим или не знать об этом . Запрет загонит практику глубже в тень, где персональные данные клиентов утекают в публичные чаты без всякого злого умысла. Рабочий ответ — короткий регламент: чем разрешено пользоваться и что компания оплачивает, что запрещено всегда (персональные данные — с примерами), и правило ответственности: отвечает тот, кто подписался под результатом, а не тот, кто его напечатал — рука или машина. Что сделать на этой неделе Не внедрять. Не покупать. Сделать три вещи, на которые уйдёт вечер. Первое. Выпишите свои должности-призраки — работу, которая нужна и которую не делает никто. Таблица выше как подсказка, но своих вы найдёте больше. Второе. Возьмите одну и посчитайте цену операции руками. Калькулятор выше. Разделите на десять — и посмотрите, что изменилось в вашем отношении к этой работе. Третье. Назовите имя. Кто в вашей компании станет руководителем этой машины — вы или конкретный человек с фамилией. Если имени нет, дальше идти незачем: без него вы повторите мой провал в точности. А дальше — механика: как устроен такой исполнитель , как он подключается к вашим системам . Если своими руками пока не видно как — у меня есть бесплатный курс , там всё по шагам: с чего начать разбор своей рутины и как довести первый контур до работы. Он не про технологии — он про то, как этим управлять. И последнее. Все компании сейчас стоят на одной беговой дорожке, и она уже включена — вне зависимости от того, приняли вы решение или ещё думаете. Кто побежал первым, тот и прибежит первым. Кто стоит — уезжает назад, ничего при этом не нарушая. Через год этот текст будет читаться как описание очевидного. Разница между вами и вашим конкурентом окажется в том, кто из вас начал считать сегодня.

## Текучесть кадров: причины ухода и что делать руководителю
URL: https://davidgerstein.pro/blog/tekuchka-kadrov-prichiny/
Дата: 2026-08-19
Направление: Люди
Цифры: 5–7 тыс. ₽ — забытая надбавка, которая запустила увольнение · 3-й месяц — точка первого управляемого кризиса менеджера · 80% — разрыв в зарплате руководителя и линейного сотрудника
Коротко: Текучесть кадров — это не проблема людей, а симптом сломанных обещаний, отсутствия доверия и предсказуемых кризисов роста: первый обычно накрывает на 3-й месяц работы. Что делать: считать причину каждого увольнения отдельно, ловить сигнал риска заранее через скоринг звонков, а не тратить около 69 000 ₽ на каждый цикл замены человека (оценка).

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные. Текучесть кадров: причины и что делать руководителю Коэффициент текучести нужен вам для отчёта, а управлять приходится причинами. Люди уходят из отдела по трём причинам: невыполненное обещание , предсказуемый кризис третьего месяца и недоверие внутри отдела . Деньги в этом списке обычно четвёртые, а не первые. Один цикл замены менеджера съедает около 69 часов управленческого и наставнического времени — примерно 69 000 ₽ прямых затрат. Поэтому первое действие — не «нанять нового», а разложить каждое увольнение по причине и заранее поставить точку контроля на 3-й, 6-й и 9-й месяц работы каждого вашего менеджера. Люди уходят, вы нанимаете новых, и через полгода история повторяется. Знакомо? Тогда у вас не проблема с наймом — у вас проблема с тем, что происходит после него. Разбираю, как считать причины текучести, а не людей: с цифрами, которые можно собрать за неделю. Сотрудница взяла на себя чужую задачу в ноябре — помогла другому отделу по просьбе коллеги. Обещали доплату 5–7 тысяч рублей. Не дали. Через несколько месяцев ей снова предлагают ту же нагрузку. Руководитель приходит с запросом: инициировать надбавку, но аккуратно, чтобы не подорвать авторитет её прямого начальника. Вот тут и живёт текучесть кадров — не в зарплатной ведомости, а в этом зазоре между обещанием и фактом. Когда меня спрашивают, текучесть кадров что делать, я не отвечаю сразу про деньги или мотивационные программы. Сначала предлагаю посчитать: сколько человек ушло за последние полгода, по какой причине — реальной, а не той, что написана в заявлении, — и во сколько часов управленческого времени обходится каждый такой уход. Дальше в статье — как это считать и как ловить сигнал риска до заявления, а не после. Текучесть кадров: что делать в первую очередь Первая ошибка — лечить симптом. Уволился менеджер — ищем нового. Ещё один ушёл — снова ищем. Через квартал новых людей больше, чем старых, а проблема не решена, потому что она вообще не в людях. Я считаю причины по каждому увольнению отдельно, а не сваливаю их в графу «не сошлись характерами». В нашей практике причины делятся на три группы: невыполненные обещания, отсутствие доверия и предсказуемые кризисы роста, которые никто не отследил вовремя. Плюс отдельная структурная причина — разрыв в оплате труда между руководителем и его же подчинёнными. Причина ухода Как выглядит на практике Что делать Невыполненное обещание Доплату за доп. нагрузку обещали — не дали. Поездку за результат обещали — проект закрыли Фиксировать обещания письменно, выполнять или явно отменять с объяснением Кризис третьего месяца Новый менеджер выгорает, падает продуктивность Плановый отпуск, «контролируемое падение» вместо ожидания срыва Недоверие / фасад Руководитель говорит «мы сделали», но лично не применяет инструменты Личная ответственность вместо коллективного «мы» Разрыв в оплате труда Руководитель получает меньше подчинённых Пересмотр модели дохода руководителя, привязка к результату отдела Обещания — самый дорогой источник текучести Пример с доплатой в 5–7 тысяч рублей — не мелочь. Дело не в сумме. Человеку один раз сказали «сделаем» — и не сделали. А потом попросили ту же работу снова. Второй раз доверия к словам руководителя уже нет, даже если деньги в итоге придут. Похожая история — с поездкой за границу. Компания планировала мотивировать лучшего менеджера по продажам трёхмесячной поездкой за результаты. Проект закрыли из-за внешних обстоятельств, обещание не выполнили. Руководитель позже признал это критической ошибкой. Формулировка честная: люди приходят за деньгами, а остаются не из-за денег. Молодых сотрудников в отделе продаж мотивируют не оклад, а поездки, события, ощущение, что о них помнят. Как только это ощущение ломается один раз — начинается тихий отток, который не виден в отчётах до момента увольнения. Правило Не давайте обещаний, которые не готовы выполнить при любом раскладе. Лучше сказать «пока не знаю» и вернуться к разговору позже, чем пообещать и не сдержать. Второе стоит доверия команды дороже, чем сама несделанная выплата. Кризис на третьем месяце — это не характер, а физика У новых менеджеров есть закономерность: первый кризис случается на третий месяц работы. Потом либо на шестой, либо на девятый. Это не индивидуальная слабость — это предсказуемый цикл выгорания у людей, только вышедших на активную нагрузку. Если руководитель ждёт, пока сотрудник сам сорвётся, — получает увольнение или конфликт. Если управляет циклом заранее — отправляет человека в отпуск на пике продуктивности, до того как маятник качнётся в другую сторону. Задача — выровнять сотрудника на плато, а не позволить ему рухнуть до нуля. То же самое случилось с сотрудницей, которая провела серьёзный анализ юнит-экономики, построила модели — а на встречу пришла со словами «я ничего не делаю». Дело было не в результате работы, а в навыке защищать этот результат перед руководством. Решение — не отругать, а дать структуру поддержки: короткая сессия на следующий день, потом еженедельный чек-лист. Это дешевле, чем нанимать и обучать нового человека с нуля. Удержание сотрудников без иллюзий про доверие Точная фраза про управленческую культуру: если руководитель приходит и лично разбирается в чужой работе, значит, он не доверяет тому, кто эту работу должен делать. Верно и обратное. Если сотрудник вынужден каждый раз доказывать очевидное — например, запрашивать письменное распоряжение на каждого нового человека, хотя заявка от HR уже подана, — доверия в системе тоже нет. Оно просто спрятано в бюрократии. Реальный пример: новых сотрудников нужно оснастить техникой, но процесс тормозит требование дополнительного письменного распоряжения руководителя на каждое включение в систему — при том что заявка от отдела кадров уже есть. Итог — люди не выходят на работу в оговорённый день. Для нового сотрудника это первое впечатление о компании. Оно формирует решение уйти быстрее, чем любая зарплатная ведомость. Похожая ловушка — руководитель отдела, который на встречах с собственником говорит «мы это сделали», а при личном разборе признаётся, что лично инструментами не пользовался из-за нехватки времени. Команда это чувствует. Если начальник не берёт личную ответственность, а прячется за «мы», подчинённые быстро понимают: спрашивать будут не с него, а с них. Такая асимметрия — тоже причина текучести, просто она не в зарплате, а в структуре ответственности. Мотивация сотрудников нематериальная: что реально работает Нематериальная мотивация — не про корпоративы для галочки. В нашей практике сработали три конкретных инструмента. Анонимная обратная связь как основа для бонусов Компания внедрила анонимную метрику оценки коллег, на основе которой считаются бонусы. Это снимает субъективность: сотрудник видит, на какие именно критерии влияет размер доплаты, а не гадает, почему коллеге дали премию, а ему нет. Профилирование вместо усреднённого подхода Собственник запросил у руководителей подробные профили сотрудников: сильные и слабые стороны, специализация по клиентам, успехи и провалы. Цель — точнее распределять задачи и обучение, чтобы человек не занимался не своим делом и мог передать навыки коллегам. Это тоже форма нематериальной мотивации: человек видит, что его особенности учитывают, а не просто затыкают им дыры в графике. Выбор направления вместо угрозы увольнением При автоматизации части процессов развивающиеся сотрудники оказались перед выбором — куда двигаться дальше. Руководитель формулирует это так: терять ценного человека нельзя, а у него есть амбиции расти — значит, ему предлагают выбрать направление самому, а не ставят перед фактом сокращения. Так же поступили и с отделом контроля качества: штат сократился заметно за счёт нейросетей, но людей не уволили, а переквалифицировали в специалистов, которые управляют ИИ-системами и аудируют коммуникацию. Это отдельная инициатива, её экономия ФОТ не пересчитывается в этой статье — здесь важен только принцип: смещать роль, а не убирать человека. Где ломается Профилирование и анонимная обратная связь работают только если результаты реально влияют на решения — доплаты, задачи, обучение. Если данные собрали и положили в стол, сотрудники замечают это за один цикл и перестают воспринимать инструмент всерьёз. ИИ-связка: сигнал риска увольнения раньше, чем человек напишет заявление Ручной разбор того, «как сотрудник себя чувствует», масштабируется плохо — руководитель физически не может слушать все звонки и планёрки каждую неделю. Но текстовые сигналы выгорания и недоверия повторяются: самоуничижение при объективно хорошем результате, безличное «мы» вместо «я», оправдания нехваткой времени. Это можно ловить автоматически. Схема конвейера: Расшифровки звонков и планёрок (Google Sheets, лист «Расшифровки») → Apps Script по расписанию раз в сутки → запрос к API дешёвой модели с промптом-скорингом → запись risk_score и рекомендации в соседние колонки → при превышении порога — уведомление руководителю в Telegram → руководитель сам решает, назначать встречу или нет. Модель здесь — дешёвая (GPT-4o-mini или аналог), не дорогая reasoning-модель. Задача рутинная: классификация текста по чётким критериям на большом ежедневном потоке, творческое рассуждение не нужно, а стоимость запроса должна оставаться копеечной при сотнях расшифровок в месяц. Пример ответа модели: Так этот результат ложится в саму таблицу — лист «Скоринг», по которому руководитель видит, у кого назрел разговор: Google Sheets — лист «Скоринг» 72 risk_score, mgr_014 employee_id дата risk_score рекомендация mgr_014 2026-08-12 72 срочная встреча Инженерная обвязка простая и без внешнего сервера. Таблица Google Sheets — единственное хранилище: лист «Расшифровки» (сырые данные), лист «Скоринг» (результат модели), лист «Лог ошибок». Apps Script по time-driven триггеру раз в сутки читает новые строки без оценки, вызывает API, парсит JSON и пишет результат. Если модель вернула невалидный JSON или API не ответил за отведённое время — строка помечается статусом «ошибка» и пишется в лог с таймстампом; после трёх ошибок подряд бот шлёт алерт администратору в отдельный Telegram-чат. Ручной перезапуск — через пункт кастомного меню в самой таблице, без доступа к серверу. Для расшифровок звонков логично использовать тот же источник, что и в контроле качества — я разбирал его отдельно в статье про контроль качества звонков без ОКК . Где ломается Скоринг ловит текстовые маркеры, а не диагноз. Модель ошибается на сарказме, цитатах клиента внутри расшифровки и коротких формальных звонках без эмоциональной окраски. Нельзя принимать кадровое решение по одному risk_score — это триггер для разговора, а не приговор. И нельзя отправлять в API расшифровки с персональными данными клиентов без обезличивания — здесь у меня отдельный разбор в статье про персональные данные и нейросети . Онбординг как фильтр текучести на входе Часть текучести закладывается ещё до того, как человек толком начал работать. Новый менеджер получает клиента, не понимая реальной ценности услуг компании. Когда клиент спрашивает «за что я платил?», менеджер не может ответить убедительно — потому что сам не верит в предложение. Это часто приводит к расторжению контракта при первом же контакте с клиентом — и увольнению менеджера следом. Решение оказалось системным, а не разовым инструктажем. Разработан пятидневный курс: первый день — о компании и партнёрах, дальше — клиентский путь, точки касания, типы клиентов, скрипты, реальные кейсы. Каждый день заканчивается тестом на отдельном экране, чтобы нельзя было подсмотреть ответы. Курс лежит на портале с личным кабинетом для каждого менеджера, прогресс отслеживает Telegram-бот. Раньше на такое обучение опытный коллега тратил несколько дней в режиме живых созвонов, отвлекаясь от клиентов. Теперь новичок учится сам, никого не отвлекая — это отдельный эффект именно от курса, не от скоринга звонков из предыдущего раздела. Планируется расширение: шаблоны документов с примерами, видеоинструкции по оформлению документов, чек-лист в конце обучения и видеозадания по стадиям работы. Подробный разбор того, как выстроить такую систему обучения без наставника-энтузиаста, который тянет всё на себе, — в статье про онбординг как систему . Экономика текучести: что стоит система и что она экономит Разберу по отдельности две вещи, которые нельзя смешивать: стоимость одного увольнения (диагностика) и стоимость инструментов удержания (лечение). Во сколько обходится один уход менеджера — оценка в часах управленческого и обучающего времени, без учёта потерянной выручки от простаивающих клиентов: Поиск и найм замены ~20 ч Онбординг вручную (созвоны) ~24 ч Просадка до выхода на план ~15 ч Риск ухода на 3-м месяце ~10 ч Итого около 69 часов управленческого и наставнического времени на один цикл замены (оценка). При ставке около 1000 ₽/час это даёт примерно 69 000 ₽ прямых управленческих затрат на одного ушедшего менеджера (оценка), не считая просевших сделок с клиентами, которых он вёл. Возьмём условный отдел из 12 менеджеров с оборотом ~6 млн ₽/мес и средним чеком ~150 тыс. ₽ — это примерно 500 тыс. ₽ выручки в среднем на одного менеджера в месяц. Если за квартал из отдела ушло 2 человека — это около 17% состава, — компенсация потерь по расчёту выше обходится примерно в 138 000 ₽ управленческого и наставнического времени за квартал (оценка), не считая клиентов, которые за это время могли уйти вслед за менеджером. Формула для вашего случая: сумма часов на один цикл замены (найм + онбординг + просадка + риск повторного ухода) × ваша ставка часа управленческого/наставнического времени × число уходов за период = потери на закрытие текучести за этот период. Дальше эту сумму сравниваете со стоимостью инструментов удержания ниже — так считается окупаемость, а не берётся на веру. Теперь стоимость самих инструментов. Курс онбординга снимает большую часть блока «онбординг вручную» — по фактуре это те самые несколько дней живых созвонов опытного коллеги, то есть условные 24 часа на одного новичка, около трети от общих ~69 часов на цикл замены (оценка). Это эффект именно курса, отдельно от скоринга звонков — складывать их напрямую нельзя, они закрывают разные строки в расчёте выше. Скоринг риска увольнения (Google Sheets + Apps Script + дешёвая модель) — это про блок «риск повторного ухода на 3-м месяце». Внедрение: настройка таблицы, промпта и Telegram-бота — оценка 15–20 часов работы аналитика, то есть 15 000–20 000 ₽ по той же ставке (оценка) — меньше трети стоимости одного цикла замены менеджера. Эксплуатация при потоке до сотни расшифровок в месяц на дешёвой модели — около 500–800 ₽ в месяц (оценка, зависит от объёма и длины расшифровок). Пример окупаемости: если скоринг помогает поймать сигнал и провести разговор хотя бы у одного менеджера в квартал, который иначе ушёл бы на третьем месяце, — предотвращённый цикл замены (≈69 000 ₽, оценка) окупает разовую настройку и несколько месяцев эксплуатации в разы. Сам эффект — не гарантированное удержание, а более раннее вмешательство: разговор до заявления вместо разбора причин после него. Инструмент Разовые затраты (оценка) Регулярные затраты (оценка) Какой блок потерь закрывает Курс онбординга время на разработку курса (не пересчитано в этой статье) ≈0 ₽ — новичок проходит самостоятельно Онбординг вручную: ≈24 ч экономии на одного новичка — около трети всего цикла замены Скоринг риска увольнения 15–20 ч ≈ 15 000–20 000 ₽ — меньше трети стоимости одного цикла замены ≈500–800 ₽/мес на API Риск повторного ухода на 3-м месяце: ≈10 ч на цикл, плюс шанс предотвратить весь цикл замены целиком Что считать вместо того, чтобы менять людей — чек-лист на понедельник Назову навык руководителя, который здесь решает всё: считать причину, а не человека. Я сам годами путал эти две вещи — вёл список уволившихся вместо списка причин, и каждый раз выходило, что виноват конкретный человек: этот не потянул, тот не вписался. Список причин выглядит скучнее и работает честнее: в нём сразу видно, что одна и та же поломка вынесла трёх менеджеров подряд, и чинить надо её, а не искать четвёртого. Вернусь к вопросу, с которого начал: текучесть кадров что делать. Мой практический ответ — считать, а не заменять. По каждому увольнению фиксировать: было ли невыполненное обещание, был ли это предсказуемый кризис на 3–6–9 месяце, была ли асимметрия доверия между руководителем и командой, была ли структурная причина — например, зарплата руководителя ниже, чем у подчинённых, из-за волатильности премий. Последний пункт — не абстракция. Есть случай, где руководитель подразделения получает в среднем на 40% больше других руководителей и на 80% больше линейных сотрудников своего отдела — это здоровая структура. А в другом случае руководитель производства получает меньше своих сотрудников, включая стажёра, пришедшего месяц назад. Демотивированный руководитель демотивирует всю команду под собой, и текучесть там начинается не с линейного персонала, а сверху. С чего начать в понедельник: Выгрузить список уволившихся за последние 6–12 месяцев и распределить причины по четырём категориям из таблицы выше — не по формулировке из заявления, а по реальной причине. Проверить, есть ли в компании хоть одно неисполненное обещание сотруднику прямо сейчас, — закрыть его или явно снять с объяснением в течение недели. Отметить в календаре 3-й, 6-й и 9-й месяц работы каждого менеджера и заранее запланировать точку контроля или отпуска, а не ждать срыва. Собрать 15–20 расшифровок звонков одного отдела и прогнать через промпт выше вручную, прежде чем автоматизировать поток целиком. Сравнить зарплату руководителей с зарплатой их подчинённых — найти инверсии и решить, что с ними делать в первую очередь. Ввести анонимную обратную связь коллег хотя бы в одном отделе на квартал и убедиться, что результаты реально влияют на доплаты. Если в компании нет системы, которая фиксирует такие разрывы и обещания, — их не видно до момента, пока человек не напишет заявление. Тогда уже поздно считать причины, остаётся только считать затраты на новый найм и обучение. Начните с простого замера: сколько человек ушло за год и на каком сроке работы. Если большинство уходит в первые три месяца — дело в найме и адаптации. Если после года — в развитии и деньгах. Это две разные задачи, и лечатся они по-разному. Как собрать этот расчёт и разбирать причины по типам — в бесплатном курсе для руководителей . И вопрос, который стоит задать себе прямо сейчас: вы знаете, почему ушёл ваш последний сотрудник? Не формулировку из заявления, а настоящую причину. Если нет — вы не управляете текучестью, вы за ней наблюдаете. И самое неудобное для вас: спросите себя честно, знаете ли вы, кто из ваших людей сейчас на выходе. Обычно руководитель узнаёт об этом в день заявления, хотя решение человек принял месяц назад — и весь этот месяц подавал сигналы, которые вы не читали. И последнее для вас: считайте не только тех, кто ушёл, но и тех, кто остался и перестал стараться. Вторых обычно больше, и обходятся они дороже. Ваш замер на неделю: сколько человек ушло за год, на каком сроке и по какой настоящей причине. Три колонки — и вы увидите свою систему, а не отдельные истории. Как поставить это на регулярную основу — в бесплатном курсе .

## Адаптация новых сотрудников: стажёр не выходит на план, а наставник не клонируется
URL: https://davidgerstein.pro/blog/onbording-kotoryj-rabotaet/
Дата: 2026-07-24
Направление: Люди
Цифры: 5 дней курса · 3-й месяц — первый кризис менеджера · до 18 ч наставника на одного новичка (оценка)
Коротко: Адаптация новых сотрудников работает, если это 5-дневный структурированный курс с документами, тестами и ИИ-проверкой ответов, а не серия видеозвонков с опытным коллегой. Живой наставник — узкое место: на одного новичка уходило до 18 часов его времени, при этом он не масштабируется и отвлекается от своей работы. Система должна выдавать материалы, проверять понимание и доводить новичка до третьего месяца — точки предсказуемого кризиса.

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные. Если у вас новый сотрудник выходит на первый самостоятельный результат дольше месяца — вы платите зарплату за ожидание. И виноват тут обычно не человек. Виновато то, что адаптации новых сотрудников у вас нет как процесса: есть наставник, у которого на этой неделе нашлось время. Новый менеджер получает клиента и не может ответить на простой вопрос: «За что я платил?» Не потому что забыл скрипт. Потому что сам не понимает ценности того, что продаёт компания. Итог — конфликт при первом же контакте, иногда расторжение договора в первую неделю. Это не проблема мотивации. Это дыра в адаптации новых сотрудников: человека выпустили в поле без базы. Посчитаем грубо, консервативно и с прицелом на то, чтобы вы могли подставить свои числа. Условная компания: отдел из 12 менеджеров, оборот ~6 млн ₽/мес, средний чек сделки — 150 000 ₽. Формула такая: число новых менеджеров в квартал × доля тех, кто срывает контракт из-за непонимания ценности услуги × средний чек сделки = сумма прямого риска, который никто не считает отдельной строкой в отчёте. В нашем случае: 5 новичков в квартал, из них хотя бы один срывает контракт в первую неделю (оценка на основе разобранного кейса, консервативно — каждый пятый). При среднем чеке 150 000 ₽ получается 150 000 ₽ в квартал прямого риска, который никто не считает отдельной строкой в отчёте, — и это без учёта репутационных потерь: клиент, которому не смогли объяснить, за что он платит, расскажет об этом знакомым. Я разбирал этот кейс вместе с руководителем отдела продаж и командой найма. Оказалось, что до этого адаптация держалась на одном человеке — опытном коллеге, который выделял несколько дней на индивидуальное обучение по видеозвонку. Работало, пока не начали расти объёмы найма. Наставник физически не мог клонироваться. Как собрать само обучение — курс, аттестацию и проверку — в отдельном разборе . Как организовать адаптацию новых сотрудников Не через живого наставника, а через структуру: 5 рабочих дней курса на корпоративном портале — компания, клиентский путь, типы клиентов, услуги и скрипты, реальные кейсы, — с тестом в конце каждого дня и личной папкой документов, которая собирается сама по мере прохождения. Наставника это не отменяет, а сдвигает: с пересказа базовых фактов — на разбор исключений. В разобранном кейсе его время на одного новичка сократилось, по оценке, с 18 часов до 2. Текстовые ответы пятого дня проверяет дешёвая модель — 1–2 $ в месяц на поток из пяти новичков. Почему наставник-энтузиаст — это не система Проверьте у себя: если ваш лучший наставник уйдёт в отпуск, как выйдет новый сотрудник? Если ответ «подождёт» — системы нет. Схема «опытный коллега учит новичка вживую» кажется тёплой и человечной. На деле это скрытая стоимость: пока наставник объясняет пятому стажёру одно и то же, он не работает с клиентами. Компания платит дважды — за обучение и за упущенные продажи наставника. Второй эффект — качество плывёт. Один наставник объяснит подробно, другой — на бегу, между звонками. Новичок из второй группы выходит на линию с дырами в знаниях, которые вскрываются на реальном клиенте. Тогда и звучит то самое «за что я платил» — а отвечать некому, потому что менеджер сам не разобрался. Решение, которое сработало: убрать живого наставника из первого касания и заменить его готовым инструментом, который новичок проходит самостоятельно. Опытный сотрудник подключается позже — на разборе сложных случаев, а не на пересказе базовых фактов о компании. Пять шагов адаптации, которые вы соберёте сами Ни один из них не требует бюджета — только вашего решения и пары часов на описание. Ниже — последовательность, которую можно повторить с своей командой без больших вложений. Это не теория, а порядок, в котором собирали курс в разобранном кейсе. Шаг 1. Собрать контент, который сейчас в головах наставников. Что → знания о компании, партнёрах, клиентском пути, типах клиентов, скриптах. Чем → интервью с двумя-тремя лучшими продавцами (по 1–2 часа записи на диктофон). Куда → расшифровка ложится в структуру по дням, а не единым полотном текста. Шаг 2. Разбить на дневные блоки с тестом в конце каждого. Что → пять логических блоков: компания, клиентский путь, типы клиентов, услуги и скрипты, реальные кейсы. Чем → любой конструктор курсов на корпоративном портале или даже Google Forms на первом этапе. Куда → личный кабинет новичка, доступный без записи на созвон. Шаг 3. Привязать документы к этапам, а не отправлять архивом. Что → шаблоны, регламенты, скрипты. Чем → скачивание конкретного файла разблокируется после прохождения блока. Куда → личная папка новичка формируется автоматически к концу пятого дня. Шаг 4. Подключить отслеживание прогресса. Что → кто прошёл тест, кто застрял, у кого низкий балл. Чем → Telegram-бот, читающий статус из таблицы или базы курса. Куда → руководитель получает уведомление, а не должен заходить и проверять вручную. Шаг 5. Отдать сложные случаи живому человеку. Что → разбор нестандартных возражений, реальных звонков, кейсов, которые не влезли в тест. Чем → короткая очная сессия с наставником, но уже не по базовым фактам, а по конкретным пробелам, выявленным тестами. Куда → отдельный чек-лист на неделю вперёд, а не бесконечный созвон. Наставник тут никуда не девается — просто смещается с рутины на разбор исключений. То же смещение компания планирует и для отдела контроля качества: с ручной проверки каждого звонка — на управление системой и разбор сложных случаев. Подробный разбор — как построить систему контроля качества звонков . Курс, который заменил наставника Команда сделала 5-дневный онлайн-курс для новых сотрудников отдела продаж. Он размещён на корпоративном портале, у каждого менеджера — личный кабинет. Прогресс отслеживает Telegram-бот. День Содержание 1 Компания и партнёры 2 Клиентский путь и точки касания 3 Типы клиентов и коммуникация 4 Услуги компании и скрипты 5 Реальные кейсы Каждый день заканчивается тестом. Тесты вынесены на отдельный экран — исключает соблазн подсмотреть ответ во время прохождения материала. Мелочь, но именно на таких мелочах курс либо становится проверкой знаний, либо превращается в формальность для галочки. Отдельно решили проблему с документами. Раньше новичок либо игнорировал файлы, которые ему присылали одним архивом, либо получал устаревшую версию. Теперь на каждом этапе курса он скачивает нужный документ сам. К концу обучения у него собрана личная папка со всеми актуальными материалами для работы — не потому что кто-то заставил, а потому что иначе курс не пройти. В план на дальнейшее расширение вошли: шаблоны документов с конкретными примерами, пояснение ценности каждого действия для клиента, видеоинструкции по оформлению документов, расширенный раздел по скриптам, чек-лист в конце обучения и видеозадания — новичок сам записывает короткое видео по определённой стадии работы. Срок этого расширения — конец июня. Это уже не про факты, а про навык: умеет ли человек говорить с клиентом, а не только знать теорию. Как бюрократия крадёт первый день Посчитайте, сколько времени ваш новый сотрудник тратит в первый день на документы и доступы. Обычно это весь день — и он же самый мотивированный за весь период. Курс бесполезен, если новичок физически не может выйти на работу в назначенный день. В одной компании ввод сотрудника требовал письменного распоряжения руководителя на каждого человека — даже если заявка уже пришла от отдела кадров. Формулировка руководителя была прямой: «Получается бред полный — у нас есть HR, которые знают процесс, но меня дёргают на каждого человека отдельно». Параллельно тормозило оснащение техникой: специалист задерживал координацию по ноутбукам и телефонам, и без дополнительной бумаги от руководителя человека не включали в систему. В итоге адаптация начиналась не с курса, а с ожидания подписи и ноутбука. Новичок терял мотивацию раньше, чем открывал первый урок. Где ломается Онбординг спроектирован идеально на бумаге, но упирается в согласования, которые никто не убрал из процесса. Прежде чем строить курс, проверьте, сколько подписей нужно, чтобы новичок получил доступ и технику. Если больше одной — это узкое место, а не курс. Похожая логика описана в материале про автоматизацию, которая требует надзора : любую систему, даже готовую, нужно кому-то поддерживать вручную первое время, иначе она превращается во вторую работу вместо облегчения первой. ИИ-связка: проверка тестов и профиль стажёра, а не просто «прошёл — не прошёл» Тест с вариантами ответов ловит только фактические ошибки: не знает партнёров, путает типы клиентов. Он не ловит главное — понимает ли новичок ценность продукта настолько, чтобы объяснить её клиенту своими словами. Для этого в курс добавили текстовые вопросы пятого дня, а проверку их передали модели, а не только руководителю. Схема конвейера простая: Проверка тестов — Google Sheets + Telegram-бот 5 новичков в потоке за месяц 25 ответов проверено ИИ за месяц 1–2 $ стоимость проверки в месяц Стажёр Вопрос Балл Статус Стажёр А Ценность услуги 2/5 разобрать на созвоне Стажёр Б Ценность услуги 5/5 понимает Данные из LMS падают в Google Sheets по вебхуку: вопрос, эталонный ответ, ответ стажёра. Дальше построчно уходят в модель. Для этого шага не нужна дорогая модель — задача не творческая, а классификационная с элементами анализа текста, поэтому используется дешёвая модель уровня GPT-4o-mini или её аналог: она справляется с оценкой формулировки за секунды и обходится в доли цента за один запрос — при потоке в десятки ответов в день итоговый счёт укладывается в 1–2 $ в месяц (расчёт — ниже). Прикинем стоимость: на одного новичка — 5 текстовых вопросов (день 5). При потоке 5 новичков в месяц это 25 запросов к модели в месяц. Дешёвая модель обходится в доли цента за короткий запрос такого типа, поэтому итоговый счёт — около 1–2 $ в месяц (оценка, консервативно завышена). Дороже стоит не модель, а инженерная обвязка вокруг неё, и то — разово. Пример ответа модели на реальный по структуре вход: Инженерная обвязка простая и дешёвая: Google Apps Script по триггеру на новую строку в таблице вызывает API модели, пишет результат в соседние столбцы. Если запрос падает — скрипт помечает строку статусом «ошибка» и присылает уведомление в тот же Telegram-канал, где обычно идут отчёты по вакансиям. Перезапуск — вручную по кнопке в таблице, отдельного сервера не нужно. Ответственный смотрит канал раз в день, а не сидит и обновляет вкладку. Похожий принцип уже отработан на другом процессе — при найме: агент подключался через API к порталу вакансий, вытягивал отклики и заполнял таблицу метриками и скоринговой оценкой кандидата по критериям — просмотры, клики, отказы, процент релевантных резюме на одном листе, реестр откликов с баллами на другом. Пример ответа: Здесь тоже сработала синхронизация как узкое место: по данным портала было заметно больше откликов, чем зафиксировано в таблице системы. Решением стали два уровня контроля — таймстамп последнего обновления таблицы и Telegram-бот с push-уведомлением о новом отклике с высокой оценкой. Внедрение этих двух улучшений заняло 2 дня. Тот же принцип двойного контроля стоит закладывать и в проверку тестов курса: не доверяйте одной таблице, пока не увидели, что она обновляется вовремя. Третий месяц — точка, которую нужно планировать заранее Курс закрывает первую неделю. Дальше начинается адаптация в реальной работе, и здесь есть закономерность, которую сформулировал один из руководителей: «Первый кризис менеджера всегда случается на третий месяц. Потом либо на шестой, либо на девятый месяц. Это математика, это физика, это закон жизни». Месяц Что происходит Действие руководителя 3-й Первый кризис: усталость, сомнение в себе, спад результатов Не увольнять и не заваливать поддержкой — короткая сессия + чек-лист на неделю 6-й Повторный спад, если первый не был проработан Контролируемая пауза: отпуск на пике, а не в момент обвала 9-й Финальная точка нестабильности перед выходом на плато Профиль сотрудника: сильные/слабые стороны, специализация по клиентам Это не разовый провал конкретного человека, а предсказуемая точка выгорания. Если её не ждать, руководитель реагирует на кризис как на ЧП — увольняет или срочно перегружает поддержкой. Если её ждать, можно управлять падением заранее: на пике производительности отправить менеджера в отпуск, чтобы не допустить раскачки маятника до полного обвала. Задача руководителя в этот момент — не удержать человека на максимуме любой ценой, а организовать контролируемое снижение нагрузки и вывести его на плато. Где ломается Профиль сотрудника и график нагрузки бесполезны, если руководитель узнаёт о кризисе постфактум — по падению цифр в CRM за прошлый месяц. Нужен опережающий сигнал: анализ звонков или чек-ин раз в две недели, а не квартальный отчёт. Без этого точка «3-й месяц» остаётся красивой теорией на бумаге. В разобранном кейсе аналогичный принцип применили к анализу звонков: систему профилирования сотрудника строили на основе расшифровок разговоров — например, задача была собрать заметный объём расшифровок голосовых звонков за неделю и зафиксировать клиентские слова о страхах и проблемах, — чтобы заметить, если менеджер пришёл расстроенный, до того как это отразится на конверсии. Подробнее о том, как считать качество звонков без раздутого отдела контроля, — в материале про контроль качества звонков без ОКК . Экономика адаптации новых сотрудников: что стоит и что даёт Формула для своего случая словами: (часы наставника на одного новичка «было» минус часы «стало») × число новичков в квартал × часовая ставка наставника = экономия в квартал. Дальше — сверх этого — идёт снижение риска сорванных контрактов, посчитанное отдельно во вступлении. Подставим цифры разобранного кейса. Отдел продаж, 5 новичков в квартал. Раньше на каждого уходило до 3 рабочих дней живого времени опытного наставника — по 6 часов чистого общения (оценка, по факту зависело от человека). Это 18 часов на одного новичка, то есть на поток из 5 новичков за квартал — 90 часов, больше двух рабочих недель одного человека, потраченных не на продажи, а на повтор одного и того же материала. При ставке наставника ~1 000 ₽/час (оценка) это 90 000 ₽ скрытых издержек за квартал — не считая упущенных продаж, которые он мог бы закрыть за эти же часы. После перехода на курс живое участие наставника на первом этапе сведено к нулю: он подключается только на разборе исключений — оценочно 2 часа на человека вместо 18. На поток из 5 новичков это 10 часов вместо 90, то есть 10 000 ₽ вместо 90 000 ₽ по той же ставке (оценка) — экономия 80 000 ₽ в квартал только на времени наставника. На диаграмме — часы наставника на одного новичка до и после перехода на курс. 18 ч было 2 ч стало Оценка по кейсу: 18 часов живого общения наставника на одного новичка (3 дня по 6 часов) против 2 часов на разбор исключений после запуска курса. Показатель Значение Часы наставника на 1 новичка, было 18 ч (оценка) Часы наставника на 1 новичка, стало 2 ч (оценка) Экономия часов на поток из 5 новичков в квартал 80 ч (оценка) Экономия в деньгах при ставке ~1 000 ₽/час (оценка) ≈ 80 000 ₽ в квартал Разовые затраты на сборку курса (оценка) ≈ 40 часов методиста и специалиста портала Разовые затраты в деньгах при той же ставке (оценка) ≈ 40 000 ₽ Окупаемость В пределах первого квартала эксплуатации То есть даже консервативно (нижняя граница экономии, верхняя граница затрат на разработку) курс окупает себя за один квартал только на экономии времени наставника — без учёта снижения риска сорванных контрактов (150 000 ₽ в квартал) из вступления. Это вклад именно курса и автоматизации проверки тестов; эффект от программы удержания на третьем месяце в этот расчёт не входит — она считается отдельной инициативой и даёт эффект в горизонте месяцев, а не недель, поэтому смешивать их в одну цифру некорректно. Почему третий месяц — переломный и что за ним стоит, разобрал в материале про текучесть кадров . ИИ-проверка текстовых ответов на дешёвой модели при потоке в 5 новичков в месяц стоит на уровне 1–2 $ в месяц (оценка, см. расчёт выше) — сопоставимо с расходами, разобранными в материале про реальные счета за ИИ . Telegram-бот с уведомлениями — разовая настройка плюс минимальная поддержка хостинга. Что автоматизировать, а что оставить человеку Курс, документы и Telegram-бот с прогрессом — это то, что стоит автоматизировать сразу: рутина, которая раньше отнимала время у опытного сотрудника. Но есть решения, которые автоматизировать рано. В найме сработал тот же принцип, что описан выше: агент собирал данные и выставлял оценки, но окончательное решение по каждому кандидату оставалось за рекрутером — модель училась на его правках, а не подменяла его выбор. В адаптации логика та же: система выдаёт материалы, оценивает текстовые ответы и фиксирует, кто прошёл тест, а кто нет. Решение — верить результату теста или проверить человека на реальном звонке — остаётся за руководителем. Ошибка, которую стоит избежать: автоматизировать сразу весь путь новичка, включая финальное решение о готовности к работе с клиентом. Это тот же класс проблем, что описан в материале про ошибки внедрения ИИ — система без контроля человека на старте выдаёт ложное чувство завершённости процесса, хотя по факту никто не проверил, усвоил ли новичок материал или просто прокликал тест. И вот что я хочу назвать вслух. Умение спроектировать вход человека в работу — так, чтобы он не зависел от того, у кого сегодня нашлось время, — это отдельный управленческий навык. Не эйчаровский, а именно руководителя: он же решает, что отдать машине, а что оставить себе. Раньше без него можно было обойтись — пока новичок один в квартал, его реально вести за руку. Сейчас руководитель, который умеет собрать вход как систему, стоит дороже того, кто умеет только раздавать задачи людям. Мне это далось не сразу: я года полтора считал, что дело в людях, а не в отсутствии описанного процесса. Чек-лист: с чего начать в понедельник Посчитайте, сколько часов в месяц ваши опытные сотрудники сейчас тратят на индивидуальное обучение новичков — это ваша база для сравнения «до/после». Проверьте цепочку доступа: сколько подписей и согласований нужно, чтобы новичок получил логин и технику в первый день. Уберите лишние. Разбейте существующие материалы по обучению на 4–5 логических блоков и добавьте тест в конец каждого — без нового контента, только структура. Настройте одну простую автоматизацию: уведомление руководителю или наставнику, когда новичок не завершил блок в срок. Отметьте в вашем календаре у каждого новичка дату «третий месяц» — заранее, а не когда цифры уже просели. Если решите подключать ИИ-проверку текстовых ответов — начните с одной дешёвой модели и одного вопроса курса, а не со всей программы сразу. Онбординг, который держится на энтузиазме одного наставника, ломается при первом же росте штата. Онбординг, который держится на курсе, документах и понимании, что кризис на третьем месяце — это норма, а не авария, выдерживает масштаб. Разница не в бюджете на автоматизацию. Разница в том, спроектирован процесс заранее или собирается на коленке каждый раз, когда приходит новый человек. Начните с малого: опишите первую неделю нового сотрудника по дням. Что он делает в понедельник, с кем говорит во вторник, что должен уметь к пятнице. Один документ снимает половину вопросов и ускоряет выход на результат. Как собрать адаптацию, которая работает без наставника-героя, — в бесплатном курсе . Что вы получите на выходе Ваш новый сотрудник выходит на результат в два раза быстрее, а вы перестаёте зависеть от того, есть ли у наставника время и настроение. Плюс появляется побочный эффект: описанная адаптация показывает вам, насколько ваши процессы вообще понятны со стороны. Возьмите дату выхода вашего следующего новичка и отсчитайте от неё три месяца — поставьте эту точку в ваш календарь сегодня, пока она не превратилась в срочное увольнение. Как это было у нас Мы держали адаптацию на энтузиазме одного человека — и когда он ушёл в отпуск, два новичка просто просидели неделю. Тогда я и понял, что у нас не система, а везение. Мы описали первую неделю по дням: что делает новичок, с кем встречается, что должен уметь к пятнице. Заняло у меня три часа. Следующий сотрудник вышел на результат вдвое быстрее предыдущего — при том, что наставника у него не было вообще.

## Внутреннее обучение сотрудников без наставника: курс, аттестация и автоматизация
URL: https://davidgerstein.pro/blog/vnutrennee-obuchenie-sotrudnikov/
Дата: 2026-07-17
Направление: Люди
Цифры: 5 дней курса · несколько десятков расшифровок звонков за неделю · кризис на 3-м месяце
Коротко: Внутреннее обучение сотрудников работает, когда оно оформлено как 5-дневный курс с тестами и персональной папкой документов, а не как устный пересказ от опытного коллеги. Аттестацию персонала стоит строить на профилях по расшифровкам звонков в неделю и объективных метриках, а автоматизацию рутины — только через промежуточную стадию ручной проверки выводов агента.

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные. Обучение в большинстве компаний выглядит так: опытный сотрудник пересказывает новичку то, что помнит. Через месяц новичок пересказывает это следующему — с потерями. Если вы не можете за минуту сказать, кто и по какому материалу учил вашего последнего новичка, — у вас нет обучения. У вас есть надежда, что опытный сотрудник найдёт время и вспомнит нужное. Стоит эта надежда дороже, чем кажется: платит за неё тот, кто в это время не продаёт. Разбираю, как превратить пересказы в курс, которым действительно пользуются, без учебного центра и бюджета. Так раньше выглядело внутреннее обучение сотрудников в отделе продаж: опытный менеджер тратил несколько дней на то, чтобы обучить новичка вживую — по видеозвонку, пересказывая одно и то же в десятый раз. Всё это время он не занимался клиентами. Если считать грубо: три дня по три-четыре часа в день на одного новичка — это 9–12 часов работы, вычтенных из продаж наставника (оценка). При двух новых менеджерах в месяц — обычный темп найма для отдела из 8 человек — это около 20 часов наставника ежемесячно, компания оплатила их дважды: за обучение и за упущенную выручку того, кто учил. Компания заменила это пятидневным онлайн-курсом с личным кабинетом для каждого новичка — внутреннее обучение перестало держаться на щедрости одного человека, который согласен отвлекаться от продаж ради обучения соседа. Ниже — как это устроено по шагам, с каким промптом работает автоматизация вокруг обучения, что это стоит и где ломается, если сделать поверхностно. Внутреннее обучение сотрудников: что это и с чего начать Если вы не можете за минуту назвать материал, по которому учился ваш последний новичок, — внутреннего обучения у вас нет, есть надежда на щедрость опытного коллеги. Внутреннее обучение сотрудников — это когда знание компании записано один раз и передаётся всем одинаково, а не пересказывается из головы в голову с потерями на каждом звене. Рабочий минимум состоит из трёх частей: пятидневный онлайн-курс с тестом в конце каждого дня и личным кабинетом новичка; персональная папка документов вместо разрозненных ссылок; аттестация не по одному входному тесту, а по профилю сотрудника, собранному из расшифровок его звонков. Наставник при этом не исчезает — он включается на разборе кейсов, а не тратит 9–12 часов на десятый пересказ одного и того же (оценка). Что не так с пересказом от коллеги к коллеге Ваша проблема здесь не в качестве пересказа, а в потерях: каждая передача теряет часть смысла, и через три звена новичок работает не так, как вы задумывали. У формата «сядь рядом с опытным и слушай» есть три системных проблемы, и все они бьют по деньгам. Первая — время того, кто учит. Опытный сотрудник — это тот, кто и так закрывает план. Каждый час, потраченный на объяснение новичку, вычитается из его продаж напрямую. Вторая — качество передачи. Каждый рассказывает по-своему, расставляет свои акценты, что-то забывает. Один новичок узнаёт про скрипты, другой — только про клиентский путь, потому что наставнику в тот день было некогда рассказать остальное. Третья, и самая дорогая — новичок не верит в ценность продукта, потому что никто толком не объяснил, за что клиент платит. Конкретный случай: новый менеджер получает клиента, не понимая реальной ценности услуги. Клиент спрашивает «за что я платил» — и менеджер не может ответить убедительно, потому что сам не понимает. Это заканчивается конфликтами и расторжением договоров, иногда при первом же контакте. Здесь ошибаются все, и я дольше многих. Я не понимал, почему новички после одного и того же «обучения» отвечают клиенту по-разному, и списывал это на характер. Потом сел и сравнил, что именно каждому из них успели рассказать. Разница была не в людях. Ни один наставник не был обязан рассказать всё — просто потому, что нигде не записано, что такое «всё». Моя недоработка: я требовал от обучения результата, а самого обучения в письменном виде не существовало. Где ломается Обучение через устный пересказ работает только до тех пор, пока в компании один-два новых сотрудника в квартал. При росте найма формат ломается — наставники выгорают, новички получают разный уровень подготовки, а руководитель узнаёт о пробелах только когда клиент уже расторг договор. Как устроить внутреннее обучение сотрудников без наставника-героя Ваша цель — чтобы знание жило в компании, а не в конкретном человеке, который может уволиться. Компания разработала пятидневный онлайн-курс для новых сотрудников отдела продаж. Структура простая и последовательная: День Содержание 1 Информация о компании и партнёрах 2 Клиентский путь и точки касания 3 Типы клиентов, коммуникация 4 Услуги компании, скрипты 5 Реальные кейсы, итоговый тест Каждый день заканчивается тестом. Тесты вынесены на отдельный экран — специально, чтобы исключить возможность подсмотреть ответы во время прохождения материала. Мелочь, но именно она отличает контроль знаний от формальности «прочитал, поставил галочку». Курс размещён на корпоративном портале, у каждого менеджера — свой личный кабинет. Прогресс отслеживает Telegram-бот: не руководитель каждый день заходит проверять, кто где застрял, а бот сам показывает, кто прошёл, а кто завис на третьем дне уже неделю. Документы не теряются — их скачивают по ходу курса С документами разобрались похожим образом. Раньше стандартные файлы и шаблоны рассылались списком, и часть из них терялась или игнорировалась. Теперь обучающийся скачивает нужный документ на каждом этапе курса — к концу обучения у него формируется персональная папка со всеми материалами для работы. Документы актуальны на момент прохождения курса, а не на момент, когда их последний раз обновляли. Курс планируется расширять: шаблоны документов с конкретными примерами заполнения, видеоинструкции по оформлению документов, расширенный раздел по скриптам, чек-лист в конце обучения для напоминания в работе и видеозадания — короткие ролики, которые новичок записывает сам по определённым стадиям работы с клиентом. Это уже не просто курс, а тренажёр с обратной связью. Насколько меняется нагрузка на наставника — на диаграмме ниже часы на одного новичка до и после курса, грубая прикидка на потоке из нескольких новичков в месяц: 12ч наставник 1,5ч курс+бот Часы на одного новичка при потоке в несколько новичков в месяц — живое обучение наставником против курса с разбором кейсов ботом-трекером (обе цифры — оценка). Как построить систему, которая не требует постоянного ручного контроля от руководителя, — в статье про онбординг как систему, а не наставника-энтузиаста . ИИ-связка: как обучение соединяется с автоматизацией найма Внутреннее обучение — это не только курс о продукте. Есть и другой пласт: обучение работе с новыми инструментами, включая автоматизацию собственной рутины сотрудника. Разберём конкретный конвейер: он не про продажи, а про найм, но логика обучения та же — сначала человек учится проверять машину, потом снижает частоту проверок. Менеджер по найму ежедневно вручную фильтровал резюме и отслеживал отклики на портале вакансий. Решение — не дать готовый инструмент сразу, а сначала обучить менеджера работе с API и таблицей, потом пошагово нарастить автоматизацию: Подробный разбор — скрининг резюме нейросетью . Таблица мониторинга вакансий — метрики: просмотры, клики, отказы Подключение по API-ключам — доступ к базе портала Агент опроса портала — раз в день тянет новые отклики Скоринг резюме — оценка по критериям вакансии На старте все решения по кандидатам остаются ручными — менеджер проверяет каждую оценку агента и даёт обратную связь. Это и есть обучение: не «доверяй машине сразу», а «проверяй, пока не набралась статистика ошибок». Промпт для скоринга резюме — Google Sheets + Apps Script Таблица мониторинга живёт в Google Sheets. Агент на Google Apps Script раз в день дёргает API портала, дописывает новые строки в лист «Отклики» и для каждой строки вызывает дешёвую модель (GPT-4o-mini или аналог) — задача массовая и шаблонная, платить за дорогую модель на потоке в десятки резюме в день смысла нет. Например, при потоке в несколько десятков резюме в день дешёвая модель обходится в районе одного-двух долларов в сутки (оценка на типовых расценках токенов) — заметно дешевле часа работы менеджера, который раньше тратился на ручной просмотр того же объёма откликов. Пример ответа модели на реальном резюме из потока: Поле flag_review — это и есть та самая ручная проверка на старте: менеджер в первую очередь смотрит кандидатов с флагом, а не доверяет итоговому баллу вслепую. Инженерная обвязка Всё крутится в связке Google Sheets + Apps Script триггер (time-driven, раз в сутки) + API портала + Telegram Bot API. Апскрипт пишет в два листа: «Отчётность по вакансиям» (дата, просмотры, клики, отказы, процент релевантных резюме) и «Реестр откликов» (кандидат, критерии, итоговый балл). Перезапуск — вручную из меню таблицы, кнопка «Обновить сейчас», плюс лист «Errors» с временными метками сбоев API. Обнаружилась рассинхронизация: по данным портала было заметно больше откликов, чем зафиксировано в таблице системы. Решили две вещи. Первое — показатель времени последнего успешного обновления в самой таблице, чтобы визуально видеть, когда данные устарели. Второе — Telegram-бот с push-уведомлениями: раз в час короткая сводка новых откликов и отдельное уведомление, когда появляется кандидат с высокой оценкой. Прямо из чата бота можно открыть резюме, перейти на портал, пригласить на собеседование или отклонить. Срок внедрения этой доработки — 2 дня. Так теперь выглядит фрагмент этой таблицы — с меткой времени обновления и флагом на кандидата, которого нужно проверить вручную: Google Sheets — Реестр откликов неск. десятков откликов по данным портала 09:14 время последнего обновления Кандидат Балл Статус R-1042 7/10 на проверку R-1039 9/10 ок Показательная фраза из этого же проекта: «Пока ты не понимаешь, что можешь доверять системе, и смотришь и там, и там, это для тебя не рабочий инструмент, это просто ещё одна табличка, куда надо смотреть». Обучение без стадии проверки превращается в имитацию автоматизации — два источника правды вместо одного, и менеджер тратит время на оба. Ещё один кейс — зависимость команды от одного человека. Руководитель IT-отдела столкнулся с тем, что компания держится на единственном специалисте: если он в отпуске, встают все проекты. Решение — за два-три месяца обучить остальных гибридным инструментам разработки, не чистому коду, а профессиональным низкокодовым платформам, чтобы задачи можно было передавать при перегрузке или отсутствии основного исполнителя. Это тоже внутреннее обучение, только его цель — не адаптация новичка, а снижение риска на ключевую роль. О том, что бывает, когда автоматизация внедрена, но никто не научен ей пользоваться и она требует постоянного ручного надзора, — в статье почему внедрение ИИ не работает, хотя технически всё запустилось . Аттестация: тест — не единственный инструмент Проверяйте не память, а действие: пусть ваш сотрудник сделает реальную задачу, а не ответит на двадцать вопросов. Курс с тестами показывает, что сотрудник прочитал материал. Он не показывает, применяет ли сотрудник знания в работе. Для этого нужна аттестация, построенная на других данных — на реальных звонках, а не на опроснике. Промпт для профиля сотрудника по расшифровкам звонков Здесь модель работает не с потоком в десятки резюме в день, а с несколькими десятками расшифровок в неделю — задача тоньше, нужен анализ формулировок и эмоционального фона, а не бинарная классификация. Здесь оправдана более дорогая модель уровня GPT-4o или Claude Sonnet. Пример ответа модели: Именно так и вскрылась реальная проблема одной сотрудницы: она мерила свой успех процессом («сделано ли правильно»), а не результатом для клиента. Тест по скриптам этого никогда бы не показал — она отлично прошла бы любой опросник. Задача, которую поставили дальше, — собрать несколько десятков таких расшифровок за неделю, зафиксировав клиентские слова о страхах и проблемах, и уже на этом материале разбирать формулировки, а не факт звонка. Второй слой аттестации — анонимная обратная связь от коллег, метрика в компании называется ЕМПС. На её основе рассчитываются бонусы. Это защищает от субъективных претензий руководителя и показывает сотруднику, на какие конкретные критерии влияет размер доплаты — не «начальник так решил», а измеримый показатель. Третий слой — профиль сотрудника целиком: сильные и слабые стороны, специализация по клиентам, успехи и неудачи. Такие профили запрашивались у руководителей направлений именно для того, чтобы точнее распределять задачи и обучение, а не назначать людей на роли наугад, когда человек занимается не своим делом и не может передать навык коллегам. Кризис на третьем месяце — тоже часть системы обучения Есть закономерность, которую полезно закладывать в программу адаптации заранее: «первый кризис менеджера всегда случается на третий месяц. Потом либо на шестой, либо на девятый. Это математика, это физика, это закон жизни». Курс и тесты закрывают знания на старте, но не защищают от выгорания через три месяца после выхода на самостоятельную работу. Управленческое решение здесь — не игнорировать спад, а организовать «контролируемое падение»: выровнять сотрудника на плато вместо раскачивания маятника, вплоть до планового отпуска на пике нагрузки, чтобы не допустить окончательного срыва. Правило Курс закрывает знание продукта и процессов. Он не закрывает применение этих знаний в реальной работе и не защищает от кризиса адаптации на третий месяц. Нужен второй слой контроля — по звонкам, обратной связи коллег или прогрессу в системе, — иначе тест становится формальностью, а не аттестацией. Похожий принцип объективной оценки без ручного прослушивания — в статье про контроль качества звонков без ОКК : там тоже речь о том, как заменить субъективное впечатление руководителя измеримыми данными. Экономика: что это стоит и что даёт вам Считайте от срока выхода на результат: на сколько дней быстрее ваш новичок начнёт приносить деньги. Разделим два эффекта — их нельзя смешивать, они дают разные деньги на разных участках. Эффект курса вместо наставника. Формула для собственного расчёта: (часы наставника на одного новичка при живом обучении − часы на курс и разбор кейсов) × ставка часа наставника × число новичков в месяц = высвобожденная стоимость в месяц. Подставим цифры для отдела из 8 менеджеров: наставник тратил 9–12 часов на одного новичка при живом обучении, курс с ботом-трекером снижает эту нагрузку до 1–2 часов на разбор реальных кейсов — экономия 7–11 часов на новичка, то есть снижение нагрузки на наставника примерно на 85–90%. При двух новичках в месяц это около 21 часа наставника — почти три рабочих дня, которые высвобождаются для его собственных клиентов вместо пересказа материала. При ставке около 1 000 ₽/час (оценка) это порядка 18 000–21 000 ₽ в месяц отвоёванной выручки наставника. Это не прямая экономия бюджета, а высвобожденная мощность продавца. Показатель Наставничество (было) Курс + бот (стало) Эффект Часы на 1 новичка 9–12 ч 1–2 ч −7–11 ч Часы в месяц (2 новичка) ~21 ч ~3 ч −18 ч Снижение нагрузки на наставника 100% (весь объём вручную) ~10–15% от прежнего экономия ~85–90% Эффект от понимания ценности продукта. Дальше считаем риск расторжений из-за «за что я платил». Формула: число новых менеджеров в месяц × клиентов на менеджера в первый месяц × доля потерянных из-за непонятой ценности × средний чек = риск расторжений в месяц. Пример для отдела из 8 менеджеров со средним чеком 180 000 ₽: при найме двух новичков в месяц каждый в первый месяц ведёт около десяти клиентов — 20 клиентов на двоих. Если каждый пятый из них уходит после первого разговора из-за непонятой ценности, это 4 расторжения в месяц и около 720 000 ₽ риска (оценка) — примерно 8% месячного оборота компании (9 млн ₽), заметная утечка, а не мелочь на общем фоне. Курс с блоком «клиентский путь и ценность услуги» не гарантирует ноль расторжений, но снимает главную причину — менеджер, который сам не понимает продукт. Что не считаем эффектом. Экономия часов наставника — это поток: она повторяется каждый месяц, пока идёт найм, и её можно сразу переводить в деньги через ставку. Риск расторжений — это предотвращённая потеря, а не гарантированный ежемесячный доход: она не суммируется с часами наставника, а считается отдельной строкой, потому что зависит от того, сколько новичков реально усвоили ценность продукта после курса, а не только прошли тест. Стоимость внедрения. Разовая разработка курса — контент, тесты, структура личных кабинетов — это часы методиста и руководителя направления, ориентировочно 40–60 часов на пятидневную программу, то есть примерно одна-полторы рабочие недели одного специалиста при полной занятости. Эксплуатация — хостинг портала и Telegram-бот-трекер, минимальные регулярные расходы, сопоставимые со стоимостью пары часов работы методиста в месяц, без учёта уже существующей CRM-инфраструктуры. Чек-лист: с чего начать в понедельник Выбрать одну роль с самым частым потоком новичков — там наставничество съедает больше всего часов. Разбить материал на 5 дней по структуре: компания и партнёры → клиентский путь → типы клиентов → продукт и скрипты → кейсы и тест. Тест — на отдельном экране, не рядом с материалом, иначе это профанация контроля. Настроить один документ-трекер прогресса (таблица или бот) — без него курс превращается в файл, который никто не проверяет. Для автоматизации рутины — выбрать один процесс (например, фильтрацию резюме), обучить ответственного работе с API и таблицей, прежде чем строить конвейер. Добавить второй слой аттестации — хотя бы несколько десятков расшифровок звонков в месяц на анализ формулировок, а не только тест по знаниям. Курс с документами, тестами и ботом-трекером снимает обучение с плеч одного наставника. Аттестация поверх него показывает, что знания не просто прочитаны, а работают в звонках. Слабое место остаётся общим для обоих слоёв: если пропустить стадию ручной проверки — что в курсе, что в скоринге резюме, что в анализе звонков — вся автоматизация превращается в ещё одну табличку, куда всё равно приходится смотреть глазами, а не в систему, которой доверяют. И назову вещь, которую обычно не называют вслух. Умение разложить свою работу на шаги и оставить их материалом, которым воспользуется другой человек, — это отдельный управленческий навык, такой же рабочий, как умение считать маржу. Руководитель, чья команда учится без него, стоит дороже руководителя, который умеет только показывать лично: первый растёт вместе с наймом, второй упирается в собственный календарь. Навык осваивается, но сам не появляется. Начните с одного: запишите на видео, как ваш лучший сотрудник делает самую частую операцию. Двадцать минут — и у вас есть первый учебный материал, который точнее любого пересказа. Как собрать из таких кусков систему обучения — в бесплатном курсе . Проверьте своё обучение одним способом: спросите сотрудника, который вышел месяц назад, где он ищет ответы на рабочие вопросы. Если ответ «спрашиваю коллег» — ваша система обучения существует только на бумаге, а знания живут в головах и уходят вместе с людьми. С чего начать вам Возьмите вашу самую частую операцию — ту, которую новичок делает в первую неделю. Попросите вашего лучшего сотрудника записать её на видео или расписать по шагам. Двадцать минут его времени — и у вас появился первый материал, который не зависит от чьей-то памяти. Дальше добавляйте по одному материалу в неделю. Через квартал у вас будет ядро курса, собранное из ваших реальных процессов, а не из общих слов про клиентоориентированность. Мой опыт Мы потеряли на этом полгода: я был уверен, что обучение — задача HR, и ждал от них курс. Курса не было, потому что HR не знает содержания работы, а те, кто знает, были заняты работой. Сдвинулось, когда я перестал ждать и завёл правило: каждый разбор реальной ситуации записывается и попадает в общую папку. Через два месяца из этих записей собрался нормальный вводный курс — без единого специального часа на его создание. Мой личный итог: я перестал ждать, когда у нас появится «нормальное обучение», и начал собирать его из того, что мы и так делаем. Оказалось, что материала у нас было достаточно — не хватало только привычки его сохранять.

## Отбор резюме нейросетью: 400 откликов за вечер без потери адекватных
URL: https://davidgerstein.pro/blog/skrining-rezyume-ii/
Дата: 2026-06-19
Направление: Люди
Цифры: несколько десятков откликов на портале · 2 дня на доработку бота · ~3 ч/день ручного просмотра (оценка)
Коротко: Отбор резюме автоматизируется не как «нейросеть решает за вас», а как связка API-подключения к порталу, структурированной таблицы мониторинга и уведомлений — решение по кандидату на старте остаётся за человеком. Такая связка сокращает ежедневный просмотр большого потока откликов с ~3 часов до ~40 минут на вакансию. Главная точка отказа — не качество оценки резюме, а синхронизация данных между порталом и таблицей.

Суммы в разборе пересчитаны на условную компанию — пропорции, механика и выводы реальные. Отбор резюме: что делает машина, а что человек Отбор резюме на потоке собирается из четырёх блоков: таблица мониторинга вакансии , подключение к порталу откликов по API , агент, который ежедневно забирает новые резюме и оценка каждого резюме по критериям вакансии . Машина читает и ранжирует. Приглашает и отклоняет человек. Если у вас на вакансию приходит несколько сотен откликов, счёт выходит такой: ежедневный разбор одной вакансии сжимается с ~3 часов до ~40 минут, то есть более чем вчетверо (оценка). Ломается связка не там, где её ждут: не на качестве оценки резюме, а на рассинхроне между порталом и таблицей — часть откликов до оценки просто не доезжает. Четыреста откликов на вакансию — это не удача, это проблема. Потому что разобрать их некому: у вашего HR есть ещё десять задач, и он честно посмотрит первые тридцать, а дальше начнётся лотерея. Если вы честно смотрите первые тридцать откликов, а остальные закрываете статусом «не рассмотрено», — у вас не кадровый голод, у вас утечка. Вы платите за поток, до которого не доходят руки, и человек, который вам нужен, вполне может лежать на трёхсотой строке. Вы его не отклонили. Вы его не открывали. Я прошёл через это и знаю, чем заканчивается: нанимают не лучшего кандидата, а того, кто удачно оказался в верху списка. Ниже — как мы отдали первичный разбор машине и что из этого вышло, включая место, где всё сломалось в первый раз и где я потерял больше всего времени. Менеджер по подбору персонала свёл статистику на конец дня: портал показывает несколько десятков откликов на вакансию, в таблице автоматизированной системы — заметно меньше. Не два-три резюме потерялось, а ощутимый кусок потока. Первая мысль — агент занижает оценки, и часть кандидатов не проходит порог. Вторая, более неприятная — агент вообще не забирает эти резюме с портала, до всякой оценки. Разница принципиальная: одно чинится правкой критериев, второе — это дыра, через которую утекают кандидаты, которых никто даже не увидел. До автоматизации менеджер вручную открывал портал, листал отклики, сверял с описанием вакансии, копировал подходящих в отдельный файл. При потоке в несколько сотен откликов на вакансию это часы каждый день — оценочно около 3 часов на вакансию при работе с массовым потоком, то есть больше трети восьмичасового рабочего дня только на просмотр резюме, без единого звонка кандидату. И это в лучшем случае: часть откликов при ручном разборе просто не открывают — до них не доходят руки, и адекватный кандидат уходит со статусом «не рассмотрено» без единого взгляда на резюме. Зачем мы за это взялись У нас была вакансия, на которую пришло больше четырёхсот откликов за неделю. Я посмотрел, как это разбирается, и понял, что мы физически не сможем прочитать всех: HR честно разбирал первые полсотни, дальше начинался случайный отбор. Мы нанимали не лучшего кандидата, а того, кто удачно попал наверх списка. Меня это разозлило: мы платим за размещение, тратим время команды на собеседования — и при этом главную часть работы, отбор, делаем наугад. Отсюда и появился этот контур. Я не искал «внедрить ИИ», я искал способ не выбрасывать людей, за показ которых уже заплачено. Ручной скрининг не масштабируется линейно. Если на вакансию приходит 400 откликов за вечер — обычное дело для массового найма, — просмотреть каждое резюме за разумное время физически нельзя. Начинается выборочная проверка: смотрят первые пятьдесят, остальное закрывают статусом «отклонено» без просмотра. Часть адекватных кандидатов теряется и вовсе не из-за того, что они не подходят: до них просто не дошла очередь. Задача автоматизации здесь конкретная — не заменить решение человека, а гарантировать, что каждый отклик хотя бы попал в поле зрения с предварительной оценкой. Дальше менеджер смотрит не 400 резюме подряд, а список, отсортированный по баллам, и тратит время на тех, у кого оценка высокая или пограничная. Как устроен отбор резюме: API, таблица, агент Дальше — сборка, которую вы можете повторить у себя. Если у вас есть площадка с откликами и таблица, вам понадобится вечер. Никакого специального софта покупать не нужно, и это тот случай, когда ваш HR справится без ИТ-отдела. Внедрение строилось в четыре шага, и порядок был важен именно такой — попытка начать сразу с автоматических приглашений здесь провалилась бы гарантированно. Структурированная таблица мониторинга вакансий. Поля под просмотры, клики, отказы, статус резюме по критериям — до всякого API. Без таблицы некуда складывать данные, которые потом принесёт агент. Подключение через API-ключи к базе данных портала. Без него всё осталось бы ручным копированием — механика та же, только медленнее. Агент, который ежедневно обращается к порталу и вытягивает новые отклики. Работает по расписанию, не по запросу человека. Автоматическое заполнение таблицы резюме с оценкой по заданным критериям. Тут в дело вступает модель — она читает текст резюме и критерии вакансии, а не просто копирует поля. На начальном этапе все решения по кандидатам остаются за менеджером. Агент не приглашает и не отклоняет — он готовит материал для решения. Это не временная перестраховка, а рабочая логика: система должна накопить обратную связь от человека, прежде чем ей можно доверить действие, а не только оценку. ИИ-связка целиком: промпт, модель, обвязка Мы собирали это неделю и переделывали дважды; я покажу сразу рабочую версию, чтобы вы не повторяли наш путь. Обратите внимание на структуру постановки: она пишется под ваши требования к вакансии, а не под «хорошего кандидата вообще». Чем точнее вы опишете, кого ищете и что для вас стоп-фактор, тем меньше вам придётся перепроверять руками. Конвейер выглядит так: портал вакансий → агент по расписанию (cron) → API портала отдаёт новые отклики → текст резюме и критерии вакансии уходят в модель на скоринг → результат пишется в Google Sheets → менеджер видит отсортированный список → решение по кандидату вручную → обратная связь возвращается в систему для донастройки критериев. Для скоринга резюме взяли дешёвую модель уровня GPT-4o-mini. Дешевле здесь не означает хуже: задача формальная: сверить текст с чётким списком критериев, не рассуждать, не сочинять. Дорогая модель с расширенным рассуждением здесь просто сжигает бюджет без прироста качества — разница в точности на этом шаге не окупает разницу в цене токена. Структура входных данных, которую агент собирает по API портала и передаёт в модель: Пример ответа модели на реальный вызов: Второй промпт — для короткого уведомления в Telegram, когда балл кандидата высокий. Тут тоже дешёвая модель: задача — переформулировать структурированные данные в две строки человеческого текста, а не анализировать. Инженерная обвязка. Агент крутится по расписанию (cron-задача, вызов раз в час), пишет результат в Google Sheets через API — таблица одновременно и хранилище, и интерфейс для менеджера. Telegram-бот подписан на изменения таблицы и присылает сводку и точечные уведомления по высоким баллам. Отдельный лист в таблице фиксирует время последнего успешного прогона агента — если метка не обновлялась дольше цикла (больше часа), это видно сразу, без сверки вручную. При сбое запроса к API портала агент делает до трёх повторных попыток с задержкой, а после третьей неудачи отправляет отдельное сообщение в служебный Telegram-канал: «синхронизация не удалась, данные могли устареть». Что видно в таблице и в боте Обратите внимание, что попадает вам на глаза, а что — вашему HR. Руководителю не нужен весь список: вам нужны отобранные кандидаты и причина отбора, чтобы вы могли спорить с логикой, а не пересматривать четыреста откликов. Два листа таблицы решают разные задачи: один показывает здоровье вакансии в целом, второй — конкретных кандидатов. Лист таблицы Что фиксирует Кто смотрит и когда Отчётность по вакансиям Дата, просмотры, клики, отказы, процент релевантных резюме, время последнего обновления Менеджер — раз в день, при подозрении на сбой — сразу Реестр откликов Критерии оценки кандидата и итоговый балл по каждому резюме Менеджер — по мере поступления уведомлений от бота Так выглядит лист «Отчётность по вакансиям» на практике — с теми же цифрами, что и в примере выше: несколько десятков откликов на портале, из них большая часть уже попала в таблицу агента, и метка синхронизации, по которой сразу видно, отстали данные или нет. Google Sheets — Отчётность по вакансии 38 откликов на портале 34 в таблице агента 92/100 лучший балл дня 14:05 время последней синхронизации Кандидат Балл Статус resp-58902 92 смотреть в приоритете resp-58831 3 смотреть в очереди Разница по времени до и после внедрения — оценка на основе описанного процесса, а не точный хронометраж. Но порядок величины отражает реальность потока в несколько сотен откликов в день. На диаграмме ниже — сравнение времени ручного просмотра всех откликов и проверки уже отобранных агентом кандидатов. 180 мин было 40 мин стало 180 минут (~3 часа) — оценочное время ручного просмотра всех откликов на активную вакансию в день; 40 минут — время на проверку уже отобранных агентом кандидатов. Обе цифры — оценка, основанная на потоке в несколько сотен откликов на вакансию. Экономия по времени не означает, что кандидатов начали смотреть меньше — их смотрят все, просто в отсортированном порядке с готовой предварительной оценкой, а не листая ленту откликов подряд. Где автоматизация сломалась в первый раз Читайте внимательно, если будете повторять: именно здесь вы потеряете время, если пойдёте нашим путём без этой поправки. И здесь я обязан сказать про свою ошибку. Когда менеджер принёс расхождение, я искал причину в оценках: правил критерии, перечитывал постановку, спорил про пороги. А ломалось не там. Часть откликов просто не доезжала с портала в таблицу, и оценивать было нечего — модель к этим людям даже не прикасалась. Я не понимал простой вещи: связку двух систем проверяют не по качеству результата, а по факту доставки данных. Если вы сейчас стоите на этом же месте — это не ваша глупость, на этом спотыкается каждый, кто первый раз сшивает своё с чужим. Расхождение между числом откликов на портале и меньшим числом в таблице — не единичный сбой, а системный риск любой интеграции через API. Портал обновляется в своём темпе, агент забирает данные в своём, и если между ними разрыв, менеджер об этом не узнаёт, пока не сверит вручную. А сверка вручную — это ровно та рутина, от которой хотели уйти. Решение — не «почини баг один раз», а встроить показатель, который сразу говорит: данные свежие или устарели. Добавили метку времени последнего обновления таблицы. Если метка отстаёт от текущего момента больше, чем на один цикл работы агента, значит синхронизация сбилась, и таблице пока верить нельзя. Где ломается Скрининг резюме ИИ не ломается на оценке кандидатов — там алгоритм чаще всего работает предсказуемо, если критерии сформулированы чётко. Он ломается на стыке систем: там, где данные с портала должны попасть в таблицу, а по факту иногда не попадают из-за разницы в темпе обновления. Любое внедрение такого рода требует отдельного контроля не качества оценки, а факта доставки данных. Второй уровень контроля: Telegram вместо второй таблицы Когда появилась метка синхронизации, вскрылась вторая проблема — поведенческая, не техническая. Менеджер не доверял таблице до конца и продолжал параллельно заглядывать на портал. Логика простая: пока нет уверенности, что системе можно доверять, приходится смотреть и там, и там — а это уже не рабочий инструмент, а ещё одна табличка, куда надо смотреть. Инструмент, который требует постоянной сверки с другим источником, не экономит время — он его удваивает. Дело было не в том, чтобы уговорить менеджера довериться таблице, а в том, чтобы вынести уведомления туда, где человек и так проверяет входящее — в мессенджер. Спроектировали Telegram-бота: раз в час — сводка по новым откликам, отдельное уведомление — каждый раз, когда появляется кандидат с высокой оценкой. Из чата можно сразу посмотреть резюме, перейти на портал, пригласить на собеседование или отклонить. Так выглядит лента уведомлений в реальном чате бота: Telegram — уведомления бота Время Сообщение 14:00 Новый кандидат 92/100 по вакансии «Менеджер по продажам». Есть опыт в отрасли и английский B2. 13:20 Синхронизация не удалась, данные могли устареть Срок на доработку — два дня, потому что база (API, таблица, агент) уже была готова, добавлялся только слой уведомлений. Здесь важна оговорка про смешение эффектов: экономию времени (3 ч → 40 мин) даёт связка API + таблица + скоринг — она сокращает сам просмотр резюме. Telegram-бот отдельно не сокращает время просмотра, он убирает необходимость параллельной сверки с порталом «на всякий случай». Этот эффект в часах отдельно не измерялся, но именно он превращает таблицу из «ещё одной таблички» в рабочий инструмент — без него часть сэкономленного времени менеджер тратил бы обратно на ручную проверку. Где ещё ломается Модель для скоринга спотыкается на нестандартных резюме: PDF, где текст на самом деле картинка, файлы без структуры, резюме на смеси языков. Без предварительного распознавания текста агент в таких случаях либо занижает балл, либо помечает резюме флагом «не удалось оценить» — и это тоже нормальный сценарий, если он попадает в поле зрения человека, а не тихо тонет в общем потоке. Отбор резюме: что остаётся за человеком и что забрать себе Отбор резюме в этой схеме не заканчивается решением: машина готовит материал, решение принимает человек. Агент обучается на обратной связи: если менеджер регулярно отклоняет кандидатов с высоким баллом по одному критерию и принимает с низким по другому, это сигнал, что критерии оценки настроены неточно. Без ручной проверки этот сигнал никто бы не увидел, и система продолжала бы штамповать оценки, не совпадающие с реальными решениями по найму. Полная автоматизация приглашений на собеседование — следующий этап, и переходить к нему стоит только после того, как накопится достаточно решений менеджера для сверки с оценками агента. Тут же встаёт вопрос данных: резюме — это персональные данные кандидатов, и что из них можно передавать в сторонние ИИ-инструменты, а что нет, разобрано отдельно в статье про персональные данные и нейросети . Экономика: что это стоит и что даёт Разработка базовой связки — таблица, API-подключение, агент со скорингом — заняла порядок нескольких дней работы одного человека, обучающегося работе с API и серверными инструментами по ходу. Доработка с Telegram-ботом добавила ещё два дня — примерно треть от времени на саму базовую связку. В пересчёте на трудозатраты разработчика весь проект укладывается в объём одной рабочей недели. Эксплуатация — вызовы дешёвой модели на скоринг и уведомления — при потоке в несколько сотен резюме в день обходится на порядок дешевле одного рабочего дня менеджера в месяц, без учёта стоимости самого API портала, если он платный. Эффект считаем отдельно от прочих инициатив по найму — это вклад именно скрининга, без учёта, например, параллельного обновления курса адаптации новых сотрудников. Формула для своего случая считается так: (часы ручного просмотра в день минус часы проверки после автоматизации) × ставка часа менеджера × число одновременно открытых вакансий × число рабочих дней в месяце = месячный эффект в деньгах. Подставим пример: отдел закрывает 3 вакансии в месяц с потоком по 300–400 откликов на вакансию. Ручной просмотр — оценочно 3 часа в день на активную вакансию, автоматизация сокращает это время до 40 минут проверки отобранных кандидатов. Разница — около 2 часов 20 минут в день на вакансию, то есть время сокращается более чем в 4 раза. При трёх параллельных вакансиях в активной фазе это суммарно около 7 часов высвобожденного рабочего времени в день — больше, чем целый рабочий день одного менеджера, — а за 20 рабочих дней набегает объём, сопоставимый примерно с тремя-четырьмя дополнительными рабочими неделями менеджера в месяц (оценка, при условии, что вакансии действительно идут параллельно и поток стабилен). Показатель До После Эффект Время на просмотр откликов, 1 вакансия/день ~3 ч (оценка) ~40 мин (оценка) сокращение более чем в 4 раза Доля восьмичасового рабочего дня, 1 вакансия ~37% дня ~8% дня высвобождается ~29% дня При 3 параллельных вакансиях — — ~7 ч/день, за месяц — 3–4 доп. рабочие недели менеджера (оценка) Разовые затраты на внедрение (разработка + бот) — сопоставимы с одной рабочей неделей разработчика (оценка) Срок окупаемости разовых затрат — меньше 2 недель при потоке из примера (оценка) Окупаемость считается прямым делением: разовые затраты на внедрение делим на дневную экономию рабочего времени, пересчитанную в деньги по ставке менеджера. В примере верхняя, консервативная граница затрат делится на консервативную дневную экономию — получаем около 10–11 рабочих дней. Даже с консервативными допущениями по обе стороны формулы срок окупаемости укладывается в пару недель, а не месяцы. Это не чистая экономия бюджета — высвобожденное время менеджер тратит на звонки и интервью, то есть эффект выражается не в снижении расходов на зарплату, а в ускорении цикла закрытия вакансии и в том, что меньше адекватных кандидатов теряется из-за физической нехватки времени на просмотр. Похожая логика перевода часов в деньги разобрана в статье про реальные расходы на ИИ в месяц — стоит свериться, прежде чем закладывать бюджет на подписки моделей под несколько процессов сразу. С чего начать в понедельник Проверьте, есть ли у портала вакансий открытый API или хотя бы экспорт откликов — без этого шаг с агентом невозможен, и придётся начинать с ручного экспорта. Соберите таблицу мониторинга с двумя листами — отчётность по вакансии и реестр откликов с критериями — до подключения любого агента. Сформулировать критерии оценки резюме в виде короткого списка, а не общих формулировок вроде «опытный специалист» — модель оценивает буквально то, что написано. Добавьте в таблицу отдельную ячейку с меткой времени последнего обновления — это дешевле, чем разбирать расхождения в данных постфактум. Запустить агента в режиме «только предлагает», без права приглашать или отклонять, минимум на несколько недель, чтобы накопить обратную связь менеджера. Настройте хотя бы одно уведомление вне таблицы — почта или мессенджер, — чтобы не создавать вторую систему, которую придётся проверять параллельно с первой. Что из этого переносится на другие процессы найма Автоматизация подбора персонала здесь строилась не как единая «умная система», а как последовательность простых блоков: сбор данных, структурирование, контроль синхронизации, уведомления. Каждый блок можно проверить отдельно и обкатать до того, как строить следующий. Похожая логика описана в статье о том, почему внедрение ИИ не работает, хотя технически всё запустилось : система, которую не с чем сверить и некому проверить, быстро превращается в фон, на который никто не смотрит. Из этого кейса при переносе на другой найм стоит забрать не саму технологию, а три привычки, на которых она держится. API и таблица дают скорость, но не гарантируют полноту данных — за это отвечает отдельная метка синхронизации, а не надежда на то, что интеграция «просто работает». Критерии оценки не калибруются сами по себе — их донастраивает человек, регулярно сверяя баллы агента с реальными решениями по найму, и без этой сверки скоринг рано или поздно начинает расходиться с практикой. И финальное решение по конкретному кандидату не стоит целиком передавать модели — и дело не в том, что она обязательно ошибётся: цена ошибки в найме выше, чем цена сорока минут ручной проверки. Конкретный портал, конкретная модель для скоринга, формат таблицы — всё это меняется под инструменты, которые уже есть в компании. Не меняется последовательность: сначала данные и их проверка, потом оценка, и только в самом конце — автоматическое действие, да и то не сразу, а после того как система докажет, что её оценкам можно доверять. И честная граница: машина отбирает и ранжирует, решение о встрече принимаете вы. Не потому что технология слабая, а потому что ответственность за найм нельзя делегировать никому — ни машине, ни рекрутеру. Теперь главное, ради чего я вообще это описал. Умение поставить машину на входе в свой процесс — это управленческий навык, такой же обязательный, как умение читать отчёт о деньгах. Я вижу это по себе: раньше у меня было два хода — догрузить человека задачами или нанять ещё одного. Теперь есть третий: описать критерии так точно, чтобы поток разбирался без моего участия. Руководитель, который умеет масштабировать работу через машину, стоит дороже руководителя, который умеет только раздавать поручения людям. Учиться этому придётся, и лучше сейчас, пока это ещё преимущество, а не минимальное требование к должности. Первое движение — на этой неделе, оно занимает полчаса: откройте последнюю закрытую вакансию и посчитайте, сколько откликов реально открыли глазами. Я в свой раз считал с очень неприятным чувством. Эта цифра и есть размер вашей утечки, и пока вы её не назвали, чинить нечего. Если у вас поток откликов и вы хотите собрать такой отбор у себя, механика — в бесплатном курсе : там же готовые постановки для первичного разбора.