AI-система 360-градусной оценки сотрудников
360-feedback в большинстве компаний — это Google Forms, 50 вопросов, средние оценки в Excel и финальный отчёт, который никто не читает глубже первой страницы. AI не автоматизирует этот процесс — AI делает его другим: анализирует качественные текстовые ответы, выявляет паттерны, которые не видит аналитик на выборке из 200 анкет, и переводит нарратив в структурированные инсайты.
Главная проблема — текстовые ответы
Количественные метрики из 360-оценки легко агрегировать. Сложность — в текстовых комментариях: «умеет слушать, но иногда принимает решения слишком быстро», «хотелось бы больше прозрачности в расстановке приоритетов». Это gold data, но её объём несопоставим с возможностями ручной обработки.
Компания с 500 сотрудниками, 10 ревьюеров на человека, 3 открытых вопроса = 15 000 текстовых ответов на один цикл оценки. HR-аналитик физически не может извлечь сигнал из этого массива.
Что делает AI-система
Тематический анализ и кластеризация обратной связи
Каждый текстовый комментарий проходит NLP-пайплайн:
-
Sentiment analysis на уровне аспектов (aspect-based sentiment analysis, ABSA). Не «комментарий позитивный», а «коммуникация — позитивно, управление временем — негативно». Используем модели типа cardiffnlp/twitter-roberta-base-sentiment или fine-tuned BERT на HR-корпусе.
-
Тема-экстракция — BERTopic или кастомная кластеризация через embeddings (sentence-transformers/paraphrase-multilingual-mpnet-base-v2 + UMAP + HDBSCAN). Кластеры тем обновляются от цикла к циклу, не фиксированы.
-
Сравнение с self-assessment — выявляем gap между самооценкой сотрудника и оценками коллег. Расхождение > 1.5 σ по теме — сигнал для разговора с менеджером.
Анонимизация и защита от деанонимизации
Технически сложная часть. Если группа ревьюеров маленькая (3–4 человека), конкретный комментарий легко атрибутировать. Система применяет k-анонимность: комментарии с уникальными стилистическими маркерами (очень специфичный стиль, уникальные фразы) обобщаются или исключаются из индивидуального отчёта, но включаются в агрегированную статистику отдела.
Дополнительно — author identification через stylometry отключается на уровне архитектуры: LLM, обрабатывающий комментарии, не получает метаданные ревьюера.
Динамические компетенции под роль
Разные роли требуют разных весов компетенций. Для tech lead критична «техническая экспертиза» и «менторинг», для продажника — «построение отношений» и «достижение целей». Система конфигурируется под ролевые профили. Итоговый скор — взвешенная сумма с ролевыми весами, а не универсальный рейтинг.
Практический кейс
Клиент — финтех-компания, 350 сотрудников, полугодовой цикл 360-feedback. До внедрения: анкеты в Typeform, обработка вручную двумя HR-аналитиками за 3 недели, отчёт на 5 страниц на сотрудника — общий текст без конкретики.
Внедрили: сбор через кастомный интерфейс → LLM-извлечение аспектов и тем (GPT-4o с function calling) → ABSA-модель для sentiment по каждому аспекту → BERTopic-кластеризация по всей компании → генерация персональных отчётов (LLM с шаблоном + retrieved данные) → дашборд для HRBP в Metabase.
Результат: время обработки одного цикла сократилось с 3 недель до 4 часов. HR-аналитики перешли от агрегации к интерпретации. Сотрудники оценили конкретность отчётов: 78% отметили, что получили «actionable feedback» vs 41% до внедрения (NPS-опрос).
Компоненты системы
| Модуль | Технологии |
|---|---|
| ABSA | fine-tuned BERT, GPT-4o с structured output |
| Тематическая кластеризация | BERTopic, UMAP, HDBSCAN |
| Embeddings | paraphrase-multilingual-mpnet-base-v2, text-embedding-3-large |
| Анонимизация | k-анонимность, stylometry-фильтрация |
| Генерация отчётов | LLM + шаблоны (Claude 3.5, GPT-4o) |
| Дашборд | Metabase, Grafana, кастомный React UI |
Важное об ограничениях
AI-система не заменяет разговор менеджера с сотрудником — она готовит к нему. Автоматически сгенерированный отчёт — это стартовая точка, не приговор. Если система находит паттерн «низкая оценка по коммуникации от 7 из 9 ревьюеров» — это повод для диалога, а не для PIP.
Также: система должна быть прозрачна для сотрудников. Они должны знать, что текстовые ответы обрабатываются AI, но не используются для прямой атрибуции. Это требование не технического, а организационного характера.
Сроки: интеграция с существующим инструментом сбора (Typeform, Google Forms, внутренний инструмент) — 3–4 недели. Полная система с кастомным интерфейсом, ролевыми профилями и дашбордом — 2–3 месяца.