HR открывает должностную инструкцию сотрудника и должен превратить общие формулировки вроде «обеспечивает своевременную обработку заявок» в измеримые показатели для квартальной оценки — нейросеть предлагает черновой набор KPI по каждому пункту обязанностей за одну сессию вместо нескольких часов подбора метрик вручную.
Что делает модель
По прайсам сервисов на сентябрь 2026, нейросеть предлагает 3–5 измеримых KPI на одну позицию из текста должностной инструкции за 10–15 минут вместо получаса-часа подбора метрик HR-специалистом вручную по каждой роли.
Должностная инструкция описывает обязанности словами вроде «контролирует сроки поставки» или «ведёт документооборот отдела» — формулировки, которые сложно измерить напрямую. Задача HR — перевести каждый пункт в конкретную метрику с числом и периодом — вместо «контролирует сроки» получить «доля поставок без просрочки за квартал, минимум 92%».
Модель читает должностную инструкцию целиком и по каждому смысловому блоку обязанностей предлагает один-два измеримых показателя с указанием, откуда брать данные — из CRM, тикет-системы, 1С или табеля. Дальше HR отбирает из предложенного набора те показатели, для которых данные реально доступны в компании, и согласовывает формулировку с руководителем отдела.
Например, для менеджера по закупкам с обязанностью «контролирует сроки поставки и качество продукции от поставщиков» модель обычно предлагает три показателя: долю поставок без просрочки за квартал, средний срок обработки заявки на закупку и долю возвратов по браку от поставщика. Первые два легко считаются по данным из учётной системы, третий требует, чтобы склад фиксировал причину возврата отдельным полем — если такого поля нет, HR ставит задачу завести его прежде, чем включать показатель в оценку.
Подбор модели
GigaChat и YandexGPT достаточно уверенно работают с типовыми должностными инструкциями на русском и держат данные о структуре компании внутри страны — подходящий подбор, если инструкции содержат внутренние названия систем и отделов. ChatGPT и Claude точнее формулируют сами метрики, особенно для нетиповых ролей вроде продакт-менеджера или методиста, где сложно с ходу подобрать понятный числовой показатель.
Для инструкций, где обязанности прописаны расплывчато — «участвует в развитии направления», «взаимодействует со смежными отделами» — полезен запрос уточнений у модели перед тем, как получить финальный список KPI. Подбор модели тут вторичен по отношению к качеству самого текста должностной инструкции: чем конкретнее сформулированы обязанности, тем точнее показатели на выходе.
DeepSeek пригождается при массовой прогонке всех должностных инструкций компании за один заход — например, когда HR готовит KPI сразу для полусотни позиций перед внедрением новой системы оценки. Здесь важнее скорость и низкая цена запроса, чем тонкость формулировки, а результат по каждой роли всё равно проходит проверку HR перед согласованием с руководителем.
Шаблон промпта
- Загрузить полный текст должностной инструкции и указать название отдела и уровень позиции.
- Попросить модель разбить обязанности на смысловые блоки и предложить по одному-два KPI на каждый блок.
- Задать формат ответа таблицей: обязанность, показатель, единица измерения, источник данных.
- Отдельным запросом попросить модель отметить, для каких показателей нужны данные, которых в компании пока нет.
По какой роли в компании сложнее всего сформулировать KPI?
Последний шаг сокращает согласование с руководителем отдела с нескольких дней переписки до одной встречи: HR сразу приносит список метрик с пометкой, какие данные уже собираются, а какие придётся отложить до внедрения нужной системы учёта.
Где нужен человек
| Задача | Модель | HR |
|---|---|---|
| Разбить обязанности на блоки | Да | Проверяет полноту разбивки |
| Предложить формулировку KPI | Да | Отбирает измеримые варианты |
| Проверить наличие данных в системах | Частично | Подтверждает вместе с руководителем отдела |
| Согласовать вес показателя в оценке | Нет | Всегда решение HR и руководителя |
Модель без контекста компании может предложить KPI, который выглядит логично на бумаге, но стимулирует сотрудника гнаться за цифрой в ущерб качеству работы — например, «число закрытых заявок в день» без учёта сложности заявки. Проверка на такие перекосы и финальное согласование веса каждого показателя в общей оценке остаются за HR и руководителем отдела.
Ещё один момент, который модель без подсказки упускает, — сезонность роли. У логиста в декабре объём заявок обычно выше среднего по году, и жёсткий числовой план, рассчитанный по среднегодовым данным, в декабре автоматически выглядит невыполнимым, а летом при пиковой загрузке склада — заниженным. Такие сезонные поправки к формулировке KPI вносит HR вместе с руководителем отдела, опираясь на историю нагрузки за прошлые периоды.
Похожий перекос возникает с KPI по срокам без учёта загрузки: сотрудник поддержки формально закрывает заявки быстрее, если начинает с простых и откладывает сложные на конец месяца. Такую связь между показателем и поведением сотрудника модель улавливает только при явном указании в промпте — заметить перекос и скорректировать формулировку KPI приходится HR вместе с руководителем отдела, опираясь на знание реальной работы команды.
Частые ошибки
- Брать предложенный KPI в оценку без проверки, собираются ли данные для него хоть в одной системе компании.
- Ставить показатель по количеству без учёта качества — модель предлагает и то, и другое, а в оценку часто попадает только количество.
- Использовать один и тот же шаблон KPI для разных уровней позиции — для junior и руководителя отдела веса показателей должны различаться.
- Вводить новые KPI сотруднику без обсуждения — согласование с человеком, для которого меняется система оценки, обязательно.
Сама должностная инструкция, из которой берутся формулировки обязанностей, — отдельная задача, разобранная в статье про должностные инструкции на весь штат: там модель пишет сам текст инструкции, здесь — выводит показатели из уже готового текста. Похожий принцип «метрика из качественного текста» разобран для опросов персонала в статье про разбор опроса вовлечённости.
На практике внедрений разбор KPI для отдела из 15–20 позиций занимает у HR один-два дня вместо недели ручного подбора метрик по каждой роли отдельно — основное время уходит на согласование итоговых формулировок с руководителями отделов, а генерация вариантов моделью занимает малую часть этого срока. Для компании из четырёх-пяти отделов такой пересмотр KPI по всему штату укладывается в одну-две недели вместо полутора-двух месяцев, которые обычно закладывают на ручной подбор показателей для каждой должности.
Общий обзор задач HR, которые уже закрывает ИИ-агент — от подбора кандидатов до кадрового документооборота, — собран в статье про ИИ-агента для HR-отдела. Разобраться, как ставить такие сценарии на поток внутри команды HR, помогает программа обучения сотрудников работе с нейросетями.