HR разбирает результаты опроса вовлечённости нейросетью за 20–30 минут вместо нескольких часов ручного чтения открытых ответов: модель группирует комментарии по темам, считает долю позитивных и негативных ответов по отделам и выделяет цитаты, которые стоит показать руководству. Хорошо справляются GigaChat, YandexGPT, ChatGPT, Claude и DeepSeek.
Что делает модель
Разбор открытых ответов опроса вовлечённости на 100–150 сотрудников нейросеть собирает в сводку за 20–30 минут, по нашему опыту внедрений: темы жалоб, доля позитивных ответов по отделам, ключевые цитаты для руководства.
Опрос вовлечённости обычно даёт закрытые вопросы с оценкой по шкале и открытые вопросы с текстовым комментарием — закрытые вопросы легко считает любая таблица, а вот сотни текстовых комментариев вручную читать долго. Модель группирует комментарии по повторяющимся темам и считает, как часто каждая тема встречается.
- Группировка открытых комментариев по повторяющимся темам
- Подсчёт доли позитивных, нейтральных и негативных ответов по отделам
- Выделение цитат, которые точно отражают частую тему
- Сравнение текущего опроса с результатами прошлого периода
Данные опроса вовлечённости можно использовать и для другой задачи — прогноза оттока сотрудников, разобранного в статье про нейросеть для прогноза оттока сотрудников: там опрос — лишь один из источников данных среди прочих, здесь — отдельный глубокий разбор именно результатов опроса.
Опрос вовлечённости обычно проводится анонимно, и это стоит учитывать при подборе модели: облачный сервис получает текст комментария без привязки к имени сотрудника, но сама компания перед загрузкой должна убедиться, что из текста комментария нельзя случайно опознать автора по косвенным деталям.
Число тем, которые модель выделяет из одного опроса, стоит держать в разумных пределах — три-пять основных направлений читаются и запоминаются руководством лучше, чем длинный список из пятнадцати мелких категорий с похожим смыслом и мелкими нюансами формулировок.
Модель для разбора
Модель для разбора опроса подбирается по объёму текстовых комментариев и по чувствительности данных сотрудников. GigaChat и YandexGPT держат данные внутри страны, что снимает часть вопросов при работе с персональными оценками сотрудников.
- GigaChat — данные внутри страны, подходит для регулярных опросов
- YandexGPT — быстрый разбор короткого опроса на один отдел
- ChatGPT и Claude — точнее группируют разнородные темы в большом опросе
- DeepSeek — дешёвый вариант для предварительного черновика сводки
При опросе на несколько сотен сотрудников комментарии стоит подавать частями по отделам вместо одного массива сразу — так итоговая сводка получается точнее и её проще проверить построчно.
Для международной компании с филиалами в разных городах полезно сначала прогнать разбор по каждому городу отдельно, а затем сравнить итоговые темы между собой — иногда жалоба, характерная для одного филиала, теряется в общей сводке по всей компании и остаётся незамеченной руководством.
DeepSeek подходит для самого первого черновика сводки, который HR потом дорабатывает более точной моделью — двухшаговый разбор ощутимо снижает расход токенов на объёмном опросе без потери качества финальной версии.
Промпт для разбора
Хороший промпт для разбора опроса задаёт и структуру вывода, и уровень обобщения — без явного указания модель либо пересказывает каждый комментарий отдельно, либо, наоборот, обобщает слишком грубо.
- Задайте роль: «Ты HR-аналитик, разбираешь открытые ответы опроса вовлечённости»
- Вставьте комментарии одного отдела или группы сотрудников
- Попросите выделить три-пять повторяющихся тем с частотой упоминания
- Уточните, что нужны конкретные цитаты вместо общего пересказа
- Попросите отдельно отметить резкие или тревожные формулировки
Сколько сотрудников участвует в опросе вовлечённости вашей компании?
Хороший ответ модели укладывается в короткую сводку из трёх-пяти тем с цифрой по частоте и парой цитат на тему — подробный построчный пересказ каждого комментария для итогового отчёта избыточен.
Полезная деталь промпта — попросить модель отдельно выделить предложения сотрудников вместо одних только жалоб: конструктивная идея по улучшению процесса часто теряется среди эмоциональных комментариев без явной установки модели её искать.
Что проверяет HR
Модель хорошо группирует темы и считает частоту, но интерпретация цифр в контексте конкретной компании — задача HR: одна и та же доля негативных ответов в отделе с высокой текучкой и в стабильном отделе значит разное.
| Задача | Что делает модель | Что проверяет HR |
|---|---|---|
| Группировка тем | Выделяет повторяющиеся темы из комментариев | Точность группировки — нет ли смешения разных тем в одной группе |
| Резкие цитаты | Отмечает тревожные формулировки отдельно | Контекст — единичный случай или системная проблема |
| Динамика | Сравнивает с прошлым опросом по темам | Совпадение сравнения с реальными изменениями в отделе |
Особенно внимательно стоит проверять резкие цитаты о конкретном руководителе или конфликте в команде — модель выделяет формулировку как тревожную по тону, но решение, требует ли это отдельного разговора, принимает HR по контексту, которого нет в тексте комментария.
Сравнение по отделам стоит читать с поправкой на размер отдела — три негативных комментария в команде из пяти человек значат больше, чем те же три комментария в отделе из пятидесяти сотрудников. Модель считает долю в процентах, но масштаб отдела всё равно стоит держать в голове при интерпретации итоговой цифры.
Итоговую сводку стоит хранить вместе с сырыми комментариями хотя бы полгода — если тема поднимется на встрече с руководством, HR сможет быстро поднять исходные цитаты вместо пересказа по памяти.
Как внедрить разбор
Внедрение стоит начинать с уже собранного опроса прошлого периода — так сразу видно, совпадает ли сводка модели с тем, что HR помнит по итогам ручного чтения комментариев в тот раз.
Возьмите комментарии одного отдела из последнего опроса, прогоните через модель и сравните итоговые темы с тем, что HR выделил вручную при первом чтении.
Хороший побочный эффект регулярного разбора — HR быстрее замечает, что одна и та же тема повторяется от опроса к опросу без изменений: это сигнал, что предыдущие меры по её решению остались формальностью и стоит попробовать другой подход.
Первый разбор стоит показать HR-директору вместе с исходными комментариями за тот же период — так сразу видно, доверяет ли руководство сводке модели или предпочитает по-прежнему читать часть комментариев самостоятельно.
Со временем полезно собрать библиотеку прошлых сводок по кварталам — так новый HR-специалист быстро видит историю тем компании, вместо того чтобы восстанавливать контекст по разрозненным файлам прошлых опросов и черновикам старых презентаций.
Опрос вовлечённости — один из процессов, которые закрывает более широкий ИИ-агент для HR-отдела, разобранный в статье про ИИ-агента для HR-отдела.
Стандартизация такого разбора на регулярные квартальные опросы — тема отдельного обучения HR-команды, формат разобран в разделе про обучение сотрудников работе с ИИ.