В статье разбираем 5 направлений ИИ в HR-2026: где он уже даёт измеримый результат у Альфа-Банка, X5, Магнита, Билайна, МегаФона и Сбера, а где остаётся черновиком.
Карта 5 направлений ИИ в HR-2026
ИИ в HR работает не одним сценарием, а 5 разными направлениями с принципиально разной зрелостью технологии. Задачи рекрутинга, обучения и оценки требуют разных моделей: где-то скоринговая классификация, где-то генерация текста, где-то предиктивная аналитика поведения. Поэтому корректнее говорить не «компания внедрила ИИ», а «компания внедрила ИИ в подбор» или «в адаптацию».
Использование ИИ в HR-процессах: цифры по направлениям
Цифры подтверждают этот разрыв по направлениям. По тому же опросу hh.ru, «искусственный интеллект лучше всего зарекомендовал себя в подборе персонала: 31% компаний уже используют ИИ в этом направлении». Дальше идут:
- подбор персонала — 31%;
- кадровое администрирование — 22%;
- обучение и развитие — 17%;
- адаптация — 15%;
- целеполагание и оценка — 11%;
- расчёт зарплат и премий — 7%;
- управление карьерным ростом — 6%.
То есть подбор лидирует с двукратным отрывом от ближайшего направления.
ИИ-агенты и роботизация: пять сценариев работы технологии
Карта направлений выстраивается так:
- ИИ в найме — скрининг резюме, чат-боты в массовом подборе, автоматизация коммуникации с кандидатами.
- ИИ в обучении и адаптации — персональные ассистенты сотрудника, рекомендательные модели обучающих треков.
- ИИ в HR-аналитике — предиктивные модели оттока, оценка рисков выгорания.
- ИИ в оценке и performance — цифровые двойники ролей, оценка компетенций.
- ИИ-грамотность HR и сотрудников — новый базовый навык для работы с инструментами.
«ИИ-грамотность перейдёт из разряда nice-to-have в must-have. Речь не просто о знании паттернов эффективной работы, а об умении делегировать ИИ часть действий, не передавая ему само мышление и ответственность за решения». — Иван Меркурьев, Senior Product Manager в Яндексе.
Направление 1 — ИИ в найме
Подбор — направление с самым высоким уровнем adoption ИИ в HR. На это есть две причины: рекрутинговая воронка наиболее измерима, а её операции — скрининг резюме, первичные интервью, рассылки кандидатам — наиболее рутинны и алгоритмизируемы.
Компании, использующие ИИ в рекрутинге, отмечают ускорение процесса найма в среднем на 30%. Исследования прямо подчёркивают: полная автоматизация без участия человека пока невозможна из-за сложности оценки soft skills.
Внутри направления выделяются четыре подзадачи:
- автоматизация скрининга;
- массовый подбор;
- коммуникация с кандидатами;
- обратный сценарий, где ИИ помогает кандидату найти подходящую вакансию.
Скрининг резюме и интервью: Alfa AI
Альфа-Банк разработал Alfa AI — систему автоматического скрининга кандидатов на позицию системного аналитика. Бот ведёт диалог с кандидатом по базе закрытых и открытых вопросов и формирует оценку знаний и навыков по унифицированной модели. За три года решение масштабировано на банковский ИТ.
Главное здесь — не сама автоматизация, а сдвиг в воронке:
- летом 2023 года скрининг успешно проходили 44% кандидатов;
- в 2025 году показатель вырос до 83–84%;
- время анализа обратной связи сократилось с нескольких часов до нескольких секунд.
По данным корпоративного блога Альфа-Банка на Habr, рост успешного прохождения связан не с тем, что бот «снизил планку», а с тем, что в воронку стали попадать более релевантные кандидаты благодаря калибровке базы вопросов.
Массовый подбор: X5 и Магнит
Массовый подбор — отдельная задача с другой экономикой. Там, где для специалиста рекрутер потратит несколько часов на одно интервью, на массовых позициях это та же работа, умноженная на сотни откликов в неделю. Здесь ИИ-рекрутер закрывает не «скрининг», а весь первичный цикл коммуникации.
X5 Group. В январе 2026 компания завершила пилот полного цикла подбора массового персонала с ИИ-рекрутером для сети «Пятёрочка». Цифровой рекрутер ищет кандидатов, анализирует резюме, проводит первичные собеседования и даёт рекомендации по найму. Пилот показал увеличение качества подбора кандидатов до 85%. Технология готовится к масштабированию на все массовые вакансии X5.
Магнит. Компания пошла по похожему пути и внедрила ИИ-ассистента Polina AI от ITFB Group для массового подбора по ключевым позициям — кассиры, администраторы, ресепшн, call-центр. Polina AI автоматизирует первичный отбор и коммуникацию с кандидатами. По данным вендора, найм идёт в 3 раза быстрее, при этом получается найти в 2−4 раза больше релевантных кандидатов по каждой позиции. Инструмент уже масштабирован.
Коммуникация с кандидатами: Билайн
Отдельная подзадача — индивидуализированная коммуникация. В 2024 году Билайн внедрил чат-боты HR Messenger для профподбора массовых позиций. Бот не ограничивается обзвоном по сценарию: бот ведёт коммуникацию под профиль кандидата — отвечает на вопросы по условиям, согласовывает время интервью, напоминает о встрече.
Использование чат-ботов в процессе профподбора в Билайне сэкономило более 200 часов ежемесячно. Параллельно адаптация в формате автоматизированного справочника снижает текучесть на ранних сроках. Конкретно эта метрика даёт оценку реальной нагрузки, которую раньше нёс рекрутер на рутинных коммуникациях.
Инверсия: ИИ на стороне работодателя
В апреле 2026 Альфа-Банк запустил инверсную модель — ИИ-агенты на сайте job.alfabank.ru читают загруженное резюме и предлагают подходящие вакансии кандидату, форма отклика заполняется автоматически. По данным пресс-релиза в Ведомостях, Альфа позиционирует это как первое на рынке решение со стороны компании-работодателя, а не job-агрегатора. Метрик по конверсии пока нет — релиз свежий.
Эта инверсия — отдельный сюжет, который меняет логику воронки. Обычно ИИ помогает HR искать кандидата; здесь ИИ помогает кандидату найти компанию, для которой он подходит, до того как HR увидит его резюме среди сотен других.
Новый инструмент
асинхронной коммуникации
Направление 2 — ИИ в обучении и адаптации
После найма ИИ продолжает работать с сотрудником — но в принципиально другой логике. Подбор закрывается как разовая задача с пиком нагрузки; обучение и адаптация — постоянное сопровождение в течение всего срока работы. Обучение и развитие сегодня закрывают ИИ-решения у 17% компаний, адаптация — у 15%.
Где ИИ помогает:
- повторяющиеся обучающие сценарии;
- ответы на типовые вопросы новичка;
- рекомендации обучающих треков;
- поиск пробелов в компетенциях.
Где нужен человек:
- личная адаптация в команде;
- отношения с руководителем;
- неформальная корпоративная культура;
- сложные конфликтные ситуации.
В июле 2025 МегаФон запустил ИИ-помощника «Ежедневный герой» — виртуального персонального коллегу для менеджеров по продажам в салонах объединённой розничной сети МегаФона и Yota. По данным корпоративного релиза МегаФона, помощник живёт в телефоне сотрудника, обучает, оценивает в работе и поддерживает по типовым кейсам. Решение масштабировано на всю розничную сеть. Конкретные метрики производительности компания пока не публикует — кейс свежий и измеряется на длинной дистанции.
Логика МегаФона показывает разницу с найм-ботами. ИИ-помощник продавца работает не «инструментом HR», а инструментом линейного сотрудника. Он встроен в ежедневную работу, не запускается раз в полгода на performance review. С точки зрения внедрения это другой класс задачи: меньше про скоринг, больше про generation — генерация подсказок, ответов, обучающих микросессий.
Направление 3 — ИИ в HR-аналитике и предиктивном удержании
ИИ помогает нанимать и удерживать сотрудников. В этом направлении используется отдельная модель — обученная на сигналах поведения, не на резюме и интервью. Предиктивная аналитика смотрит на динамику нагрузки, паттерны переработок, частоту больничных, изменения в активности на рабочих платформах — и подсвечивает руководителю риск ухода или выгорания сотрудника до того, как он напишет заявление.
Базовый российский кейс этого направления — модель оттока на платформе «Пульс», она же СберПульс. ИИ-модель в реальном времени анализирует время начала и окончания рабочего дня, нагрузку, больничные, отпуска, настроение в команде и реагирует на отклонения, подсвечивая руководителю риски выгорания. Работодатель ежегодно сохраняет на 10% больше сотрудников благодаря работе ИИ-модели.
Кейс СберПульс — 2023 года, и это симптом самого направления: свежих развёрнутых российских кейсов предиктивной HR-аналитики с публичными метриками 2025–2026 пока мало. Внутри крупных компаний модели работают, но публично не раскрываются. Возможно, причина в чувствительности темы: предиктивное удержание граничит с предиктивным сокращением, и работодатель не торопится рассказывать о деталях.
Сейчас HR-аналитика находится в фазе «технология работает, но публичных кейсов мало». Внедрение ИИ занимает 11% в целеполагании и оценке, 6% в управлении карьерным ростом. Внутри этого направления и развивается следующая подзадача — performance.
Направление 4 — ИИ в оценке и performance
Оценка и performance — направление с самым низким уровнем внедрения. Причина простая: soft skills и качество принятых решений трудно алгоритмизируются. ИИ хорошо сводит количественные KPI к одной таблице, но не понимает, было ли решение руководителя «правильным» в контексте трёх изменений рынка за квартал.
На конференциях 2026 года направление обсуждается активно — например, в докладе ФСК на «Цифровизации HR 2026» речь идёт о цифровых двойниках ролей: ИИ моделирует профиль компетенций позиции и сравнивает с фактическим профилем сотрудника. Но публичных кейсов внедрения с измеримой метрикой пока почти нет, и компании остаются на пилотах.
Барьер здесь не технологический, а методологический. Цифровая оценка работает там, где есть стандартизованные критерии. На уровне линейных функциональных ролей критерии формализованы, и ИИ помогает; на уровне руководителей и кросс-функциональных команд критерии размыты — и ИИ становится чёрным ящиком, чьи решения сложно объяснить ни сотруднику, ни самому HR.
Практическая логика выстраивается так:
- для линейных ролей — оценка по компетенциям через ИИ при понятной матрице;
- для руководителей и сложных ролей — экспертная оценка с ИИ-черновиком;
- для HR — проверка логики модели перед любым кадровым решением.
В этом сценарии ИИ работает как помощник аналитика, а не как принимающий решение.
Направление 5 — ИИ меняет требования к HR и сотрудникам
Пятое направление — про обратную сторону внедрения. ИИ меняет HR-процессы и требования к людям по обе стороны воронки.
Что меняется для сотрудников:
- ИИ-навыки становятся частью резюме;
- соискатели используют нейросети как рабочий инструмент;
- рынок начинает учитывать ИИ-грамотность в зарплатных ожиданиях.
Что меняется для HR:
- рекрутер пишет промпты под вакансию;
- проверяет выборки ИИ-рекрутера;
- видит систематические ошибки модели;
- понимает ограничения генеративных инструментов.
Скорость изменений на стороне кандидатов видна по росту резюме с упоминанием ИИ-навыков. В 2025 году число резюме с упоминанием ИИ-навыков увеличилось на 167% за год, а средние зарплатные ожидания кандидатов выросли на 16%. Нейросети стали стандартным рабочим инструментом во многих сферах, и соискатели указывают навык в резюме, чтобы повысить конкурентоспособность.
На стороне HR смена требований идёт другим путём. Рекрутер 2026 года работает не «оператором ATS», а человеком, который умеет писать промпты, проверять выборки ИИ-рекрутера, дообучать модель на специфике своей отрасли. Часть задач, которые раньше выполняла команда из 5 рекрутеров, теперь закрывает один рекрутер с настроенным ИИ-агентом. Но именно этот один рекрутер должен понимать, где ИИ галлюцинирует, где он систематически отсекает нужных кандидатов и почему.
Новое требование меняет и подход к найму HR-команды. Раньше при подборе рекрутера смотрели на знание ATS и метрик воронки; сейчас добавляются вопросы про опыт работы с ИИ-инструментами и понимание ограничений генеративных моделей.
Барьеры — 54% готовы, менее 30% умеют
Главный тормоз внедрения ИИ в HR на сегодняшний день — это разрыв между готовностью HR делегировать задачи ИИ и реальной компетенцией работы с инструментом. HR-команды уже видят пользу технологии, но часто не умеют ставить задачу, проверять результат и управлять ошибками модели.
Компетенции HR: промпты, выборки, систематические ошибки моделей
Разрыв проявляется на трёх уровнях:
- Компетенции. Рекрутер видит, что ИИ-инструмент существует, но не умеет писать промпты под конкретную вакансию, не понимает, какие данные в обучающей выборке смещают результат.
- Стратегия. HR-департамент покупает решение «потому что у конкурентов есть», без чёткой картины, какую задачу решает и как измерять успех.
- Инфраструктура. Внутренние данные о кандидатах и сотрудниках разбросаны по 5 системам, ИИ-инструмент работает на части данных и даёт смещённые рекомендации.
Стратегия внедрения: одна задача, одна метрика, одна команда
Без проработки стратегии любое внедрение превращается в локальный пилот, который не масштабируется и через год тихо отмирает.
«Без стратегии внедрение превращается в эксперимент с непредсказуемым исходом». — Екатерина Баталина, директор практики по управлению персоналом, организационному дизайну и изменениям, «Технологии Доверия».
Одна задача — узкий участок HR-процесса, где ИИ снимает конкретную нагрузку: первичный скрининг резюме, ответы кандидатам, подбор персонала на массовые позиции, адаптационные подсказки для новичков. Не стоит начинать с идеи «внедрить искусственный интеллект в HR». Рабочая цель звучит иначе: «сократить первичный скрининг резюме с двух дней до четырёх часов» или «повысить конверсию из отклика в интервью на 15% без падения качества кандидатов». Так команда быстрее увидит эффект и не утонет в настройке всего контура управления персоналом.
Одна метрика — показатель, по которому команда заранее решает, успешен ли пилот. Для найма подойдут срок закрытия вакансии, стоимость контакта, конверсия из отклика в интервью или доля кандидатов, дошедших до офера. Метрика нужна до старта, а не после первых результатов. Иначе ИИ-проект легко защитить красивой презентацией, но трудно связать с реальной экономией времени и денег.
Одна команда — небольшой круг людей, которые отвечают за результат. В него входят HR-владелец процесса, представитель ИТ, специалист по безопасности данных и бизнес-заказчик.
- HR-владелец процесса — формулирует задачу.
- ИТ — отвечает за интеграцию.
- Безопасность — задаёт границы доступа к данным.
- Бизнес-заказчик — оценивает эффект.
При таком распределении ролей компания не отдаёт решение алгоритму, а получает управляемый инструмент для работы с людьми.
Итеративная настройка: как использование ИИ в HR доводят до результата
После запуска пилот нельзя оставлять в режиме автопилота. Команде нужен короткий цикл проверки: раз в одну-две недели смотреть, кого алгоритм отобрал, кого отклонил, где рекрутер не согласился с рекомендацией и почему. Такие разборы показывают точность модели и слабые места HR-процесса: неполные описания вакансий, размытые требования, разные критерии оценки у нанимающих руководителей.
Отдельно стоит фиксировать ошибки ИИ. Если система регулярно отсеивает сильных кандидатов из-за нестандартного опыта, перерыва в карьере или непривычных формулировок в резюме, модель нужно донастраивать. В подборе персонала это критично: алгоритм ускоряет воронку, но при слабом контроле начинает масштабировать старые ошибки компании.
Финальный этап — решение о масштабировании. Пилот стоит расширять после проверки трёх условий:
- метрика улучшилась;
- качество решений не просело;
- HR-команда понимает ограничения инструмента.
Тогда использование ИИ в HR переходит из эксперимента в рабочий процесс, где технология помогает быстрее принимать решения, но не заменяет профессиональную оценку человека.
Когда начинать — сегодня рано, завтра поздно
Главный вопрос для HRD сейчас — не «внедрять ли ИИ», а «когда и где». ИИ-трансформация HR идёт быстрее, чем команды успевают учиться: технология опережает компетенции на год-полтора. При этом зрелость самой технологии всё ещё на начальном уровне — ставить ИИ во главу решений о людях рано.
Внедрение ИИ в HR процессы: кейс Сбера и переход за «помощника аналитика»
Кейс Сбера в феврале 2026 года показал, насколько жёстким может быть применение ИИ в HR. Сбербанк сократил 20% сотрудников центрального аппарата из-за внедрения ИИ. Мультиагентная ИИ-система анализировала эффективность и проектные команды, рекомендации системы учли при принятии решения о сокращении.
Кейс важен не цифрой увольнений, а тем, что ИИ перешёл из режима «помощник аналитика» в режим «инструмент принятия кадровых решений». Это качественный скачок, и он показывает, что окно для подготовки закрывается быстрее, чем кажется. Адаптация к новой роли ИИ в HR встаёт не задачей на 2030 год, а задачей на ближайшие 12–18 месяцев. Те, кто запустят пилот сейчас, успеют пройти кривую обучения до того, как ИИ-зрелость станет требованием рынка, а не его преимуществом.
«Сегодня рано, а завтра будет поздно. Мы не заметим этого фазового перехода, когда он случится». — Герман Греф, председатель правления, Сбербанк.
Границы автоматизации: одно направление вместо пяти одновременно
Практический вывод для HRD среднего и крупного бизнеса в 2026 году — выбрать одно направление из пяти, под которое в компании уже есть данные, экспертиза и измеримая боль. Не стоит запускать искусственный интеллект сразу во все HR-процессы. Такой подход размывает фокус, перегружает команду и усложняет оценку результата.
Перед стартом стоит проверить направление по трём критериям:
- Есть повторяемая задача. ИИ лучше работает там, где процесс состоит из типовых операций: скрининг резюме, ответы кандидатам, подбор персонала на массовые позиции, адаптационные подсказки, первичная аналитика по оттоку.
- Есть данные для обучения и проверки. Алгоритму нужны резюме, история откликов, статусы кандидатов, результаты интервью, данные по текучести или прохождению обучения. Если данные хранятся в разных системах и не связаны между собой, пилот начнёт давать смещённые выводы.
- Есть понятная метрика успеха. Для подбора подойдут срок закрытия вакансии, стоимость найма, конверсия из отклика в интервью, доля кандидатов, дошедших до офера. Для обучения — скорость выхода новичка на план, доля завершённых курсов, число обращений к наставнику.
Начинать лучше с направления, где эффект проще посчитать. Обычно таким сценарием становится подбор персонала: воронка найма уже оцифрована, рекрутеры работают с большим объёмом повторяющихся действий, результат виден в сроках и конверсиях. Следующий по зрелости сценарий — обучение и адаптация. Там ИИ помогает закрывать типовые вопросы сотрудников и подбирать учебные материалы под роль.
HR-аналитика и performance требуют более зрелой data-инфраструктуры. В этих направлениях выше риск ошибочных выводов: модель работает не с резюме или откликами, а с чувствительными данными о сотрудниках, нагрузке, эффективности и поведении. Здесь ИИ стоит использовать как помощника аналитика, а не как источник финального решения.
Отдельное направление — пересборка требований к самой HR-команде. Без него остальные сценарии не масштабируются. Рекрутеры, HRBP и руководители должны понимать, как проверять рекомендации модели, где возникают систематические ошибки и когда нужно остановить автоматизацию. ИИ усиливает управление персоналом только тогда, когда команда сохраняет контроль над решением.
Новый инструмент
асинхронной коммуникации
