Кейс полезен не громкой цифрой, а механизмом: какая была задача, что именно автоматизировали, где оставили человека и чем измерили результат. Ниже — примеры, для которых доступны опубликованные материалы. Их нельзя переносить в свою компанию как обещание такого же эффекта.
IBM AskHR: поддержка сотрудников
IBM объединила типовые HR-операции во внутреннем помощнике AskHR. Он отвечает на вопросы и запускает стандартные процедуры, а сложные обращения передаёт специалистам. По данным IBM, система поддерживает более 80 HR-сценариев, обработала 11,5 млн взаимодействий в 2024 году и закрывает 94% типовых запросов без участия HR. Компания также сообщает о снижении операционных расходов HR на 40% за четыре года.
Что сработало: не свободный чат обо всём, а ограниченный набор процедур, доступ к проверенным внутренним данным и понятная передача сложного случая человеку.
Что измеряли: долю обращений без участия специалиста, количество заявок в поддержку и операционные расходы. Для собственного пилота эти показатели полезнее общего количества сообщений боту.
Автоматизированный найм: наблюдения ICO
Британский регулятор ICO в 2025–2026 годах изучил практику более 30 работодателей, использующих автоматизированные решения в найме. Автоматизация чаще встречалась на ранних этапах и помогала обрабатывать большие потоки заявок быстрее и последовательнее. Одновременно регулятор обнаружил повторяющиеся пробелы: кандидатам недостаточно объясняли работу системы, участие человека было непоследовательным, а мониторинг смещений — слабым.
Это не кейс одного победителя, а полезный срез реальной эксплуатации. Вывод практичный: эффективность раннего отбора нельзя отделять от прозрачности, контроля человеком и возможности оспорить результат. Если модель ускорила скрининг, но кандидат не понимает причину отказа, а рекрутер автоматически подтверждает оценку, процесс быстрее, но не надёжнее.
Как читать любой кейс
| Вопрос | Хороший признак | Красный флаг |
|---|---|---|
| С чем сравнивали | Есть базовый период и одинаковая метрика | Только процент без исходного значения |
| Что сделал ИИ | Описан конкретный этап процесса | «ИИ улучшил HR» без механизма |
| Где человек | Указана точка контроля и эскалации | Полностью автоматическое решение о человеке |
| Как считали качество | Ошибки, пропуски и итог воронки | Только скорость или число обработанных анкет |
| Чьи данные | Понятны автор и период исследования | Пересказ без первоисточника |
Мини-кейс для собственной компании
Не ждите масштаба IBM. Возьмите один повторяющийся сценарий и заполните карточку:
- База: сколько времени и ошибок сейчас.
- Изменение: какую операцию выполняет ИИ.
- Контроль: кто и по каким критериям принимает результат.
- Качество: где модель ошиблась и кого могла пропустить.
- Эффект: разница во времени, стоимости и качестве после 2–4 недель.
- Решение: остановить, доработать или масштабировать.
Так внутренний пилот становится вашим доказательством. Чужой кейс помогает выбрать гипотезу, но не заменяет замер.
Источники
- IBM: кейс AskHR — устройство сервиса и опубликованные показатели.
- ICO: Recruitment rewired — наблюдения за практикой более 30 работодателей и требования к контролю.
- LinkedIn: Future of Recruiting 2025 — методология опроса и результаты по использованию генеративного ИИ рекрутерами.