От месяцев к неделям: как ИИ сократил ввод рабочих в должность на 70%

Обычно разработка обучающих программ занимает 2–3 месяца — это затрудняет оперативное закрытие вакансий и увеличивает период адаптации персонала. Компания ОБФ решила эту проблему, превратив корпоративную базу знаний в генератор готовых учебных материалов. Результат: время ввода в должность сократилось на 60–70%, а эксперты теперь только проверяют готовые материалы, а не пишут их с нуля.

Как это работает: от чат-бота к обучающему конвейеру

Все началось с внутреннего чат-бота на основе RAG-системы*, который ускорил технологический поиск для инженеров с месяцев до минут.

Мы разработали чат-бот на основе внутренней документации Компании, базы знаний, которая на этот момент насчитывает более тысячи источников», — рассказывает Денис Жирнов, главный специалист по системному анализу технологии производства.

Следующим шагом стало создание обучающих материалов для рабочих. Система анализирует должностные инструкции, инструкции по охране труда и оборудованию, извлекает ключевые «точки контроля» и автоматически превращает их в презентации с понятным языком, видеопримерами и наглядной связью между обязанностями и последствиями ошибок.

Скорость разработки этих материалов у нас сокращается с 2–3 месяцев до 1–2 недель. Ускорение существенное — более чем в 8 раз, - подчеркивает спикер.

6 принципов создания обучающих материалов

В основе подхода — шесть факторов, главный из которых адаптация под аудиторию – производственный персонал. Система сама подстраивает сложность материала под уровень образования и опыта рабочего. Далее идут:

• Точки контроля — из инструкций выделяются конкретные параметры, за которые отвечает сотрудник (например, контроль качества бумажного полотна, влажность, температурный режим).
• Формирование ответственности — каждый пункт инструкции связывает с операцию с последствием ошибки: «Вы отвечаете за контроль натяжения бумажного полотна. Нарушение ведёт к обрыву, простою, браку».
• Мотивация через обязанности — работнику демонстрируют его роль в технологической цепочке и влияние на конечное качество продукции для клиента.
• Видеопримеры — реальные операции с разбором типичных ошибок с возможностью замедленного просмотра.
• Модульность — сотрудник осваивает только новые знания при переходе на повышенный разряд, не повторяя уже изученное.

Время — деньги: что дал проект

Результаты говорят сами за себя:

• Время ввода в должность сократилось на 60–70% (с 2–3 месяцев до 3–4 недель).
• Эксперты тратят в 4–6 раз меньше времени на разработку, занимаясь только валидацией готовых материалов.
• Модульная система позволяет выстроить чёткий карьерный трек: базовый разряд - повышенный - экспертный уровень (наставник) + общий курс по технологии производства.

Информационная безопасность и платформа Сбера

Поскольку система работает с внутренними чувствительными данными, Компания разместила ее в облаке на сервере в закрытом контуре.

«В перспективе – использование решения Сбера GigaCowork -платформы, которая обеспечивает безопасность хранения данных, является нашим отечественным продуктом», — отмечает Денис Жирнов.

Главный вывод

ИИ не заменяет экспертов, он расширяет их возможности, расширяет их продуктивность», — резюмирует спикер. Проект уже доказал свою эффективность: разработано более 8 презентаций для разных профессий, и компания готова делиться опытом с HR-сообществом и учебными заведениями, чтобы вместе строить мост между знаниями состоявшихся в профессии людей и карьерного старта новичков.

*RAG-система – (от англ. Retrieval-Augmented Generation) - это архитектурный подход в искусственном интеллекте, который объединяет механизм поиска информации во внешней базе знаний и генеративную языковую модель. Система сначала извлекает релевантные фрагменты из документов (инструкций, нормативов, базы знаний) по запросу пользователя, а затем модель формулирует ответ, опираясь исключительно на эти фрагменты, а не на свои внутренние «память» или обучающие данные. Это гарантирует фактическую точность, актуальность и полную проверяемость каждого ответа, позволяет оперативно обновлять знания без переобучения модели.