AI-агент у HR: реальний кейс впровадження RAG і автоматизації онбордингу в Україні

Чому онбординг досі «з'їдає» ресурси українських компаній

За даними SHRM, компанії витрачають у середньому від 6 до 9 місячних зарплат співробітника лише на те, щоб його замінити після звільнення. Значна частина цих витрат — наслідок поганого онбордингу. В українських малих і середніх компаніях ситуація ускладнюється ще й кадровим дефіцитом: HR-менеджер одночасно веде рекрутинг, оформлення документів, навчання і ще двадцять паралельних задач. Саме тому AI-агент у HR перетворився з модного тренду на реальний інструмент виживання.

У цій статті ми розберемо конкретний кейс: як невелика українська IT-сервісна компанія впровадила RAG-систему (Retrieval-Augmented Generation) і автоматизувала весь цикл онбордингу — від першого дня нового співробітника до завершення випробувального терміну. Ви отримаєте цифри, архітектурні рішення та практичні висновки, які можна адаптувати для власного бізнесу.

---

Що таке RAG і чому він критично важливий для HR-автоматизації

Проблема «галюцинацій» у корпоративному контексті

Коли ви даєте звичайній мовній моделі завдання відповісти на питання нового співробітника — наприклад, «яка процедура узгодження відпустки?» — вона або вигадує правдоподібну, але хибну відповідь, або каже, що не має доступу до внутрішніх документів. Обидва варіанти катастрофічні для HR.

RAG (Retrieval-Augmented Generation) вирішує цю проблему, поєднуючи два компоненти:

• Векторна база знань — всі внутрішні документи компанії (регламенти, інструкції, шаблони, політики) перетворюються на числові вектори та зберігаються у спеціальній базі
• Мовна модель — отримує не загальне завдання, а конкретний уривок з реального документа й формулює відповідь на його основі

Детальніше про архітектурні принципи такого підходу ми розглядали у статті Гібридний RAG архітектура: точний пошук у документах та захист AI-агента від вигадок. Коротко: система не «вигадує» — вона цитує. Це принципово важливо для юридичних і кадрових документів.

Чому це особливо актуально для українського ринку

Українські компанії часто мають документацію у хаотичному стані: частина регламентів у Google Drive, частина — в Notion, окремі інструкції взагалі існують лише «в голові» досвідченого співробітника. RAG-система змушує компанію систематизувати знання — і це само по собі є цінністю, незалежно від AI.

---

Реальний кейс: IT-сервісна компанія, 85 співробітників, Київ

Вихідні умови та проблеми

Компанія займається розробкою та підтримкою програмного забезпечення для клієнтів з ЄС. Щомісяця наймають 3-5 нових людей. До впровадження AI-агента картина була такою:

• Один HR-менеджер обслуговував весь цикл — від розміщення вакансій до завершення онбордингу
• Новий співробітник у перший тиждень ставив у середньому 47 питань (це порахували вручну за три місяці)
• HR витрачав 12-15 годин на місяць виключно на відповіді на типові питання новачків
• 23% нових співробітників протягом першого місяця почувалися «загубленими» і знижували продуктивність через брак інформації
• Онбординг-документація не оновлювалась більше 8 місяців

Архітектура впровадженого рішення

Проєкт реалізовувався 6 тижнів. Ось що було зроблено:

Перший етап — аудит і структурування знань (2 тижні) Зібрали всі внутрішні документи: трудові регламенти, інструкції з інструментів, корпоративні політики, FAQ по бенефітах, схеми комунікацій між відділами. Всього — 143 документи загальним обсягом близько 380 сторінок.

Другий етап — побудова RAG-бази (1,5 тижні) Документи розбили на смислові чанки (фрагменти), векторизували та завантажили у базу. Для векторного пошуку використали відкрите рішення на базі pgvector (PostgreSQL-розширення) — економічне рішення для компаній, що не хочуть платити за хмарні векторні бази.

Третій етап — налаштування AI-агента (2 тижні) Агент інтегрований у корпоративний Slack. Новий співробітник пише питання у спеціальний канал або напряму боту — і отримує відповідь з посиланням на конкретний документ, з якого взята інформація. Якщо питання виходить за межі бази знань, агент автоматично переадресовує до HR-менеджера.

Для розуміння того, як подібні системи можуть масштабуватися в рамках складніших бізнес-процесів, корисно ознайомитися з матеріалом Мультиагентні системи: як Multi-Agent Orchestration змінює бізнес-автоматизацію — там описана логіка координації кількох агентів у рамках одного підприємства.

Автоматизований онбординг-маршрут

Окрім відповідей на питання, агент веде нового співробітника по структурованому маршруту:

• День 1: Привітальне повідомлення, чеклист першого дня, посилання на всі необхідні акаунти
• День 3: Нагадування перевірити доступи, запросити зустріч з тімлідом
• День 7: Мікроопитування «як ти себе почуваєш?», автоматичний аналіз відповідей
• День 14: Перевірка проходження обов'язкових навчальних модулів
• День 30 і 90: Автоматичне нагадування HR про огляд результатів випробувального терміну

Весь маршрут налаштований через n8n (open-source automation платформа) і не потребує ручного втручання HR у 80% випадків.

---

Результати через 3 місяці після запуску

Кількісні показники

| Показник | До впровадження | Після впровадження | Зміна | |---|---|---|---| | Час HR на відповіді новачкам | 12-15 год/міс | 2-3 год/міс | -80% | | Кількість питань без відповіді понад 2 год | 34% | 6% | -28 п.п. | | Задоволеність онбордингом (опитування) | 62% | 89% | +27 п.п. | | Час до першої «реальної» задачі | 8,5 днів | 5,2 дні | -39% | | Помилки при оформленні документів | 11 випадків/міс | 2 випадки/міс | -82% |

Фінансовий ефект: HR-менеджер вивільнив близько 130 годин на рік — і спрямував їх на стратегічний рекрутинг. Компанія закрила 2 вакансії, які «висіли» 3 місяці.

Якісні спостереження

Команда відзначила кілька несподіваних бонусів. По-перше, нові співробітники перестали «смикати» своїх колег з дрібними питаннями — це позитивно вплинуло на атмосферу у відділах. По-друге, сам процес створення бази знань виявив 19 регламентів, що суперечили один одному — проблема, яка існувала роками, але ніхто не помічав.

Третій несподіваний ефект: HR-менеджер отримав аналітику найпопулярніших питань новачків. Виявилось, що 40% питань стосувались процедури узгодження витрат — сигнал, що цей процес занадто складний і його варто спростити.

---

Скільки коштує впровадження AI-агента у HR в Україні

Структура витрат

Одноразові витрати на впровадження:

• Аудит і систематизація документації: від 15 000 до 40 000 грн (залежить від обсягу хаосу)
• Розробка та налаштування RAG-системи і агента: від 50 000 до 120 000 грн
• Інтеграція зі Slack/Teams/Telegram та корпоративними інструментами: від 10 000 до 25 000 грн

Щомісячні операційні витрати:

• API-витрати на мовну модель (GPT-4o або Claude): від 1 500 до 5 000 грн залежно від навантаження
• Хостинг векторної бази і автоматизації: від 800 до 2 000 грн
• Підтримка і оновлення бази знань: 2-4 години HR на місяць

Для компанії з 50-150 співробітників повернення інвестицій (ROI) при активному наймі настає за 4-8 місяців. Якщо ви хочете глибше розібратися в економіці подібних рішень, читайте AI-автоматизація для середнього бізнесу: як зростати без збільшення штату.

На чому можна заощадити

• Використовувати open-source моделі (Mistral, LLaMA) для внутрішнього розгортання — зменшує API-витрати до нуля, але потребує сервера
• Будувати базу знань поступово, починаючи з 20-30 найважливіших документів
• Обрати Telegram замість Slack як канал взаємодії — дешевше і звично для українських команд

Цікаво, що деякі інструменти, якими ваша команда вже користується, мають вбудовані AI-функції — про це детальніше у матеріалі Notion, Wrike, SAP Joule: які AI-агенти вже вбудовані в інструменти, якими ви користуєтесь.

---

Як підготуватися до впровадження: покроковий план для HR-керівника

Крок 1: Аудит поточного стану

Перш ніж будувати будь-яку AI-систему, зафіксуйте «як є»: скільки часу HR витрачає на рутинні питання, які питання ставлять найчастіше, де зберігаються документи і чи актуальні вони. Без цього аудиту ви ризикуєте автоматизувати хаос.

Крок 2: Визначте scope першої ітерації

Не намагайтесь автоматизувати все одразу. Для першого MVP (мінімально життєздатного продукту) достатньо:

• 30-50 ключових документів
• Відповіді на типові питання новачків
• Базовий онбординг-маршрут на перші 30 днів

Крок 3: Оберіть модель управління знаннями

Хто буде оновлювати базу документів? Це критичне питання. AI-агент у HR корисний рівно настільки, наскільки актуальна його база знань. Призначте відповідального та встановіть регулярний цикл перегляду (раз на квартал — мінімум).

Крок 4: Тестування з реальними новачками

Перед повним запуском проведіть 2-тижневий пілот з 2-3 новими співробітниками. Збирайте зворотний зв'язок: які питання агент не міг відповісти, де відповіді були некоректні, що бракувало.

Крок 5: Масштабування і вимір результатів

Визначте 3-5 ключових метрик заздалегідь — і вимірюйте їх щомісяця. Без вимірювань ви не знатимете, чи працює система, і не зможете виправдати інвестиції перед власниками бізнесу.

---

FAQ: відповіді на поширені запитання про AI-агентів у HR

Чи може AI-агент замінити HR-менеджера повністю? Ні — і це не є метою. AI-агент у HR автоматизує рутинні, повторювані задачі: відповіді на типові питання, нагадування, перевірку чеклистів. Стратегічні задачі — формування культури, складні переговори, розвиток талантів — залишаються за людиною. Правильна мета: звільнити HR для роботи, яка дійсно потребує людського підходу.

Як захистити конфіденційні HR-дані при використанні AI? Це ключове питання для будь-якого бізнесу. Існує кілька підходів: розгортання моделі на власному сервері (on-premise), використання угод про обробку даних (DPA) з хмарними провайдерами, розмежування доступу так, щоб агент бачив лише знеособлені регламенти, але не персональні дані співробітників. Ніколи не завантажуйте у RAG-базу паспортні дані, медичну інформацію чи зарплатні відомості.

Скільки часу займає впровадження RAG для HR у малому бізнесі? Для компанії до 50 осіб з відносно впорядкованою документацією — від 4 до 8 тижнів від старту до першого робочого прототипу. Основний час іде не на технічну розробку, а на аудит і структурування документів. Якщо документація у хаотичному стані, закладайте додатково 2-3 тижні.

Яку мовну модель краще використовувати для україномовного HR-агента? GPT-4o та Claude 3.5 Sonnet показують найкращу якість розуміння і генерації українського тексту серед комерційних моделей. Для бюджетних рішень підходить Mistral Large або Gemini 1.5 Flash. Важливо: якість відповідей залежить насамперед від якості документів у базі, а не лише від вибору моделі.

Чи підійде такий AI-агент для компанії з 10-15 співробітниками? Так, але з іншим розрахунком ROI. При такому розмірі бізнесу основна цінність — не заощадження годин HR, а якість онбордингу і систематизація знань. Якщо ви наймаєте хоча б 1-2 людини на місяць, або якщо власник сам виконує роль HR — автоматизація онбордингу звільняє критичний ресурс уваги.

---

Висновок

AI-агент у HR — це не майбутнє, а вже реальний інструмент, який українські компанії впроваджують сьогодні і отримують вимірювані результати: -80% часу HR на рутину, +27 п.п. до задоволеності онбордингом, скорочення виходу на продуктивність майже вдвічі. RAG-архітектура робить агента надійним і точним навіть у роботі з чутливою корпоративною документацією. Якщо ви хочете розібратися, як саме така система може працювати у вашій компанії — звертайтесь за безкоштовною консультацією: ми проаналізуємо ваші процеси та запропонуємо конкретний план впровадження під ваш бюджет і масштаб.