AI-транскрибация + LLM + HTML: как мы автоматизировали HR-аналитику внутри red_mad_robot

По законам роботехники, Роботы не могут делать то, что вредит людям. Наши технологические эксперименты часто зарождаются внутри практик и там же проходят первые тесты. А потом эти разработки превращаются в готовые продукты, которые мы применяем как во внешних бизнес-задачах, так и внутри компании. В новом внутреннем кейсе рассказываем, как автоматизировали анализ работы сотрудников. Динамический HR-дашборд собирает данные из AI-транскрибации встреч и структурирует их по основным процессам в HR: прохождение онбординга, результаты ассесмента, текущее состояние сотрудников. Кстати, этот кейс стал лучшим в категории «AI в HR» на IT HR Awards.

Как выглядела работа HR раньше

В работе команды HRBP (HR бизнес-партнёров) много аналитики. На встречах с руководителями и сотрудниками команда регулярно обсуждает внутренние проекты, сложные ситуации в командах, динамику внутри них, онбординги и увольнения. Всё это необходимо фиксировать и хранить в структурированном виде, чтобы всегда иметь под рукой. При этом специального инструмента для аналитики этих процессов не было. Все отчёты HR создавали руками в таблицах — по отдельной таблице на каждого сотрудника. Работа разбивалась на три этапа:

перед встречей HR вручную вносили данные по процессам в таблицу;
все кейсы из таблицы команда обсуждала на созвоне;
после созвона HR вносили исправления в таблицы.

В такой схеме были свои косяки. Похожие кейсы HR описывали по-разному, потому что не имели единого стандарта для этой задачи, а часть информации терялась после созвона — из-за этого общая картина происходящего не складывалась целиком.

Таблица с отчётом до внедрения дашборда Такая рутинная работа отнимала ещё и много времени:

13,5 часов в неделю
54 часа в месяц

Поменяй формат отчёта на более подробный и информативный, чтобы меньше терять данных в процессе работы, времени на его создание уходило бы ещё больше.

Рождение дашборда: кейс продуктовой команды

Летом прошлого года Head of AI red_mad_robot Валера Ковальский придумал, как автоматизировать еженедельные созвоны продактов: ввёл жесткую агенду и разработал инструмент SpeechCoreAI для транскрибации записей встреч.

участники созвона делятся новостями по агенде созвона;
SpeechCore транскрибирует запись звонка и создаёт саммари;
LLM собирает полноценный отчёт из полученной информации.

Идея быстро получила развитие, и в основу новой системы легли наши собственные технические разработки.

Шаг 1: разработка агенды

Чтобы система формировала максимально информативные отчёты, в продуктовой команде ввели простую агенду: короткий получасовой созвон по нескольким направлениям с фиксированной структурой выступлений. В повестке прописывались участники встречи, обсуждаемые продукты и порядок выступлений. Перед началом созвона участники представлялись и называли своё направление — это помогало корректно формировать транскрипт. За полчаса команда успевала пройтись по всей структуре: рассказать о достижениях за прошлую неделю, поделиться ключевыми инсайтами по продукту, сформулировать планы на новую неделю и обсудить текущие вопросы или блокеры. Записи созвонов загружали в SpeechCoreAI для качественной и быстрой транскрибации.

Шаг 2: SpeechCoreAI

SpeechCore AI — это собственная разработка Валеры. Под капотом модель Whisper, интегрированная в X-Framework, — её дополнительно настроили для работы с русской речью. Система умеет разделять по голосу спикеров и работать с локальной LLМ. Для создания автоматически сгенерированных саммари встреч Валера сначала использовал модель Qwen-3 на 30B параметров с контекстом 128 тысяч токенов. Сперва это была Dense-версия, позже перешли на архитектуру Mixture of Experts, которая к тому моменту успела стать новым стандартом в индустрии. На разработку первой версии сервиса ушёл примерно месяц, а позже вокруг него появился удобный интерфейс для работы с записями и транскриптами.

Транскрибация встреч через SpeechCoreAI Сейчас к системе подключена более крупная модель на 235 млрд параметров. Она отвечает за создание саммари и генерацию отчётов. Поскольку SpeechCore работает с локальными моделями, вся обработка данных происходит внутри инфраструктуры компании.

Шаг 3: транскрипты + агенты

LLМ конвертировала транскрипты в структурированный JSON, из него генерировался HTML-дашборд, в котором были видны обновления событий в команде. Позже к системе добавили агента на базе архитектуры ReAct (Reason + Action). Он анализировал новые транскрипты, исследовал текущую структуру дашборда и обновлял его: дополнял блоки новыми данными и при необходимости редактировал HTML.

Отчёт в HTML-формате Разработанная система быстро показала классные результаты. Звонки стали упорядоченными, а отчёты на основе их транскриптов — информативными. Продуктовая команда сократила время на их подготовку и перераспределила ресурсы на другие задачи. Посмотрев на продактов, ребята из HR поняли, что им тоже нужен подобный инструмент, и попросили адаптировать систему для HR-аналитики.

Дашборд переезжает к HRBP

Чтобы перейти к новый схеме работы, команда HRBP так же, как и продакты, ввела единую агенду HR-встреч: онбординг сотрудников, увольнения, состояние команд, обновления по вакансиям, результаты ассессмента и внутренние HR-проекты. Отчёт благодаря этому стал таким же структурированным: каждый блок посвящён конкретному кейсу или процессу.

Интерфейс дашборда Дашборд суммирует и поднимает наверх ключевые события за неделю. Все главные обновления — чуть ниже, чтобы HR не теряли из внимания критические кейсы. Для наглядности дашборд помечает цветами самые важные кейсы: красные — sad, зелёные — happy. На отдельной вкладка фиксируется сводка изменений в командах: общая картина, динамика кейсов и тренды. После каждой новой встречи данные обновляются автоматически.

Блок с happy-кейсами в сводке событий Модель также проводит собственную аналитику событий: собирает ключевые выводы из встреч, составляет риск-матрицу по критическим кейсам и создаёт на её основе приоритизированный экшен-план. Такая аналитика не даёт готовых решений для проблемных кейсов, но обращает внимание HR на главные риски и предлагает направления для дальнейшей работы. С появлением нового дашборда вместо трёхэтапного процесса работы в таблицах с отчётами — ручного заполнения, обсуждения и последующих правок — у HRBP осталась только сама встреча. Теперь дашборд позволяет сразу фиксировать всю нужную информацию и превращать в структурированный отчёт, минимизируя риск ошибок и потери информации.

Как единый стандарт по компании дашборд пока не внедрён, но я думаю, в следующем году найдём силы и время, чтобы развернуть такой сервис шире — с обучением, чтобы любой сотрудник мог собирать похожие дашборды и отправлять их своему руководителю. Валерий Ковальский, Head of AI red_mad_robot

Создание отчётов и добавление их на дашборд полностью автоматизированы благодаря скиллам в Claude. Каждую неделю после встречи Claude забирает запись созвона и загружает для транскрибации в SpeechCore. Затем он обновляет дашборд на основе полученного HTML-отчёта, который создают локальные модели. Готовые отчёты HR обязательно проверяют и исправляют, если есть ошибки. Правки улучшают и работу моделей. Например, если в первый раз модель неправильно распознала и записала фамилию сотрудника, исправления от HR сохраняются в памяти и больше не повторяются снова.

Безопасность данных

В обсуждениях HR-процессов обязательно фигурируют персональные данные сотрудников, поэтому одно из ключевых требований к системе — безопасность обработки информации. В создании дашборда участвует Claude, но только во флоу — к чувствительным данным прямой доступ имеют лишь локальные модели, и они же применяются для анализа. Сейчас в качестве такой модели выступает Qwen3.6-35B-A3B, развёрнутая внутри инфраструктуры компании на кластере GPU H-серии. Безопасность не ограничивается локальными моделями: данные дополнительно проходят маскирование. Для этого используются сервисы на базе NER-моделей, BERT и инструментов вроде Presidio, которые автоматически находят и скрывают чувствительную информацию. Кстати, об этом мы подробно рассказали в другой нашей статье. На ранних этапах эксперимента по созданию дашборда система тестировалась на облачных моделях. Тогда пайплайн выглядел так: транскрибация → анонимизация → обработка в облачной модели. С появлением собственной крупной модели внутри инфраструктуры весь процесс удалось полностью перенести внутрь компании и снизить риски утечки данных.

Эффект дашборда

От первых экспериментов до финальной реализация проекта у нас ушло полтора месяца. Сейчас HR-дашбордом пользуется команда из 15 человек: HRPB, руководитель рекрутмента и топ-менеджмент компании. Главный измеримый эффект — каждый HRBP теперь тратит на отчёт 15–20 минут. После встречи достаточно загрузить транскрипт, проверить сгенерированный отчёт и опубликовать дашборд. В результате каждый HRBP экономит 3–4 часа в неделю. В масштабе всей команды это:

27 часов в месяц;
81 час в квартал;
324 часа в год.

То есть, в два раза меньше, чем раньше. Для руководителей ключевым преимуществом стала скорость и качество анализа. Если раньше на изучение HR-отчёта уходило около получаса, теперь достаточно десяти минут: система сама подготовит его в оптимальном формате. Дашборд сразу показывает динамику показателей и подсвечивает критические ситуации, а модель фиксирует все кейсы, которые обсуждаются на встрече, не упуская важные детали. А ещё система связывает события между собой. Например, если обсуждается ассессмент сотрудника и смена его роли, дашборд помогает увидеть связанные риски внутри команды и сформировать более целостную картину происходящего. HR и руководство фокусируются на самых важных и срочных вопросах, которые требуют незамедлительного решения. Новый дашборд решает и проблему рутины. Теперь HR могут перераспределить 25 часов в месяц с документооборота на работу с сотрудниками и стратегические HR-инициативы.

Ограничения и этика

Создание дашборда — процесс практически во всём автоматизированный, но проверяет созданные отчёты всегда человек. Перед публикацией сводку просматривает сотрудник, чтобы убедиться, что система корректно поняла обсуждение, и исправляет ошибки. Многое зависит от качества исходных транскриптов. На длинных разговорных записях модель иногда теряет контекст или неточно интерпретирует фрагменты обсуждения. Структурированность агенды напрямую решает, как точно LLМ отнесёт по категориям кейсы, будь то онбординги, перформанс-ревью или конфликты. Дашборд предоставляет широкий функционал и облегчает процесс аналитики в команде HRBP, но при этом всё равно остаётся только вспомогательным инструментом: анализ каждого конкретного кейса сотрудники проводят сами. Модель помогает подсветить потенциальные проблемы, указать на тренды и даже подсказать стратегии для дальнейших действий, но финальное решение всегда принимает человек, и последнее слово остаётся за ним.

Мы используем AI как инструмент ускорения анализа. Модель может указать на проблемную зону, но решение принимается на основе профессионального опыта и критического анализа. Для нас AI — это механизм «красного флага», а не инструмент автоматического действия. Любовь Хрипко, Lead HRBP

Потенциал для развития

Динамический дашборд уже сейчас показывает хорошие результаты, но его возможности всё ещё не исчерпаны. Существующая система позволяет развиваться и в других направлениях:

Прогнозная аналитика. На основе накопленных данных AI сможет прогнозировать будущие этапы карьеры, успешность онбординга или вероятность выхода сотрудника в отпуск.
Персонализированные отчёты. Система сможет автоматически готовить выжимки по конкретным отделам или проектам для руководителей.
Интеграция с другими HR-системами. В будущем, когда мы объединим данные дашборда с внутренними оценками — например, AI-агентами по сбору обратной связи и аналитике ассессментов — мы создадим единую экосистему управления персоналом.

Итоги

Этот проект начался как внутренний эксперимент в продуктовой команде и со временем превратился в рабочий инструмент и для других сфер. Динамический дашборд стал хорошим подспорьем в работе даже в такой чувствительной области, как работа с персоналом. А передача задач AI-системе перераспределила время HR с рутинных задач и помогла избежать риска чисто механических ошибок во время составления отчётов. Заложенная архитектура открывает возможности для широкого развития: внедрения прогнозной аналитики, персонализированных отчётов и интеграции с другими HR-системами. Это превращает дашборд из инструмента экономии времени в полноценную основу для управления персоналом на основе данных.