Александр Чигарьков, CPO HR «Северстали», спикер People Tech Camp. Почти 15 лет он работает внутри HR: начинал с рекрутмента и бизнес-партнёрства, затем занимался цифровизацией подбора, а сейчас отвечает за развитие цифровых HR-продуктов.

Программный директор People Tech Camp Екатерина Грачёва поговорила с Александром о том, как продуктовый подход меняет работу HR, почему цифровизировать стоит не всё, что можно цифровизировать, и что происходит с этой логикой с появлением AI. Для Александра AI — не отдельная стратегия и не «цифровой сотрудник», а новый инструмент для пересборки работы. Поэтому прежде чем делать AI-агента, его команда сначала проверяет, нужен ли вообще процесс в текущем виде и нельзя ли решить задачу проще, надёжнее и дешевле.

Ещё одна тема разговора — как всё это работает в масштабе большой компании: как оценивать эффект HR-инициатив, распространять AI не только через IT-команды, работать с ограничениями безопасности и выбирать архитектуру, в которой предсказуемость иногда важнее интеллекта модели.

О чём разговор

Как продуктовый подход меняет HR?
Помогает раньше задавать вопросы о клиенте, проблеме и результате — ещё до того, как команда потратила время и деньги на разработку.

Нужно ли превращать всё в продукт?
Нет. Есть процессы, проекты и продукты, и к ним нужен разный подход. Цифровизация сама по себе тоже не создаёт ценности.

Как понять эффект HR-инициативы?
Сначала определить, что именно должно измениться и как это будет измеряться. Где возможно — связать результат с деньгами и проверить его после внедрения.

Что меняет AI?
Даёт возможность не только поставить рядом с человеком помощника, но и заново посмотреть на сам способ работы. Поэтому AI-агент — не первый, а один из последних вариантов решения задачи.

Почему AI нельзя внедрить только силами IT?
Люди внутри процесса лучше знают свою работу и могут найти применения технологии, которые сложно придумать из центра.

Что важно при создании enterprise AI-решений?
Возможности модели — только одна часть. Не менее важны стоимость, безопасность, архитектура и предсказуемость результата.

«Я пришёл в технологии из самого HR»

Ты почти 15 лет работаешь в HR. Как в твоей работе постепенно появилась цифровизация и в итоге роль CPO HR?

Большая часть моего профессионального пути связана с «Северсталью» — скоро будет 15 лет. Я пришёл менеджером по рекрутменту, потом возглавлял подбор в корпоративном центре, несколько лет был HR-бизнес-партнёром, позже отвечал за рекрутмент уже в масштабе «Северстали» и ряда компаний «Севергрупп».

То есть я довольно долго находился именно внутри HR, а не рядом с ним в роли человека, который занимается технологиями. При этом меня всегда тянуло ко всему техническому: если какую-то часть работы можно было улучшить с помощью доступных мне инструментов, мне было интересно в этом разобраться.

Первым действительно большим проектом для меня стала цифровизация рекрутмента. Мы внедряли в «Северстали» «Поток», развивали HR-аналитику и централизовали в одной системе не только подбор офисных сотрудников, но и массовый подбор рабочих. В пике мы подбирали порядка 40 тысяч человек в год по компаниям «Севергрупп», из них около восьми тысяч — в «Северстали».

Постепенно именно эта часть работы стала занимать меня всё больше. В какой-то момент мне пришлось выбирать, на чём сфокусироваться дальше, и я выбрал цифровизацию и развитие HR-продуктов. Сейчас моя официальная роль называется «начальник управления по цифровизации и развитию HR-продуктов», по сути — CPO HR.

«Я сделал дашборд, который клиенту был не нужен»

В какой момент стало понятно, что автоматизировать всё подряд недостаточно?

У меня был довольно показательный опыт с рекрутментом. Вопросов к нам было много: почему не набрали людей, почему где-то есть дефицит, что происходит с подбором. И я решил, что сделаю хороший дашборд, в котором всё будет видно. Мне казалось: CEO сможет сам туда зайти, посмотреть данные — и вопросов станет меньше.

Мы сделали дашборд, и в какой-то момент я понял довольно простую вещь: никакой CEO туда ходить не хочет. Ему не нужен дашборд. Он хочет, чтобы с подбором не было проблем.

Для меня это стало хорошим переходом от автоматизации к продуктовому мышлению. Недостаточно сделать работающий инструмент или оцифровать процесс. Нужно сначала понять, кто твой клиент, какая у него проблема и что должно измениться после того, как ты что-то сделал.

Отсюда я и начал глубже разбираться в продуктовом подходе: сегментах, Jobs to be Done, ценности для клиента. Мы дважды собирали Employee Journey Map, потому что со временем она менялась, и сопоставляли с ней наши HR-продукты: чтобы понять, где они действительно что-то решают, а где — нет.

«Кто клиент и как мы поймём, что это было полезно»

Как продуктовый подход изменил то, какие инициативы вообще доходят до разработки?

Раньше вполне могла быть такая ситуация: появляется хорошая идея, мы долго её прорабатываем, вкладываем время, приходим защищать — и там нам задают несколько довольно простых вопросов. Кто клиент? Как мы поняли, что у него действительно есть эта проблема? Как поймём, что после запуска что-то изменилось?

Самое полезное, что дал нам продуктовый подход, — мы начали задавать эти вопросы не в конце, а в начале.

Если мы создаём что-то для пользователя, то хочется до начала разработки понять, для кого мы это делаем, какую проблему решаем и по каким данным потом будем судить, получилось или нет.

Отсюда уже появились кастдевы, продуктовые карточки, North Star-метрики, Voice of Employee, данные по использованию продуктов. Изменились и демо: не просто показать интерфейс и убедиться, что кнопка нажимается, а посмотреть, решает ли то, что мы сделали, задачу пользователя.

Для меня ценность здесь прежде всего в том, что часть работы можно вообще не начинать. В HR много идей и инициатив, и продуктовая логика помогает раньше проверить, есть ли за хорошей идеей реальная потребность.

«Не всё в HR нужно превращать в продукт»

Продуктовый подход в твоей команде работает. А как он приживается в остальном HR?

По-разному. И мне кажется, здесь важно сначала разделить процессы, проекты и продукты, потому что не всё в HR является продуктом и не из всего нужно его делать.

Есть подразделения, которые сами приходят и говорят: давайте посмотрим на эту задачу через клиента, кастдев, метрики. Есть те, где такой подход пока используется меньше. Это нормальная история: изменение способа мышления требует времени, и у разных команд разный запрос на это.

При этом почти у любого HR-процесса сегодня есть какой-то цифровой хвост. И когда мы начинаем делать его цифровую часть, нам всё равно приходится разбираться в самом процессе: кто пользователь, что ему нужно и зачем вообще существует то, что мы собираемся автоматизировать. Если сам продукт или процесс не создаёт ценности, цифровизировать его просто потому, что можем, большого смысла нет.

Данные здесь сильно помогают. Мы собираем метрики по продуктам, обратную связь пользователей, смотрим на использование. Поэтому разговор постепенно становится менее субъективным: можно обсуждать не только нравится или не нравится решение конкретному человеку, а смотреть, что происходит с ним у целевой аудитории.

Но я бы не сказал, что мы полностью перестроили весь HR под продуктовую модель. Где-то она прижилась глубже, где-то меньше. Для меня важнее, что постепенно становится привычным сам набор вопросов: кто клиент, какую проблему мы решаем, как поймём, что получилось, и связано ли это вообще с тем, что важно компании.

«Одного «мы вкладываемся в людей» теперь недостаточно»

Что изменилось, когда бюджеты стали сокращаться?

Сильно выросла цена вопроса «а что именно мы получим в результате?».

Ещё некоторое время назад HR-инициативу можно было защищать примерно так: это стратегически важно, мы инвестируем в людей. И с такой логикой довольно сложно спорить. Сейчас рынок и отношение к расходам изменились, поэтому этого уже недостаточно.

Для меня здесь задача не в том, чтобы любую HR-инициативу обязательно свести к прямой экономии денег. Но нужно уметь объяснить, что конкретно должно измениться: какая метрика, какой результат для бизнеса или для сотрудника, и как мы потом проверим, что это действительно произошло.

В цифровых инициативах я стараюсь доводить эту логику до конкретных цифр и, где это возможно, до денег. Тем более что у нас есть постинвестанализ: после реализации можно вернуться и посмотреть, получили мы тот эффект, который обещали, или нет.

Мне кажется, это полезная перестройка, хотя она и не всегда комфортная для HR. Она заставляет гораздо внимательнее относиться к тому, что мы называем эффектом, и меньше опираться просто на убеждение, что инициатива сама по себе хорошая.

При этом качественно посчитать эффект не всегда просто. Поэтому способность связать HR- или технологическую инициативу с понятным результатом для компании становится отдельной важной компетенцией.

«Расставить помощников оказалось проще»

Если от цифровых инициатив теперь нужен более понятный эффект, что это меняет в вашем подходе к AI?

Следующий вопрос для меня — что всё это меняет в самой работе.

Инфраструктуру мы развернули, нашу внутреннюю AI-платформу ДаВинчи, доступ к инструментам дали, люди уже много чего попробовали. Где-то появились помощники, где-то чат-боты забрали часть обращений. Это всё полезно, но само по себе ещё не означает, что мы стали принципиально быстрее, эффективнее или начали выдавать клиенту качественно другой результат.

Сделать AI-помощников оказалось проще, чем пересобрать под новые возможности сами процессы.
И вот это уже работа другой глубины. Многие процессы в большой компании складывались годами: в них есть ограничения, требования, привычные способы взаимодействия. Поэтому нельзя просто поставить рядом AI и считать, что процесс изменился.

Мы здесь работаем с подходом Zero-Based Process: смотрим на процесс так, как будто проектируем его сегодня с нуля и у нас уже есть все нынешние технологии. Что на самом деле нужно клиенту на выходе? Что приходит на вход? Какие действия внутри действительно необходимы, а какие существуют потому, что так исторически сложилось?

И только после этого смотреть, где технологии действительно могут сделать процесс быстрее, качественнее или проще.

Мне кажется, именно здесь и находится следующая большая задача. Мы уже научились пользоваться AI как помощником. Теперь нужно понять, как с его помощью перепридумать сам способ работы.

«Сначала процесс, потом технология»

Получается, AI для тебя триггер, который заставляет пересобрать процессы и роли целиком?

Для меня AI — это в первую очередь инструмент. Я, например, езжу на такси и не думаю о сервисе такси как о помощнике или сотруднике. Это просто один из способов попасть из точки А в точку Б. С AI у меня примерно такое же отношение: это новый очень мощный рычаг, который позволяет часть работы делать по-другому.

Поэтому мне не очень близка логика, когда мы сразу начинаем с вопроса: «А давайте сюда сделаем агента». Я бы сначала спросил, нужен ли нам вообще этот процесс в текущем виде.

У нас есть последовательность, по которой мы стараемся идти. Сначала смотрим, можно ли сам процесс изменить или вообще убрать. Потом — можно ли изменить способ взаимодействия с ним или доступ к данным. Например, вместо пересылки Excel дать человеку нормальный дашборд. Следующий уровень — обычная автоматизация. После этого можно посмотреть, достаточно ли вызова LLM. И только потом появляется AI-агент.

Не потому, что агент — плохой инструмент. Просто чем сложнее решение, тем больше вопросов к стоимости, скорости, качеству и дальнейшей поддержке. Если тот же результат можно получить более простым способом, мне кажется разумным сначала использовать его.

Вокруг AI сейчас много ожиданий, что сам факт появления технологии автоматически что-то изменит. Я так не думаю. Изменения происходят, когда люди пересматривают свою работу и процессы и находят место, где новый инструмент действительно даёт другой результат.

«AI нельзя внедрить только силами IT»

Вы масштабно двигаете историю с AI внутри компании, включая производство. Зачем? Как это отражается на эффективности?

Человек со стороны, даже очень сильный технически, не знает конкретную работу так же хорошо, как тот, кто делает её каждый день.

Можно прийти на производство с хорошим знанием AI, но это ещё не значит, что ты понимаешь, где именно технология поможет в работе с чертежами, аналитикой или в конкретном производственном процессе. Поэтому для меня важно не только сделать несколько сильных централизованных решений, но и постепенно распространять это как инструмент внутри компании.

Мы работаем через амбассадоров, внутренние инициативы, разные форматы поддержки людей, которые сами находят применение инструментам в своей работе. В некоторых местах уже появляются такие «грибницы» — группы людей, которые начинают что-то делать, обмениваться практиками и дальше развивать это без постоянного управления из центра.

При этом эффект бывает разного масштаба. Есть крупные инициативы в производстве, продажах, закупках, HR, IT, от которых мы ждём заметного бизнес-эффекта. Есть проекты амбассадоров. А есть огромное количество небольших автоматизаций и ассистентов, которые человек делает прежде всего для себя.

Последние могут почти не влиять на метрики всей компании, но сильно менять ежедневную работу конкретного сотрудника. И мне кажется, это тоже важно учитывать, просто не смешивать разные уровни эффекта между собой.

В целом моя задача здесь не в том, чтобы из центра придумать применение AI для каждой функции. Скорее — дать людям инструменты, среду и возможность самим находить места, где технология действительно полезна.

И здесь есть ещё один эффект, который сложнее посчитать. Если человек привык, что часть рутины за него делает ассистент или автоматизация, это меняет содержание его ежедневной работы. Для части сотрудников возможность пользоваться такими инструментами, мне кажется, со временем может стать одним из факторов выбора работодателя. Но здесь я бы точно не обобщал: людям нужны разные вещи.

«Предсказуемость важнее интеллекта модели»

Как вы выбираете архитектуру AI-решений? Что для вас важнее — возможности модели, стоимость или безопасность?

У нас здесь довольно специфические вводные. Мы в основном работаем на собственных мощностях: купили видеокарты, развернули модели внутри компании, и лишь небольшая часть запросов уходит во внешние модели. Поэтому у нас нет классической ситуации, когда есть большой отдельный бюджет на токены и мы его оптимизируем.

Но стоимость всё равно важна, просто она проявляется немного по-другому — через то, насколько эффективно мы используем доступные мощности и какую архитектуру строим под конкретную задачу, чтобы выполнять её надежно и безопасно.

Например, мы делаем ассистента, который может отвечать сотруднику на вопросы о нём самом и его команде. И здесь нельзя оставить контроль доступа на усмотрение LLM: условно, человек не должен иметь возможность подменить табельный номер и получить информацию о ком-то другом. Такие ограничения мы закрываем технологически, а не промптом.

Когда речь идёт о данных сотрудников, для меня предсказуемость решения важнее того, насколько интеллектуальной выглядит модель. Если от системы требуется практически гарантированно корректное поведение, архитектуру нужно проектировать именно под это требование.

При этом более мощная модель часто позволяет дать ей сложную задачу целиком и получить хороший результат. Более быстрой и экономичной модели может потребоваться разбить ту же задачу на несколько шагов, добавить проверки и жёстче управлять логикой выполнения. Поэтому большая часть работы для нас сейчас — не просто выбрать LLM, а правильно собрать вокруг неё решение.

В этой части я смотрю на соревнования по AI-агентам. Там есть конкретные задачи, API, набор проверок, и видно не только кто получил лучший результат, но и какой ценой и с какой архитектурой. Мне интересны именно решения, которые дают высокую точность с разумными затратами, а потом уже отдельные идеи из них можно применять у нас.

«People Tech — это экзоскелет»

Как ты сам понимаешь People Tech? Зачем ты едешь на кэмп?

Для меня People Tech — это что-то вроде экзоскелета вокруг человека. Есть человек, есть технологии, которые расширяют его возможности: что он может делать профессионально, с какой скоростью, сколько времени тратить на рутину и сколько — на то, что для него действительно имеет смысл.

Наверное, поэтому мне вообще так интересна эта область. Мне хочется придумывать способы организации работы, при которых технология забирает часть бюрократии и ненужных действий, а у человека остаётся больше пространства для самой работы.

Когда-то я формулировал это для себя как желание сделать на работе больше счастья. Потом подумал, что начать с того, чтобы сделать немного меньше несчастья — уже вполне практичная цель.

На People Tech Camp я еду в первую очередь за людьми и практиками. Вокруг AI сейчас огромное количество новостей и шума: вышла новая модель, появился новый инструмент, кто-то что-то взломал, модель куда-то «сбежала». Следить за всем этим можно бесконечно.

Мне гораздо полезнее поговорить с человеком, который своими руками что-то сделал и может рассказать: вот это сработало, вот это нет, здесь мы ошиблись, а здесь неожиданно получилось. Такой разговор иногда очень сильно сокращает собственный путь.

И ещё для меня важна энергия самого сообщества. Когда оказываешься рядом с людьми, которые много делают и пробуют, это хорошо вытаскивает из состояния «ну вроде мы уже достаточно всего сделали». Начинаешь быстрее думать, замечать новые возможности и возвращаешься с идеями, которые хочется проверить у себя.