Как победить рабочую рутину с помощью ИИ: 4 истории из Островка
Рутина умеет незаметно съедать часы: однотипные задачи копятся, а на важное времени не остаётся. В команде Островка с этим разбираются с помощью нейросетей — в том числе без участия разработчиков. Собрали четыре истории в качестве доказательства.
Практичные эксперименты вместо инструкций
ИИ-отрасль развивается так быстро, что приходится постоянно держать руку на пульсе и подходить к делу системно. Где-то освоение нейросетей превращают в обязательный пункт рабочих целей и KPI. Такой подход хоть и может ускорить внедрение, сам по себе не гарантирует, что инструменты действительно приживутся в работе.
Мы выбрали более спокойный темп. Изучаем ИИ-инструменты, ищем для них рабочие сценарии. Даём сотрудникам возможность самим проверить, где эти решения могут сэкономить время, когда есть подходящая задача и интерес попробовать.
Для этого внутри компании есть:
курс по ИИ для рабочих задач;
внутреннее AI Demo, где сотрудники показывают решения на базе ИИ, собранные своими руками, — иногда результат удивляет даже разработчиков;
корпоративные доступы к нужным сервисам.
Так у сотрудников появляется понятный вход в тему: можно разобраться с базой, посмотреть на кейсы коллег и протестировать ИИ-инструменты на своих задачах. Причём для этого не обязателен технический бэкграунд.
Софья Сапожникова, Senior Employer Brand Manager:
«Сейчас технологии ИИ ощутимо помогают оптимизировать рутинные процессы и сэкономить время на задачах. Инструментов на рынке множество, и их количество будет только расти.
Пользователи часто впадают в ступор, потому что не знают, с чего начать. Островок подошёл к этому структурно: команда собрала курс по использованию нейросетей в рабочих задачах. Его авторы — наши же сотрудники, которые сами разобрались в разных программах.
После курса появляется чёткое понимание, как составить запрос, чтобы снизить число галлюцинаций и получить жизнеспособный ответ, как фильтровать данные перед отправкой в чат и какой ассистент лучше подойдёт под конкретную задачу. Кстати, многие из тех, кто приложил руку к обучению, даже не умеют кодить — так что материал понятен и тем, у кого нет технических знаний».
Дальше — кейсы самих сотрудников Островка. Собрали четыре истории о том, что полезного у них получилось сделать с помощью ИИ-технологий.
Рекрутмент: ИИ собирает черновик оценки кандидата
В Островке я занимаюсь наймом: моя команда ищет бэкенд-разработчиков, руководителей команд, инжиниринг-менеджеров, специалистов по Data Science и менеджеров продукта.
Во время быстрого роста компании мы столкнулись с проблемой: в начале воронки смотришь на одни качества, а ближе к финалу выясняется, что роль требует совсем других. Особенно это заметно на сложных ИТ-позициях, где мало проверить технический стек — не меньшее значение имеют продуктовый контекст, самостоятельность, коммуникация, лидерство и умение работать с неопределённостью.
Мы начали развивать подход на основе навыков (skill-based): оценки кандидата по конкретным компетенциям под роль.
Сначала подготовили основу — наборы навыков под разные роли, бизнес-подразделения и уровни квалификации, где прописано, какие навыки важны, как они проявляются и сколько весят в оценке. И уже внутри этой рамки подключили ИИ — к самой «ручной» части: разбору итогов собеседования, подготовке оценочных карт и сведению оценок воедино.
Работает это так:
С согласия кандидата на интервью включается сервис, который делает текстовую расшифровку встречи.
Дальше по заранее составленному запросу ИИ сверяет расшифровку со списком компетенций и собирает таблицу с оценками.
На выходе я получаю структурированный черновик: оценка по каждой компетенции, объяснение, откуда она взялась, сильные стороны кандидата и возможные риски. Финальное решение модель при этом не принимает, он только готовит материал для обсуждения.
Главная сложность была в том, чтобы встроить ИИ и не потерять качество оценки. Если интервью не привязано к набору навыков, анализировать нечего: в расшифровке просто не окажется нужных подтверждений. Поэтому одного инструмента нам было мало — пришлось перестроить и сами интервью. Рекрутеры и интервьюеры должны понимать, какие навыки проверяют, какие вопросы задают и что именно фиксируют. Под это мы обучали команду найма и нанимающих менеджеров и развивали Школу технических интервьюеров. В ней учат собирать интервью под конкретную роль: выбирать лайвкодинг (от англ. live coding — «живое кодирование»), системный дизайн, ситуационные задачи и другие инструменты оценки под те компетенции, которые важны для позиции. По сути, интервью работает как конструктор: для каждой роли собирается свой набор заданий и вопросов.
Отдельный вопрос — доверие к оценке от ИИ. На полную автоматизацию мы не ставим: ИИ готовит структурированный черновик, подсвечивает риски и зоны роста, но итоговую оценку в систему подбора вносим мы сами.
Лично мне ИИ прежде всего ускорил работу. Раньше заметки после интервью я разбирала вручную, сопоставляла ответы кандидата с навыками и формулировала выводы — теперь черновик оценочной карты собирается заметно быстрее, и команда оперативнее обменивается обратной связью. По ряду вакансий время на разбор итогов интервью сократилось в разы. Ответственность за финальную оценку при этом остаётся за рекрутером, интервьюером или нанимающим менеджером. Подробнее про подход на основе навыков я рассказывала в выступлении.
Логи без ручного поиска
Я работаю в команде Integration Support — мы занимаемся вопросами по интеграциям с поставщиками отельного продукта.
Один из самых частых запросов — выгрузка логов по ошибкам: поставщику нужно техническое подтверждение, на каком этапе интеграции что-то пошло не так. Часто полноценный разбор тут не требуется, достаточно найти нужные логи и передать их. Но раньше всё это мы делали руками, и поиск по одной ошибке мог занимать около часа, пока поставщик и операционная команда ждали ответа.
Я решила автоматизировать типовые запросы. Собрала решение на платформе n8n, которая доступна у нас в компании, а нейросеть использовала как ассистента при разработке. Я не программист, поэтому часть логики и кода помогала писать нейросеть, а то, в чём могла разобраться сама, проверяла и дорабатывала вручную.
Со стороны пользователя всё просто: человек создаёт запрос, указывает тип ошибки и период. Дальше автоматизация считывает тикет (от англ. ticket — «билет, квитанция»), выбирает нужный тип запроса, идёт в базу за ссылками на логи, приводит данные к требуемому формату — JSON или XML — и прикладывает результат обратно в задачу. Остаётся скачать файлы и отправить поставщику.
Отдельная тема — безопасность. Логи и доступы нельзя просто где-то хранить или передавать без контроля, поэтому решение устроено так, чтобы данные обрабатывались и не сохранялись после выполнения запроса: доступы лежат в n8n, а обработчики принимают данные, обрабатывают и очищаются.
Есть и честное ограничение моего тех. решения: не каждое обращение закроешь автоматизацией. Если нужен технический анализ, задачу всё равно будет смотреть человек, поэтому я сфокусировалась на типовых запросах с понятным сценарием.
Сложнее всего было то, что я собирала техническое решение, хотя разработка — не моя основная специализация. Требовалось связать между собой тикет, базу данных, обработку логов и выгрузку результата. ИИ подсказывал, как написать отдельные элементы логики и привести логи к формату, но вслепую его ответы я не применяла — часть кода проверяла сама, особенно там, где разбираюсь в JavaScript.
Главная польза ИИ для меня в том, что рабочий прототип удалось собрать, не будучи программистом. Нейросеть помогла быстрее пройти техническую часть; без неё на задачу ушло бы больше времени или понадобился бы отдельный ресурс разработки. А сама автоматизация снимает с команды рутину: вместо ручного поиска система обрабатывает типовой тикет и возвращает результат в задачу. Это позволяет двигаться к нашей цели — закрывать такие запросы быстрее, в идеале день в день.
Каталог процессов, который сам отвечает на вопросы
Я занимался созданием каталога процессов в Островке — единого места, где описано, как устроена работа компании: цели и границы процессов, кто за что отвечает, какие системы используются и как всё связано. Главная сложность была в том, что каталог приходилось собирать из разрозненной и не всегда актуальной документации. Часть процессов вообще не была описана, часть существовала в разных форматах, у одного процесса могло быть несколько версий.
Сначала я собирал каталог вручную: рисовал схемы и заполнял текстовые описания по единому шаблону. Подход плохо масштабировался — на один процесс уходило порядка шести часов, из них примерно два на схему и ещё около четырёх на текст. Вот на этом этапе я и подключил нейросеть.
Идея была в том, чтобы превращать схему процесса в текст. У схемы есть структура: шаги, участники, развилки, ошибки, альтернативные сценарии. Я передавал все это в большую языковую модель (LLM), а она готовила черновик описания по нужному шаблону — дальше оставалось проверить, поправить неточности и довести до рабочего вида. Текстовую часть это ускорило сильно: вместо нескольких часов описание стало готовиться примерно за десять минут.
Когда каталог разросся, всплыла новая проблема: искать в нём ответы сотрудникам было по-прежнему неудобно. Тогда я сделал поверх каталога чат-бота.
Теперь бот ищет подходящие фрагменты в каталоге и на их основе собирает короткий ответ прямо в корпоративном мессенджере. Например, сотрудник пишет боту «к кому идти с этим запросом?» — а тот находит нужный процесс и выдает, какая команда за него отвечает, где лежит инструкция и какой следующий шаг.
Позже вокруг бота появились автоматические сценарии: он собирает обратную связь, напоминает владельцам процессов обновить описания, помогает с коротким обучением и принимает запросы на улучшения.
Всё это я настроил без полноценной разработки — на low-code платформе, где сценарии собираются почти без кода. Так каталог дорос до полноценного «цифрового помощника». Подробности о том, как он устроен и что умеет делать, можно узнать из моей статьи.
Сложностей было три.
Качество исходных данных. На хаотичной базе знаний нейросеть работает плохо, и если процесс описан неструктурно или устарел, ответ тоже будет неточным. Поэтому сначала пришлось навести порядок в самом каталоге: единый шаблон, согласованная структура, зафиксированные владельцы и зоны ответственности.
Риск выдуманных ответов. Я ограничил бота так, чтобы он отвечал только по материалам каталога, ссылался на найденный процесс и не фантазировал, когда информации не хватает.
Актуальность. У каждого процесса есть владелец и срок подтверждения, и когда срок подходит, бот сам напоминает проверить описание.
Главное, что дал мне ИИ, — возможность масштабировать работу. Он не заменил методологию и не навёл порядок сам, но ускорил самую трудоёмкую часть и со временем стал удобным интерфейсом к каталогу: вместо долгого чтения документов сотрудник быстро получает ответ. В итоге инструмент перестал быть просто папкой с файлами и превратился в рабочий сервис.
ИИ раскладывает новую фичу на задачи
В Островке я развиваю платформу автоматизаций — она помогает избавляться от рутины на разных этапах разработки. За последний год мы автоматизировали процессы вокруг код-ревью, дежурств, тестирования, деплоя и аналитики (о самой платформе мы рассказывали отдельно). Один из блоков работ оказался наиболее сложным: распределение задач.
Механику вроде создания задач в таск-трекере легко описать правилами. А вот понять состав работ по новой фиче и раскидать их между командами — задача совсем другого порядка. Когда фича уходит в разработку, её нужно разложить на отдельные задачи и определить, кто подключается: бэкенд, фронтенд, QA, смежные направления. Раньше этот этап во многом делали вручную — из описания нужно было самостоятельно понять суть фичи и превратить её в набор связанных задач. При ручной обработке всегда есть риск что-то упустить, неправильно классифицировать или описать неединообразно. Поэтому ИИ мы подключили именно на этапе декомпозиции и распределения.
Мы используем LLM внутри нашего сервиса декомпозиции. Когда появляется новая фича, сервис отправляет её описание в модель, где уже задана инструкция (промпт) для разбора. Нейросеть предлагает черновую декомпозицию: какие задачи создать и к каким категориям их отнести. Дальше человек проверяет результат, при необходимости правит описания — и только после этого платформа создаёт задачи в корпоративном таск-трекере.
Первая сложность, с которой столкнулись, — качество входных данных. ИИ зависит от того, насколько понятно описана фича, и если деталей мало или в тексте много внутреннего контекста, ответ выходит слишком общим или неточным.
Вторая трудность — настройка запроса. Просто попросить «разложи задачу на части» недостаточно: нужно чётко описать категории, формат ответа, критерии выделения отдельных задач и границы, в которых модель не должна додумывать за команду. Мы шли итерационно — пробовали разные формулировки, оценивали ответы, уточняли инструкцию — и постепенно вышли на стабильный результат.
Главная польза для меня в том, что ИИ закрыл самый трудный для автоматизации участок — первичный разбор описания фичи. Механические действия платформа умела выполнять и раньше, но сначала нужно было понять, какие задачи вообще нужны и к каким категориям они относятся, — а это плохо формализуется обычной логикой. Теперь нейросеть работает промежуточным звеном между описанием фичи и автоматическим созданием задач: готовит черновик, который человек проверяет и уточняет. Процесс стал быстрее, а платформа получает более структурированные данные. Наш опыт показал, что ИИ особенно полезен там, где правилам не хватает гибкости: разобрать текст, выделить смысловые признаки, ключевые слова, категории. Поэтому для меня это помощник самой платформы автоматизаций — он берёт на себя то, что плохо укладывается в жёсткие правила.
И всё же это помощник, который не заменяет человека до конца. Там, где начинаются узкие места и особые правила, ему не хватает контекста, а настроить его под все возможные ситуации почти нереально — ошибаются и обычные модели, и ассистенты. Отсюда мой главный принцип: доверяй, но проверяй. ИИ хорошо подсказывает идею или направление, но доводить решение до ума стоит своими силами.
Как сделать первый шаг навстречу ИИ
За всеми историями выше не стоит большой революции — просто четыре человека, которые увидели в своей рутине вызов для электронного мозга и довели дело до конца. В этом весь секрет: начать с одной надоевшей задачи.
И напоследок ещё одна мысль для тех, кто пока не решается глубже интегрировать ИИ в свою работу: открытость новым технологиям выгодна в первую очередь нам самим как профессионалам. Изучение нейросетей стоит воспринимать как вложение в собственное развитие.
В Островке мы ценим самостоятельность и проактивность, внедряем свои идеи в рабочие процессы и не боимся пробовать новое. Если такой подход к работе и технологиям вам близок, загляните в раздел вакансий. Там вы найдете много разных позиций — от разработки до маркетинга. Присоединяйтесь и меняйте мир тревел-теха вместе с нами!
