Как ИИ помогает внутренним коммуникациям, или Когда лучше обойтись без агентов

2 0

Многие изменения в компании начинаются с документа. Приказ о новом порядке командировок, положение о премировании, обновленный регламент согласования договоров: документ подписан и хранится в системе электронного документооборота. Но для большинства сотрудников это многостраничный текст, написанный языком юристов и руководителей. Из него непросто сразу понять, что меняется в работе конкретного человека. А поняли ли сотрудники документ, обычно выясняется уже по ошибкам или на проверке.

Важные документы на корпоративном портале часто сопровождают новостью. Ее готовит HR или служба внутренних коммуникаций: пересказывает документ простым языком и объясняет, что меняется, кого это касается и с какого числа. Если документ меняет порядок работы, к новости полезно добавить короткий опрос. Он показывает автору, какие положения сотрудники поняли верно, а какие стоит объяснить подробнее или даже уточнить в самом документе. А в целом по ответам видно, насколько хорошо работают внутренние коммуникации.

В Корпоративном портале экосистемы Directum HR Pro мы встроили ИИ в этот процесс: по документу ИИ помогает подготовить новость, а по готовой новости — опрос. На каждом шаге автор проверяет результат, правит его и сам решает, публиковать ли материал.

В статье покажем, как это выглядит для пользователя, как устроено внутри и почему для этих задач мы обошлись без агентов.

Directum Smart Agent и LLM-шлюз

Directum Smart Agent (DSA) — сервис экосистемы Directum, который подключает языковые модели и инструменты корпоративных систем. На его основе можно строить агентные сценарии, в которых модель сама выбирает следующее действие и вызывает инструменты.

В сценариях из этой статьи DSA работает как LLM-шлюз — промежуточный сервис между порталом и языковой моделью. Портал передает ему готовый запрос, DSA отправляет его модели и возвращает ответ. Агентные возможности здесь не используются — почему, расскажем в разделе «Почему один запрос, а не агент».

Почему подготовка новости по документу занимает время

Пересказ документа складывается из нескольких шагов. Автору новости нужно:

  1. прочитать документ целиком, включая приложения;

  2. найти положения, которые касаются сотрудников, и отделить их от формальных формулировок;

  3. понять, что именно меняется и с какого числа;

  4. написать текст простым языком, подобрать заголовок и анонс.

Если нужен опрос, шагов становится больше: составить вопросы по ключевым фактам, подобрать варианты ответа, собрать форму и разместить ее на портале. После публикации — свести ответы и понять, какие положения вызвали затруднения.

Эти шаги повторяются для каждого документа. Когда документов много, а внутренними коммуникациями занимается один-два человека, пересказ отнимает заметную часть рабочего времени.

При этом черновая часть работы — найти главное и изложить его — не требует экспертизы автора. Экспертиза нужна в другом: проверить, верно ли передан смысл, расставить акценты и решить, когда и кому показать материал. Поэтому с черновой частью автору помогает ИИ, а проверка и решения остаются за человеком.

Схема 1. Работа автора вручную и с ИИ-помощником

Вручную все шаги делает автор. С ИИ-помощником черновую часть помогает подготовить ИИ, а у автора остаются проверка и решения: что публиковать и что объяснить подробнее.

Почему именно новость и опрос

ИИ решает на корпоративном портале много задач: поиск по базе знаний, ответы на вопросы по документам, аналитика вовлеченности и другие. В этом материале рассказываем о подготовке новости и опроса по документу. Эти сценарии мы выбрали по трем причинам:

  • Результат легко проверить.
    Автор сразу видит текст или вопросы и может сравнить их с исходным документом.

  • Сценарий встраивается в существующий процесс публикации.
    Редактор новостей, согласование и формы остаются прежними, автору не нужно осваивать новый инструмент.

  • Не нужен агентный подход.
    Для этих задач достаточно одного запроса к модели, а значит, их проще разрабатывать, проверять и отлаживать.

Шаг 1. Генерация новости по документу

Как это выглядит для пользователя

Автор открывает форму создания новости. В визуальном редакторе доступна кнопка «Сгенерировать новость».

Скриншот 1. Кнопка «Сгенерировать новость» на панели редактора

По кнопке открывается окно генератора. В нем автор выбирает документ из списка, задает примерный объем будущей новости и при необходимости добавляет свои пожелания, например, для кого пишется новость или какие изменения выделить.

Скриншот 2. Окно генератора: документ-основа, объем новости и дополнительные инструкции

Для документа на несколько страниц генерация обычно занимает несколько секунд. После генерации заголовок попадает в поле «Заголовок», а текст — в редактор уже с подзаголовками, абзацами, списками и выделениями. Тратить время на оформление и искать, как лучше разбить текст, не нужно.

Скриншот 3. Сгенерированные заголовок и текст в форме новости

Дальше работа идет как обычно. Автор сверяет текст с документом, правит его, дописывает анонс, сохраняет новость и отправляет на согласование. ИИ помог подготовить текст, но решение о публикации принимает человек.

Как это устроено

Генерация проходит в три этапа: получение документа, запрос к модели и обработка ответа.

Получение документа. Подход не привязан к конкретному источнику документов. В нашей реализации в качестве источника используется Directum RX: при открытии генератора портал запрашивает список документов через Integration Service Directum RX по протоколу OData. После выбора документа портал получает список его версий, берет версию с наибольшим номером и запрашивает ее PDF-представление. Затем сервис портала извлекает текст из PDF.

Запрос к модели. Портал формирует запрос из двух частей. В первой — промпт: задача модели, желаемый объем, пожелания автора и требования к формату ответа. Во второй — название, тема и текст документа. Запрос уходит в Directum Smart Agent, который здесь работает как LLM-шлюз: принимает запрос портала и возвращает ответ модели.

Обработка ответа. Модель возвращает новость в формате HTML, поэтому текст сразу приходит со структурой и оформлением. В браузере ответ обрабатывает расширение CKEditor — то же, что добавляет в редактор кнопку «Сгенерировать новость». Расширение берет первый заголовок из ответа и подставляет его в поле «Заголовок», а остальной текст вставляет в редактор с сохранением разметки.

Схема 2. Архитектура генерации новости и опроса

Верхняя дорожка — генерация новости, нижняя — генерация опроса, о ней ниже. Обе проходят через один шлюз: меняются только источник текста, промпт и формат ответа.

Шаг 2. Генерация опроса по новости

Опрос строится на результате первого шага — сохраненной новости.

Зачем нужен опрос

Новость рассказывает о документе, но не показывает, как сотрудники ее поняли. Опрос дает автору обратную связь. Если на вопрос о сроке передачи документов в бухгалтерию многие ответили неверно, значит, это положение стоит объяснить подробнее: отдельной новостью, в рассылке или на встрече с руководителями. Иногда это сигнал и о том, что в новости или в самом документе есть неточность или двусмысленная формулировка.

Опрос не заменяет ознакомление с самим документом и не является аттестацией. Его задача — оценить не сотрудников, а то, насколько понятно им объяснили изменения.

Как это выглядит для пользователя

Автор открывает меню сохраненной новости и выбирает пункт «Сгенерировать опрос».

Скриншот 4. Пункт «Сгенерировать опрос» в меню новости

В диалоговом окне появляются вопросы по фактам из новости. У каждого вопроса — варианты ответа и отметка того, который модель считает правильным. Автор сверяет вопросы с новостью, отмечает подходящие и при необходимости меняет название и описание опроса. Создать опрос можно, когда выбран хотя бы один вопрос.

Скриншот 5. Параметры опроса: название, описание, выбор вопросов и отметка правильного ответа

После подтверждения портал создает форму и открывает ее в штатном редакторе форм. Здесь автор еще раз проверяет опрос и размещает его на странице портала виджетом формы, например рядом с новостью.

Скриншот 6. Созданная форма опроса

Скриншот 7. Так опрос видит сотрудник

Как это устроено

Механизм тот же, что и на первом шаге (нижняя дорожка на схеме 2). Меняются источник текста, промпт и формат ответа.

Подготовка текста. По идентификатору новости портал находит запись сетевого контента и выбирает версию с наибольшим номером. Значения полей новости хранятся в XML, а текст из визуального редактора содержит HTML-разметку. Портал собирает текст из полей в одну строку и убирает теги, чтобы модель получила только содержание.

Запрос к модели. Текст новости и системный промпт уходят одним запросом через DSA. В промпте модель просят составить вопросы по фактам из новости, предложить не менее трех вариантов ответа на каждый вопрос и отметить один правильный. Ответ ожидается в формате JSON: название и описание опроса, список вопросов и варианты ответов. Сервер портала разбирает ответ и передает данные в браузер.

Создание формы. После подтверждения автором браузер отправляет на сервер выбранные вопросы, название и описание. Портал создает форму опроса на текущем сайте. Каждый вопрос становится полем с выбором одного варианта ответа. Отметка правильного варианта сохраняется в служебном значении поля: она нужна для подсчета статистики.

Результаты опроса

Для просмотра результатов в Grafana настроен отдельный дашборд. Администратор выбирает опрос и видит:

  • сколько раз участники выбрали каждый вариант ответа, включая варианты, которые не выбрал никто;

  • какой вариант отмечен как правильный;

  • сколько заполненных форм поступило по дням.

Скриншот 8. Дашборд с распределением ответов по вариантам и числом ответов по дням

Данные для дашборда готовит портал. Когда администратор выбирает опрос, Grafana передает порталу идентификатор формы. Портал загружает вопросы, варианты и сохраненные ответы, считает выбор каждого варианта и отдельно группирует заполненные формы по дням. Одна заполненная форма считается одним ответом на опрос, независимо от числа вопросов.

Почему один запрос, а не агент

Агентный подход полезен, когда порядок действий зависит от того, что выяснится по ходу работы. Например, пользователь просит сравнить несколько регламентов. Агенту может понадобиться сначала найти нужные документы, затем определить, хватает ли сведений для сравнения, и при необходимости запросить дополнительные данные. Каждый следующий шаг зависит от результата предыдущего.

В генерации новости и опроса таких решений нет. К моменту обращения к модели портал уже знает, какой материал обработать, какую инструкцию дать модели и куда передать ответ. Для новости это последняя версия документа, который выбрал автор, и HTML для редактора. Для опроса — текст новости, из меню которой запущена генерация, и JSON с вопросами.

Поэтому портал делает один запрос к DSA на каждую генерацию, а инструменты MCP-серверов в этих сценариях не используются. DSA при этом остается тем же сервисом, на котором строятся агентные сценарии: в этих задачах мы используем его в режиме LLM-шлюза.

Фиксированную последовательность проще проверять и отлаживать по шагам. Агентный цикл добавил бы еще один уровень логики — выбор действий и обработку промежуточных результатов, хотя в этих сценариях следующий шаг всегда известен заранее.

Схема 3. Два режима Directum Smart Agent

В генерации новости и опроса шаги задает портал, поэтому DSA работает как шлюз к модели. Агентный режим нужен там, где следующий шаг зависит от промежуточного результата.

Не только новость и опрос

Генерация новости и опроса — лишь часть ИИ-сценариев портала. На той же основе работают и другие.

Помощник там, где автор работает с документами.
Генерацию можно запустить не только из редактора новости, но и из любого места портала, где есть документ: из списка документов, из базы знаний, из карточки документа. Увидел важный документ — сразу подготовил по нему материал для сотрудников.

Диалог вместо одной кнопки.
Автор дорабатывает черновик вместе с ИИ: просит сократить текст, сделать его менее формальным, добавить блок для руководителей или подготовить версию для другой аудитории. Текст обновляется прямо в редакторе, без повторной генерации с нуля.

От статистики ответов к аналитике вовлеченности.
Ответы на опросы, охваты новостей и активность на портале — это данные, на которых можно строить HR-аналитику глубже, чем «сколько человек прочитали».
Среди сценариев:

  • методики расчета индекса вовлеченности по подразделениям и сотрудникам — на основе активности на портале и результатов опросов;

  • регулярные пульс-опросы и расчет eNPS с динамикой по подразделениям;

  • сопоставление сложности вопросов с долей верных ответов, чтобы находить формулировки, которые стоит переписать;

  • ИИ-ассистент для HR, который отвечает на вопросы вроде «как изменилась вовлеченность отдела за квартал» и объясняет, из чего складывается оценка.

Так портал не только доносит информацию, но и показывает HR, где коммуникации работают, а где требуют внимания.

Заключение

ИИ в корпоративном портале не обязательно начинать с чат-бота или агента. Хорошая точка входа — повторяющаяся работа, результат которой легко проверить. В нашем случае это пересказ документа и вопросы по нему: ИИ помогает подготовить черновик, а смысл, акценты и решение о публикации остаются за человеком. Порядок шагов здесь известен заранее, поэтому агент не нужен — хватает одного запроса к модели.

Отдельная польза — обратная связь: ответы на опрос показывают, какие положения стоит объяснить еще раз, а иногда — что неточность закралась в саму новость или в документ.

Нам интересен ваш опыт: какие документы в вашей компании чаще всего приходится пересказывать сотрудникам и как вы проверяете, что изменения поняты?
Поделитесь в комментариях.

Как это работает целиком

В ролике — весь путь от документа до результатов опроса: генерация новости, проверка черновика, генерация опроса, создание формы и дашборд с ответами.


 

Над материалом работали: Ардашева Ульяна, Корепанов Александр

Пока комментариев нет.

Авторизуйтесь, чтобы написать комментарий