Как HR подготовить практическое задание с ИИ
Подготовка начинается с учебной цели, а не с выбора нейросети. Методические материалы Vanderbilt по обучению с генеративным ИИ предлагают отталкиваться от целей и задач курса: это помогает определить, как и когда генеративный ИИ может помочь учащимся учиться (Vanderbilt, Teaching with Generative AI). В корпоративном контексте это переводится в простое требование: сначала описывается действие, которое отрабатывается, и только потом решается, нужна ли на этом шаге модель.
Наблюдаемый результат удобно описывать до запроса к модели: что сотрудник сделает сам, на каких материалах, что сдаст и что тренер или руководитель разберёт после. Задание без такого описания легко смещается в упражнение «получить аккуратный текст от модели» — и обсуждать в нём почти нечего, потому что содержательная работа осталась на стороне сервиса.
Предлагаемый критерий различения двух ситуаций: после упражнения сотрудник может объяснить ход решения, назвать проверенные и непроверенные части и повторить действие без подсказки. Это не измерение эффекта обучения, а способ проверить конструкцию задания до занятия.
Вопросы к цели и условиям выполнения, на которые стоит ответить до генерации:
Вводные собираются до генерации. Перечень ниже — предлагаемая структура, а не обязательная форма: часть пунктов может остаться незаполненной, если по ним ещё нет решения. Важно, чтобы к моменту запроса было понятно, на каких материалах строится задание и что в нём потом можно проверить.
Отдельного решения требует вопрос о данных. UNESCO в руководстве по генеративному ИИ в образовании и исследованиях относит защиту приватности данных к обязательным требованиям и упоминает этическую проверку и педагогическое проектирование (UNESCO, Guidance for generative AI in education and research). Практический вывод для HR: в сервис передаются только те материалы, которые разрешены политикой инструмента и внутренними правилами организации.
Если разрешения нет, загружать персональные сведения и коммерческие секреты не стоит — лучше подобрать другой материал: открытые инструкции, учебные примеры, фрагменты, которые организация готова показывать на занятии. Какие сведения допустимы в конкретном случае, определяется внутренними правилами и политикой сервиса; статья такую консультацию не заменяет.
Если существенных вводных нет, их уточняют у заказчика, эксперта или владельца процесса, а не поручают модели придумать. Выдуманные условия выполнения и несуществующие регламенты сложно использовать на занятии: участник упрётся в них при первом же вопросе.
Запрос удобно собирать из нескольких частей, каждая из которых отвечает на свой вопрос. Документация по промпт-инжинирингу перечисляет роль, входные данные, задачу и индикатор вывода — формат или тип ожидаемого ответа (GigaChat, основы промпт-инжиниринга). К этим частям стоит добавить ограничения и критерии проверки, чтобы модель не решала за автора, что считать хорошим результатом.
Разделение вводных и инструкции помогает увидеть, что модель должна обработать, а что — выполнить. Вводные описывают материалы и контекст, инструкция задаёт действие и форму ответа. Если части перемешаны, вместо упражнения легко получить пересказ исходного текста.
Противоречия устраняются до генерации: в запросе не должно быть двусмысленных формулировок или противоречий. Требования «коротко» и «подробно с обоснованием каждого шага» в одном запросе тянут результат в разные стороны, и разбираться с этим приходится уже на этапе проверки. Документация также советует добавлять проверку фактов — для учебного задания это уместно ровно так же, как для любого другого текста.
Перечень полей запроса не обязан быть заполнен целиком: незаполненный пункт — нормальная рабочая ситуация, если по нему пока нет решения. Заполнять пробелы выдуманными деталями не стоит. Модели не нужно поручать придумать участников, обстоятельства или «реальный пример» — такой материал всё равно нельзя использовать в занятии без проверки.
Черновик проверяется по вопросам, на которые можно ответить «да» или «нет» без обращения к модели. Такой список удобно держать рядом с самим черновиком и проходить его целиком, а не выборочно.
Первый вопрос — связано ли задание с учебной целью. Дальше проверяются материалы: достаточно ли их, чтобы выполнить работу, не догадываясь о недостающем. Отдельно смотрится ожидаемый результат: понятно ли, что сдаётся и в каком виде. Инструкции полезно прочитать глазами участника и оценить, реально ли уложиться в отведённое время.
Фактические тезисы в задании сверяются с доступными источниками; документация по работе с запросами прямо советует добавлять проверку фактов. Убедительность формулировки не доказывает её истинность, поэтому сверка остаётся за человеком. Ещё один вопрос: не подменяет ли ИИ то действие, которому сотрудник должен научиться. Если модель делает всю содержательную часть, тренируется только составление запроса.
Проверять черновик стоит самостоятельно, до использования с группой, и возвращать модели конкретное замечание: не «сделай лучше», а что именно не так и что требуется изменить. Методические материалы Vanderbilt включают обратную связь преподавателя и коллег в работу с генеративным ИИ, а не выносят её за скобки (Vanderbilt, Teaching with Generative AI). Обещаний точности «с первого раза» здесь быть не может.
Перед занятием обозначается допустимая роль ИИ и ожидаемый самостоятельный результат сотрудника. Методические рекомендации Vanderbilt предлагают сформулировать ясное и постоянное правило, на которое учащиеся могут легко сослаться, чтобы уменьшить путаницу (Vanderbilt, Teaching with Generative AI). В рабочем варианте правило короткое: что можно поручать модели, что проверяется человеком, что сдаётся отдельно.
В предлагаемом порядке есть пробное выполнение — с коллегой или одним участником. Его задача — прочитать инструкцию глазами исполнителя и отметить места, где нужны уточнения; это подготовительный шаг, а не доказательство качества задания.
На самой встрече стоит попросить сохранять промежуточные материалы и последовательность решений. С ними обсуждение опирается на сохранившиеся записи, а не на воспоминания о том, как всё шло. Это же упрощает разбор для тех, кто выполнял задание иначе.
Разный опыт участников учитывается через вводные и уровень поддержки, а не через предположения о возможностях человека. Одним достаточно общей формулировки задачи, другим нужен разбор структуры запроса и подсказка, где искать материал. Основная часть задания при этом остаётся общей, иначе результаты сложно обсуждать вместе. Обратная связь даётся по ходу и после выполнения: что получилось, где пришлось возвращаться назад, какой шаг вызвал больше всего вопросов. Это авторский порядок работы, а не описание проведённого исследования или корпоративного эксперимента.
Обсуждение начинается с обоснования решения: почему выбран такой ход, какие материалы использованы, что осталось за рамками. Затем разбираются проверенные и непроверенные части ответа — какие утверждения удалось сверить и по какому источнику, а какие остались предположением. Отдельно проговариваются ограничения исходных данных: чего в материалах не было и как это отразилось на результате.
Полезно разделять три разных источника проблем. Ошибка самого задания — инструкция непонятна или не соответствует цели. Недостаток вводных — участнику не хватило материала или контекста. Непроверенный вывод модели — утверждение выглядит убедительно, но подтверждения нет. Смешивать их в одном замечании не стоит: исправления будут разными.
Итог обсуждения — конкретные правки следующей версии упражнения и критериев проверки. Формулировка задания, набор материалов, время на выполнение, состав проверочных вопросов могут измениться после первой пробы. Методические материалы Vanderbilt предлагают давать учащимся возможность рефлексировать над опытом работы с генеративным ИИ и включать обратную связь преподавателя и коллег в такие активности (Vanderbilt, Teaching with Generative AI); в корпоративном варианте это разговор после упражнения, а не отдельный бланк ради отчётности.
Доработка не обещает роста производительности или ускорения обучения. Она делает задание понятнее для следующей группы и точнее по отношению к учебной цели — этого достаточно как результата одного цикла подготовки.
Нет. Модель полезна на этапе черновика и может подсказать слабые места, но решение о готовности принимает человек: документация советует добавлять проверку фактов, а методические материалы относят обратную связь тренера и коллег к самой работе с генеративным ИИ.
Подобрать другой материал и перестроить задание под него. Персональные сведения и коммерческие секреты без разрешения не загружаются; допустимость конкретных данных определяется внутренними правилами организации и политикой выбранного сервиса.
Когда по проверочному списку не осталось открытых вопросов: есть связь с целью, хватает материалов, понятен результат, инструкции выполнимы, факты подтверждены. Дополнительно стоит прочитать задание на пробном выполнении с коллегой.
Через вводные и уровень поддержки: одним достаточно общей задачи, другим нужен разбор структуры запроса. Основная часть задания остаётся общей, а правила использования модели обозначаются до начала работы.
Пометить как непроверенный и либо сверить с доступным источником, либо убрать из задания. В критерии проверки такие утверждения включать нельзя: аккуратная формулировка не заменяет подтверждения.