Блог

Как HR подготовить практическое задание с ИИ

Практическое задание с ИИ собирается от учебной цели: сначала наблюдаемый результат сотрудника, затем допустимые данные, запрос к модели, проверка черновика, проба и обсуждение. Ниже — предлагаемый порядок действий для HR и L&D, которые готовят упражнение до занятия.

Материалы для командной работы

Каталог деловых игр ManGO! Games.

Подробнее

Какую задачу должно решать упражнение

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:

  • Какое действие отрабатывается и как оно выглядит в работе?
  • Что сотрудник делает самостоятельно, без участия модели?
  • Какой материал останется после упражнения: заметка, план, разбор, чек-лист?
  • Как выглядит обратная связь и кто её даёт?
  • Что считается достаточным результатом на этом занятии, а что вынесено за его рамки?

Какие исходные данные можно передать ИИ

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.

  • Цель упражнения и аудитория: кто и зачем выполняет задание.
  • Исходный уровень: что участники уже умеют и с какими инструментами работали.
  • Материалы: фрагменты регламентов, инструкций, учебных текстов, разрешённых к использованию.
  • Ограничения: время, формат сдачи, запреты, требования к конфиденциальности.
  • Ожидаемый результат и критерии, по которым его примут.

Как сформулировать запрос к модели

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.

  • Роль: в какой функции выступает модель — методист, редактор, автор проверочных вопросов.
  • Контекст: для кого задание, в каком формате проходит обучение, сколько времени отведено.
  • Входные материалы: разрешённые фрагменты и то, что из них нужно взять.
  • Задача: что именно требуется получить — инструкцию участнику, набор кейсов, критерии проверки.
  • Ограничения: объём, запреты, требования к формулировкам и данным.
  • Формат результата: структура ответа, наличие списка, разделов, критериев.
  • Критерии проверки: по каким признакам тренер поймёт, что задание выполнено.

Как проверить черновик задания

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.

  • Задание связано с учебной целью и проверяет нужное действие.
  • Материалов достаточно, чтобы выполнить работу без догадок.
  • Понятно, что сотрудник сдаёт и в каком формате.
  • Инструкции выполнимы за отведённое время.
  • Фактические утверждения подтверждены доступными источниками.
  • ИИ не выполняет за сотрудника то действие, которое отрабатывается.

Как провести упражнение с сотрудниками

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.

  • Допустимая роль ИИ и границы самостоятельной работы обозначены до старта.
  • Инструкция и материалы прочитаны на пробном выполнении.
  • Промежуточные шаги и решения сохраняются для разбора.
  • Уровень поддержки различается, основная задача остаётся общей.

Как обсудить результат и доработать задание

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.

  • Что в задании сработало и стоит сохранить без изменений.
  • Где инструкция допускала двойное толкование.
  • Каких вводных не хватило участникам.
  • Какие утверждения остались непроверенными и что с ними делать.
  • Какие критерии проверки нужно уточнить к следующей версии.

Вопросы и ответы

Можно ли поручить ИИ окончательную проверку задания?

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.

Что делать, если рабочие данные нельзя передавать в сервис?

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.

Как понять, что задание готово к использованию?

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.

Как учесть разный опыт сотрудников в работе с ИИ?

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.

Что делать с убедительным, но неподтверждённым ответом модели?

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.