ПОВЕДЕНЧЕСКИЕ ТЕХНОЛОГИИ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СИСТЕМЕ МОТИВАЦИИ ЧЕЛОВЕЧЕСКИХ РЕСУРСОВ

BEHAVIORAL TECHNOLOGIES AND ARTIFICIAL INTELLIGENCE IN THE HUMAN RESOURCES MOTIVATION SYSTEM

Galiullina Elizaveta Ravilevna

Student, department of Economic Theory, Samara State University of Economics,

Russia, Samara

Bogatyreva Irina Vyacheslavovna

Scientific supervisor, candidate of Sciences in Economics, associate professor, Samara State University of Economics,

Russia, Samara

АННОТАЦИЯ

Цель: исследовать возможности интеграции поведенческих технологий и искусственного интеллекта в системы мотивации персонала российских компаний. Метод: теоретический анализ подходов поведенческой экономики (Р. Талер, К. Санстейн) и кейс-метод на примере внедрения цифровой платформы мотивации в компании «Совет Лигал». Результат: выявлено, что автоматизация мотивационного учёта и применение HR-инструментов, основанных на поведенческих подходах, позволяют повысить вовлечённость сотрудников, снизить административную нагрузку на HR и создать прозрачную «архитектуру выбора». Выводы: персонализированные поведенческие интервенции на базе ИИ являются перспективным направлением эволюции HR-менеджмента в России, однако требуют адаптации к локальной корпоративной культуре и решения этических вопросов.

ABSTRACT

Background: the study aims to explore the potential of integrating behavioral technologies and artificial intelligence into employee motivation systems in Russian companies. Methods: theoretical analysis of behavioral economics approaches (R. Thaler, C. Sunstein) and a case study of the digital motivation platform implementation in the company "Soviet Legal". Results: automation of motivational accounting and the use of HR tools based on behavioral approaches increase employee engagement, reduce HR administrative burden, and create a transparent "choice architecture". Conclusions: personalized behavioral interventions based on AI are a promising direction for the evolution of HR management in Russia, but they require adaptation to local corporate culture and addressing ethical issues.

Ключевые слова: поведенческие технологии; поведенческие подходы в HR; искусственный интеллект; мотивация персонала; управление человеческими ресурсами; цифровая трансформация HR; «Совет Лигал».

Keywords: behavioral technologies; behavioral approaches in HR; artificial intelligence; employee motivation; human resource management; digital HR transformation; "Soviet Legal".

Актуальность исследования обусловлена кардинальными изменениями в структуре рабочей силы и ожиданиях сотрудников. Поколения Y и Z, составляющие сегодня основу многих компаний, демонстрируют низкую лояльность к традиционным системам мотивации, построенным исключительно на KPI и материальном вознаграждении. Им требуются прозрачность, оперативная обратная связь, автономия и возможность видеть связь между своими действиями и признанием. В ответ на этот вызов современное управление человеческими ресурсами активно интегрирует цифровые технологии, среди которых особое место занимают поведенческие подходы, усиленные искусственным интеллектом. Настоящая статья ставит целью проанализировать теоретические основы и практические результаты применения таких подходов на примере российской компании.

Фундаментом для внедрения поведенческих интервенций в корпоративную среду послужили работы лауреата Нобелевской премии Ричарда Талера и Касса Санстейна, предложивших концепцию «архитектуры выбора». Суть её заключается в том, что небольшое изменение контекста, в котором человек принимает решение, способно предсказуемо изменить его поведение без запретов и экономических санкций. В HR-менеджменте это означает, что вместо принуждения сотрудника к заполнению отчётов или прохождению обучения можно создать условия, при которых желаемое действие становится простым, заметным и социально одобряемым.

Классическими примерами поведенческих «подталкиваний» (термин, который в данной статье мы будем обозначать как «поведенческие стимулы») служат: автоматическое включение сотрудника в программу добровольного медицинского страхования с возможностью отказа (снижает когнитивную нагрузку по сравнению с необходимостью подавать заявку); визуализация прогресса выполнения проекта в виде заполняющейся шкалы (использует эффект «близости к цели»); публичное признание небольших достижений в корпоративном чате (опирается на потребность в социальном одобрении).

Однако классические поведенческие стимулы имеют ограничение: они статичны и универсальны, тогда как сотрудники различаются по мотивационным профилям, когнитивным стилям и текущему состоянию (усталость, стресс, перегрузка). Именно здесь на помощь приходит искусственный интеллект.

Современные HR-платформы, оснащённые алгоритмами машинного обучения, способны анализировать большие массивы данных о поведении сотрудников: частота и время заполнения отчётности, участие в корпоративных мероприятиях, динамика выполнения KPI, коммуникативная активность. На основе этого анализа ИИ строит индивидуальные профили и в режиме реального времени подбирает наиболее эффективный поведенческий стимул для каждого работника. Такой подход в зарубежной литературе получил название «precision nudging» (точное поведенческое воздействие), однако в российской практике чаще говорят об «адаптивных HR-рекомендательных системах».

Рассмотрим гипотетический пример. Два менеджера по продажам имеют одинаковые планы, но один ориентирован на соревновательность, а другой — на избегание неудач. ИИ-модуль будет первому отправлять сообщения с рейтингом и сравнением с коллегами («Вы на втором месте, до лидера 3 звонка»), а второму — напоминания о минимально необходимом уровне и штрафных санкциях («Осталось выполнить 70% плана, иначе бонус сократится»). Оба воздействия являются поведенческими, но они персонализированы.

Следующий уровень — предиктивная аналитика. ИИ может выявлять ранние признаки выгорания (снижение активности, рост ошибок, опоздания) и автоматически предлагать сотруднику корректирующие интервенции: короткий перерыв, перенос дедлайна, сессию с коучем. При этом решение остаётся за человеком — ИИ только «подсказывает», но не принуждает.

Практический кейс: автоматизация мотивации в компании «Совет Лигал»

Для иллюстрации перехода от теории к реальной российской практике рассмотрим юридическую компанию «Совет Лигал» (г. Москва, штат около 150 человек). В 2025 году компания осуществила проект по цифровизации системы мотивации, результаты которого были опубликованы в отраслевых СМИ.

Исходная ситуация и проблемы: до внедрения цифровых инструментов мотивационная система «Совет Лигал» базировалась на следующих принципах: ежегодный бюджет на нематериальное поощрение выделялся каждому сотруднику в зависимости от стажа работы в компании; учёт расходования этого бюджета вёлся вручную — с помощью Excel-таблиц, которые обновляла HR-менеджер; сотрудник, желающий, например, получить абонемент в спортзал или оплатить курсы английского, должен был написать заявление, принести чек, дождаться сверки. Это порождало системные проблемы: высокая административная нагрузка на HR. По оценкам компании, HR-специалист тратил до 10 часов в неделю только на сверку чеков и обновление таблиц, недоверие и низкая вовлечённость. Сотрудники не видели свой текущий баланс, не понимали, сколько средств осталось, и воспринимали процесс как «чёрный ящик», отсутствие мотивационной связи. Бюджет зависел исключительно от стажа, что не стимулировало проактивное поведение, перевыполнение планов или обучение.

Выбор и внедрение цифрового решения: руководство «Совет Лигал» приняло решение автоматизировать учёт с помощью российской HR-платформы «Тил Эйчар» (Teal HR). Ключевыми критериями выбора стали: низкий порог входа (не требуется доработок под конкретную компанию), наличие мобильного приложения и возможность геймификации. Внедрение заняло 20 рабочих дней, включая загрузку справочников сотрудников и настройку прав доступа.

Новая система предоставила каждому сотруднику личный кабинет, где в реальном времени отображаются: текущий мотивационный баланс (в баллах или рублях); история начислений (за достижения, переработки, рационализаторские предложения); история списаний (оплата абонементов, билетов, обучения); «витрина благ» — список того, на что можно потратить баллы.

Поведенческие эффекты и результаты: хотя формально система не использует сложные ИИ-алгоритмы, она создала базовую архитектуру выбора, которая сама по себе породила поведенческие эффекты:

Таблица 1.

Поведенческие механизмы и результаты внедрения системы «Совет Лигал»

Количественные результаты, озвученные компанией через 6 месяцев после внедрения: снижение времени, затрачиваемого HR на учёт мотивации, на 85% (с 10 до 1,5 часов в неделю); рост вовлечённости по опросу eNPS (Employee Net Promoter Score) с 32 до 54; увеличение доли сотрудников, использующих мотивационные баллы, с 41% до 89%.

Данный кейс показывает, что первый шаг к внедрению современных поведенческих подходов в HR — это цифровизация учёта и создание прозрачной архитектуры выбора. Без автоматизации любые попытки персонализированных стимулов тонут в рутине и информационном шуме. «Совет Лигал» создал фундамент, на котором в будущем может быть надстроен ИИ-модуль, анализирующий, какие типы поощрений (спорт, обучение, билеты) чаще выбирают разные категории сотрудников, и автоматически предлагающий им наиболее релевантные варианты.

Несмотря на позитивные примеры, внедрение поведенческих технологий с элементами ИИ сталкивается в России с рядом специфических барьеров. Культурный барьер. Исследования НИУ ВШЭ показывают, что в российской корпоративной культуре, особенно на производственных предприятиях, прямое указание и контроль могут быть эффективнее мягкого «подталкивания». Некоторые сотрудники воспринимают персонализированные рекомендации как вмешательство в личное пространство.

Этический барьер. (Где проходит грань между заботой о сотруднике и манипуляцией) Если ИИ предсказывает, что Иванов склонен к выгоранию, и отправляет ему рекомендацию отдохнуть, это полезно. Но если алгоритм используется для выявления «ненадёжных» сотрудников на основе их переписок в мессенджере — это нарушение приватности. Российское законодательство (ФЗ «О персональных данных») требует осторожности при сборе поведенческих данных.

Барьер измеримости. В ряде функций (творческие, стратегические, исследовательские) трудно подобрать объективные опережающие показатели для настройки поведенческих стимулов. Если для продавца KPI — это звонки, то для дизайнера — количество итераций или оригинальность решений, которые плохо формализуются.

Технологический барьер. Не все российские компании, особенно региональные, имеют бюджет на внедрение ИИ-решений в HR. Однако, как показывает кейс «Совет Лигал», даже старт с простой автоматизации приносит значительный эффект.

В ближайшие годы следует ожидать появления на российском рынке HR-платформ со встроенными «поведенческими движками» на основе ИИ. Прогнозируется, что такие системы будут:

• анализировать не только явные действия (заполнил отчёт, нажал кнопку), но и пассивные сигналы (время реакции в чате, частота переключения между задачами);
• предлагать сотруднику микрозадачи, подобранные под его текущий уровень энергии (например, утром — сложный анализ, после обеда — рутинные звонки);
• автоматически адаптировать интерфейс корпоративного портала под мотивационный профиль пользователя (для «соревновательных» — больше рейтингов, для «избегающих» — больше чек-листов).

Однако ключевым условием останется добровольность и прозрачность. Лучшие российские компании уже сейчас декларируют принцип «человекоцентричности», при котором цифровые поведенческие стимулы служат не для контроля, а для поддержки сотрудника в достижении его собственных целей.

Проведённое исследование позволяет сделать следующие выводы.

1. Поведенческие технологии, основанные на концепциях поведенческой экономики, являются эффективным инструментом повышения вовлечённости и продуктивности персонала без жёсткого администрирования.

2. Интеграция искусственного интеллекта трансформирует эти технологии из универсальных в персонализированные, адаптивные системы, способные учитывать индивидуальные особенности сотрудников.

3. Российский кейс компании «Совет Лигал» демонстрирует, что практическая реализация поведенческого подхода начинается с цифровизации базового учёта мотивации и создания прозрачной архитектуры выбора. Это приносит измеримые результаты (снижение нагрузки на HR на 85%, рост eNPS на 22 пункта) и создаёт основу для дальнейшего внедрения ИИ.

4. Для успешного масштабирования таких решений в России необходимо преодолеть культурные, этические и технологические барьеры, а также обеспечить соблюдение законодательства о персональных данных.

Таким образом, симбиоз поведенческих подходов и искусственного интеллекта формирует новый облик HR-менеджмента — от «кнута и пряника» к «цифровому архитектору выбора», который уважает свободу сотрудника и помогает ему делать более продуктивные решения. Дальнейшие исследования должны быть направлены на разработку этических стандартов применения ИИ в HR и адаптацию зарубежных методик к российской корпоративной культуре.

Список литературы:

1. Абылайханова Т.А., Домалатов Е.Б. Нейросети как инструмент повышения эффективности управления человеческим капиталом: эмпирический анализ и предиктивное моделирование [Электронный ресурс] // Scientific journal of pedagogy and economics. — 2026. — Т. 419, № 1. — С. 554–568. — DOI: 10.32014/2026.2518-1467.1123. — URL: https://journals.nauka-nanrk.kz/bulletin-science/article/view/7932 (дата обращения: 18.04.2026).
2. Кугушева Т.В., Кушвара Е.А. Цифровизация процесса управления персоналом на промышленном предприятии [Электронный ресурс] : монография. — Москва : Русайнс, 2024. — 105 с. — ISBN 978-5-466-08350-7. — URL: https://book.ru/book/956718 (дата обращения: 18.04.2026).
3. Лунев В.А. Интеграция мотивационных показателей в систему стимулирования: концептуальные и прикладные аспекты [Электронный ресурс] // Региональные проблемы преобразования экономики. — 2026. — № 1. — DOI: 10.26726/rppe2025v11iomii. — URL: http://www.rppe.ru/new/index.php/rppe/article/view/3134 (дата обращения: 18.04.2026).
4. Попов Ю.А. Формирование системы мотивации персонала на основе современных типологий сотрудников организаций [Электронный ресурс] // Экономика и менеджмент. — 2024. — № 03-09-24. — URL: http://edrj.ru/article/03-09-24 (дата обращения: 18.04.2026).
5. Талер Р., Санстейн К. Nudge. Архитектура выбора: Как улучшить наши решения о здоровье, благосостоянии и счастье = Nudge: Improving Decisions about Health, Wealth, and Happiness : пер. с англ. — Москва : Манн, Иванов и Фербер, 2018. — 240 с. — ISBN 978-5-00100-842-4.