• В тексте отмечается, что выход на эффективность у новичка в среднем занимает 3 месяца, а иногда 4–5, потому что вопросы и поиск информации отнимают время у него и у руководителей.
• Выдвигается гипотеза: ИИ-наставник, который собирает базу знаний и учитывает должность, может снизить повторяющиеся вопросы к HR минимум на 80% и сократить время онбординга.
• Интерфейсом выбран Telegram: приветствие в первый день, мини-инструкции и персональный план адаптации с материалами (документы, видео, презентации).
• База знаний предлагается собирать из систем вроде Confluence и HR-систем через API, преобразовывать документы в текст (dedoc) и дополнять OCR для текста на изображениях; обновление — по webhook или по таймеру.
• Для индексации описаны чанкинг по смыслу (300–400 слов, overlap 50–80), метаданные по ролям/отделам и эмбеддинги BAAI/bge-m3 с хранением в векторной базе Qdrant (косинусная метрика).

Почему это важно: В статье разложена типовая проблема онбординга: знания есть, но они разнесены по разным хранилищам и контексту конкретной роли. ИИ-наставник в такой схеме сводит поиск и ответы в один канал и помогает быстрее пройти первые недели, когда барьеров и вопросов больше всего. На практике это часто снижает нагрузку на людей, к которым идут повторяющиеся вопросы.

На что обратить внимание: В описании много зависит от того, какие источники подключаются и насколько регулярно обновляется индекс, чтобы база знаний не устаревала. Отдельно упомянуты сложности с картинками и схемами (нужен OCR) и риски при использовании облачной LLM, где предлагается маскирование данных. В конце отмечено, что guardrails, A/B-тестирование, стоимость и сроки разработки в тексте не разобраны.