Модель компетенций есть почти в каждой зрелой компании. Но не в каждой компании она становится полноценным рабочим инструментом. Не потому что плохо сделана. А потому что не всегда успевает за рабочим ритмом и потоком изменений.
Современные технологии меняют ситуацию. Компетентностный подход обретает новые формы, наращивает способность быть живым и динамичным: работать с данными в реальном времени, слышать живые смыслы сотрудников, а не универсальные формулировки из библиотек, обновляться вместе с бизнесом, а не раз в три года. То, что раньше требовало месяцев работы и зависело от состава участников в комнате, становится точнее, быстрее и ближе к реальности организации.
В этом материале мы смотрим на опыт компаний, которым удалось вывести компетентностный подход на новый уровень — и вдохновляемся.
Современные технологии меняют ситуацию. Компетентностный подход обретает новые формы, наращивает способность быть живым и динамичным: работать с данными в реальном времени, слышать живые смыслы сотрудников, а не универсальные формулировки из библиотек, обновляться вместе с бизнесом, а не раз в три года. То, что раньше требовало месяцев работы и зависело от состава участников в комнате, становится точнее, быстрее и ближе к реальности организации.
В этом материале мы смотрим на опыт компаний, которым удалось вывести компетентностный подход на новый уровень — и вдохновляемся.
От моделей компетенций к онтологиям навыков: разберёмся в понятиях и сдвиге парадигмы
Каждый уровень не отменяет предыдущий — он расширяет горизонт. От вопроса «соответствует ли человек профилю» к вопросу «куда он может вырасти». От статичного документа — к системе, которая живёт вместе с организацией. Именно этот сдвиг делают возможным новые технологии, и именно поэтому он происходит сейчас, а не десять лет назад.
Момент, который важно не упустить
Это не повод паниковать — это повод переосмыслить подходы. Компании, у которых есть живая система отслеживания навыков, реагируют на изменения раньше, не потому что они умнее, а потому что они видят разрывы до того, как те становятся проблемой.
Именно здесь вырастает концепция организации, построенной на навыках: решения о людях принимаются исходя из того, что человек умеет, а не из того, какую должность он занимает. На практике это меняет язык, на котором компания принимает решения о людях — от найма до развития.
Именно здесь вырастает концепция организации, построенной на навыках: решения о людях принимаются исходя из того, что человек умеет, а не из того, какую должность он занимает. На практике это меняет язык, на котором компания принимает решения о людях — от найма до развития.
Но как это выглядит на практике, не в теории, а в живой организации с тысячами сотрудников? Посмотрим на два кейса: Jonson & Jonson, которые научились измерять навыки через реальную деятельность людей, и Unilever, которые встроили таксономию в саму ткань того, как компания работает.
Кейс Johnson & Johnson: от экспертной таксономии к живому профилю каждого сотрудника
В 2020 году технологическое подразделение J&J столкнулось с задачей, знакомой многим: как понять, какими навыками реально владеют 4 000 сотрудников — и где именно находятся разрывы? Стандартный ответ — самооценка и оценочные процедуры. J&J пошли дальше.
Они запустили механизм автоматического определения навыков по косвенным данным: вместо того чтобы просить людей декларировать свои умения, система анализировала цифровые следы их реальной деятельности.
Процесс включал три шага. Сначала — разработка таксономии: внутренние эксперты-практики вручную сформулировали 41 «навык будущего» в 11 областях компетентности, каждый с точным поведенческим описанием, привязанным к контексту именно этой компании. Затем — сбор данных из четырёх систем: кадровой системы, базы данных рекрутинга, системы управления обучением и платформы управления проектами. И только на третьем шаге в дело вступала языковая модель: она анализировала цифровые следы реальной деятельности и оценивала уровень владения каждым навыком по шкале 0–5, сопоставляя результат с самооценкой сотрудника.
Что это дало людям? Каждый получил конкретный профиль навыков и ориентиры для развития — не абстрактные «зоны роста», а понятные следующие шаги. Участие в обучающих активностях выросло на 20% после первого цикла. К 2024 году более 90% технологического персонала пользовались платформой развития.
Что это дало бизнесу? Внутренние переходы на новые роли фиксировались на 8% чаще, добровольная текучесть для специалистов в цифровых ролях оказалась вдвое ниже рынка. Руководители получили карты распределения навыков по регионам и функциям — и могли принимать решения о развитии и найме, опираясь на факты, а не на ощущения.
Принципиальная деталь: данные о навыках были деперсонализированы и не использовались в оценке эффективности. Сотрудники могли отказаться от участия. Именно это обеспечило доверие к системе — и её высокое принятие.
Они запустили механизм автоматического определения навыков по косвенным данным: вместо того чтобы просить людей декларировать свои умения, система анализировала цифровые следы их реальной деятельности.
Процесс включал три шага. Сначала — разработка таксономии: внутренние эксперты-практики вручную сформулировали 41 «навык будущего» в 11 областях компетентности, каждый с точным поведенческим описанием, привязанным к контексту именно этой компании. Затем — сбор данных из четырёх систем: кадровой системы, базы данных рекрутинга, системы управления обучением и платформы управления проектами. И только на третьем шаге в дело вступала языковая модель: она анализировала цифровые следы реальной деятельности и оценивала уровень владения каждым навыком по шкале 0–5, сопоставляя результат с самооценкой сотрудника.
Что это дало людям? Каждый получил конкретный профиль навыков и ориентиры для развития — не абстрактные «зоны роста», а понятные следующие шаги. Участие в обучающих активностях выросло на 20% после первого цикла. К 2024 году более 90% технологического персонала пользовались платформой развития.
Что это дало бизнесу? Внутренние переходы на новые роли фиксировались на 8% чаще, добровольная текучесть для специалистов в цифровых ролях оказалась вдвое ниже рынка. Руководители получили карты распределения навыков по регионам и функциям — и могли принимать решения о развитии и найме, опираясь на факты, а не на ощущения.
Принципиальная деталь: данные о навыках были деперсонализированы и не использовались в оценке эффективности. Сотрудники могли отказаться от участия. Именно это обеспечило доверие к системе — и её высокое принятие.
Кейс Unilever: таксономия как живая инфраструктура
Если J&J показывает, как масштабировать таксономию навыков на уровень измерения, то Unilever — что происходит, когда работа с навыками встраивается в саму ткань того, как компания функционирует.
С 2019 года Unilever развивает внутренний рынок талантов Flex Experiences: платформа на основе ИИ сопоставляет сотрудников с проектами по навыкам и интересам, а не по должности. Люди могут посвящать до 20% времени проектам за пределами своей функции — в другом регионе, другом направлении бизнеса. Каждый такой переход генерирует данные: какие навыки реально востребованы, где возникают разрывы, какие сочетания компетенций работают на практике.
Именно это приближает Unilever к тому, что в теории называют онтологией навыков: не статичная классификация, а живая карта связей, которая обновляется через реальную деятельность людей. Компания не декларирует это как архитектурное решение, она просто накапливает данные о том, как навыки работают в контексте.
Практический результат этого подхода хорошо виден на примере цепочки поставок. Когда инструменты на основе ИИ начали входить в операционную реальность, Unilever не стала заново изучать ситуацию — система уже показывала разрыв: навыков работы с ИИ в таксономии попросту не было. Это позволило быстро сформулировать приоритет — и к концу 2024 года обучить более 23 000 сотрудников цепочки поставок работе с ИИ-инструментами.
Не догонять рынок, а видеть разрыв до того, как он стал проблемой. В этом и есть разница между живой системой и документом на полке.
С 2019 года Unilever развивает внутренний рынок талантов Flex Experiences: платформа на основе ИИ сопоставляет сотрудников с проектами по навыкам и интересам, а не по должности. Люди могут посвящать до 20% времени проектам за пределами своей функции — в другом регионе, другом направлении бизнеса. Каждый такой переход генерирует данные: какие навыки реально востребованы, где возникают разрывы, какие сочетания компетенций работают на практике.
Именно это приближает Unilever к тому, что в теории называют онтологией навыков: не статичная классификация, а живая карта связей, которая обновляется через реальную деятельность людей. Компания не декларирует это как архитектурное решение, она просто накапливает данные о том, как навыки работают в контексте.
Практический результат этого подхода хорошо виден на примере цепочки поставок. Когда инструменты на основе ИИ начали входить в операционную реальность, Unilever не стала заново изучать ситуацию — система уже показывала разрыв: навыков работы с ИИ в таксономии попросту не было. Это позволило быстро сформулировать приоритет — и к концу 2024 года обучить более 23 000 сотрудников цепочки поставок работе с ИИ-инструментами.
Не догонять рынок, а видеть разрыв до того, как он стал проблемой. В этом и есть разница между живой системой и документом на полке.
Как ИИ делает такую трансформацию возможной, и где его предел
ИИ открывает три возможности, которые раньше были недостижимы.
Но у ИИ есть два принципиальных предела — и оба важно понимать до того, как запускать систему.
Первый — смысл. ИИ не может за людей решить, что считать эффективностью в конкретной компании. Что важно в работе людей, что организация вкладывает в понятие «хороший руководитель» — это не вычисляется из данных автоматически, это требует осознанного человеческого выбора. ИИ может помочь этот выбор сделать точнее — но не может сделать его вместо вас. И именно от качества этого решения зависит, будет ли система умной или просто быстрой.
Второй — прозрачность. «Почему меня не рассмотрели на эту роль?» — «Алгоритм выдал низкую оценку» — такой ответ не устроит ни сотрудников, ни регуляторов. Регуляторный ландшафт пока формируется: в финансовом секторе Банк России уже рекомендовал требования объяснимости решений, европейский GDPR даёт сотрудникам право оспаривать автоматизированные решения. Остальные отрасли — вопрос ближайших лет. Инструменты, которые не могут объяснить свою логику, становятся не просто неудобными — они становятся рискованными.
Первый — смысл. ИИ не может за людей решить, что считать эффективностью в конкретной компании. Что важно в работе людей, что организация вкладывает в понятие «хороший руководитель» — это не вычисляется из данных автоматически, это требует осознанного человеческого выбора. ИИ может помочь этот выбор сделать точнее — но не может сделать его вместо вас. И именно от качества этого решения зависит, будет ли система умной или просто быстрой.
Второй — прозрачность. «Почему меня не рассмотрели на эту роль?» — «Алгоритм выдал низкую оценку» — такой ответ не устроит ни сотрудников, ни регуляторов. Регуляторный ландшафт пока формируется: в финансовом секторе Банк России уже рекомендовал требования объяснимости решений, европейский GDPR даёт сотрудникам право оспаривать автоматизированные решения. Остальные отрасли — вопрос ближайших лет. Инструменты, которые не могут объяснить свою логику, становятся не просто неудобными — они становятся рискованными.
Что можно позаимствовать из этих кейсов уже сейчас
J&J и Unilever — большие компании с большими ресурсами. Далеко не каждая компания может позволить себе разработать и поддерживать настолько сложные и гибкие системы. Но за масштабом обнаруживаются три принципа, которые работают независимо от размера и применимы на любом уровне зрелости.
Большой путь начинается не с ответа, а с правильного вопроса
Путь J&J начался не с платформы. Он начался с вопроса: что мы считаем эффективностью в работе наших людей — и умеем ли мы это сформулировать точно? Именно здесь находится Highlight.
Highlight — инструмент для построения компетентностной модели, которая отражает реальность конкретной организации, а не универсальный шаблон из библиотеки. Он реализует те же принципы, что лежат в основе кейсов J&J и Unilever — на том шаге, с которого большинство компаний только начинают.
Highlight — инструмент для построения компетентностной модели, которая отражает реальность конкретной организации, а не универсальный шаблон из библиотеки. Он реализует те же принципы, что лежат в основе кейсов J&J и Unilever — на том шаге, с которого большинство компаний только начинают.
Компании, которые пришли к результатам уровня J&J, начинали именно здесь: с честного понимания того, какими навыками и смыслами живёт организация прямо сейчас. Это и есть фундамент, без которого любая платформа — просто дорогой инструмент поверх размытой картины.
Вместо заключения
Компетентностный подход переживает сейчас один из самых интересных моментов за последние годы — не потому что меняется задача, а потому что появляются инструменты, которые позволяют решать её точнее и честнее.
Но никакой инструмент не отменяет главного вопроса: что мы считаем ценным в работе наших людей? ИИ может помочь сформулировать этот ответ точнее — услышать голоса тех, кто обычно остаётся за кадром, найти паттерны, которые не видны невооружённым глазом. Но решение о том, что важно, — всегда за людьми. Именно поэтому лучшие системы управления талантами начинаются не с технологии, а с правильных вопросов.
Источники
Van der Meulen N., Tona O., Leidner D.E. Resolving Workforce Skills Gaps with AI-Powered Insights. MIT CISR Research Briefing, April 2024. cisr.mit.edu
Tona O. et al. The Deployment of AI to Infer Employee Skills: Insights From Johnson & Johnson's Digital-First Workforce Initiative. Information Systems Journal, Wiley, 2025. onlinelibrary.wiley.com
MIT Sloan Management Review. How companies can use AI to find and close skills gaps, 2026. mitsloan.mit.edu
McGraw M. Unilever's Internal Talent Marketplace: Putting Skills on Display. i4cp, December 2019. i4cp.com
Unilever. How we're future-proofing our supply chain talent, 2025. unilever.com
Mercer. Global Talent Trends 2026. mercer.com
LinkedIn Economic Graph. Work Change Report, 2025. economicgraph.linkedin.com
Microsoft WorkLab. Work Trend Index 2025: The Year the Frontier Firm Is Born, April 2025. microsoft.com
World Economic Forum. Future of Jobs Report 2025, January 2025. reports.weforum.org
Банк России. Кодекс этики в сфере ИИ на финансовом рынке, информационное письмо № ИН-016-13/91 от 09.07.2025.
Сенаторова Е., Ткачёва Д., Белышева Т. Разработка модели корпоративных компетенций, основанной на данных и смыслах. Semantika.space, 2026. semantika.space
Tona O. et al. The Deployment of AI to Infer Employee Skills: Insights From Johnson & Johnson's Digital-First Workforce Initiative. Information Systems Journal, Wiley, 2025. onlinelibrary.wiley.com
MIT Sloan Management Review. How companies can use AI to find and close skills gaps, 2026. mitsloan.mit.edu
McGraw M. Unilever's Internal Talent Marketplace: Putting Skills on Display. i4cp, December 2019. i4cp.com
Unilever. How we're future-proofing our supply chain talent, 2025. unilever.com
Mercer. Global Talent Trends 2026. mercer.com
LinkedIn Economic Graph. Work Change Report, 2025. economicgraph.linkedin.com
Microsoft WorkLab. Work Trend Index 2025: The Year the Frontier Firm Is Born, April 2025. microsoft.com
World Economic Forum. Future of Jobs Report 2025, January 2025. reports.weforum.org
Банк России. Кодекс этики в сфере ИИ на финансовом рынке, информационное письмо № ИН-016-13/91 от 09.07.2025.
Сенаторова Е., Ткачёва Д., Белышева Т. Разработка модели корпоративных компетенций, основанной на данных и смыслах. Semantika.space, 2026. semantika.space