Лаборатория · 21 октября 2026 г.

Как Folkso находит человека, с которым вам будет хорошо работать

Лео делает лендинг для своего приложения. В час ночи он просит ИИ найти дизайнера. Среди людей, которых показывает Folkso, у двоих одинаковые навыки и одинаковая ставка, $40 в час.

ИИ работает с Лео уже несколько месяцев. Он знает, что Лео работает рывками по ночам и бросает читать любое ТЗ длиннее страницы. И знает, что Лео любит, когда с ним спорят по делу.

В профиле Миры написано «Сначала быстрый набросок, потом спорим». Томас пишет «Мне нужно подробное ТЗ и согласованный план».

ИИ ставит на карточку Миры «Ближе всего» и пишет почему. «Судя по профилю, сначала делает набросок и спорит по нему, это ложится на ваши ночные рывки и короткие ТЗ. Но в профиле не сказано, в какие часы она на связи».

Томас хороший дизайнер. С ним Лео провёл бы первую ночь за длинным ТЗ, которое терпеть не может.

Folkso сделан для того, чтобы вы дошли до своей Миры.

Folkso приводит вас к нужному человеку

Навыки и ставка дают список. С кем из него вам будет хорошо работать следующие три месяца, по списку не понять.

Folkso сделан под этот вопрос. Он находит людей, которые делают нужное, и проверяет их. Ваш ИИ сравнивает их с тем, как вы работаете, и говорит, кто ближе. Обе половины опираются на исследования людей на работе, и обе мы меряем.

98%

Первый человек, которого вы видите, умеет делать то, что вам нужно.

96%

Кто-то из трёх лучших для вас людей уже в первой тройке.

99%

Если подходящий человек есть, Folkso его показывает.

84,5%

Лучший для вас человек среди пятерых показанных, а выбирает из них ваш ИИ, который вас знает.

«Лучший для вас» значит, что человек подходит и под задачу, и под то, как вы работаете. Цифры получены на 300 тестовых поисках, правильные ответы к которым известны заранее и которые не участвовали в настройке. Их гонял тот же код, что отвечает вам в ChatGPT и Claude.

Четыре шага от вашей просьбы до нужного человека

Folkso находит тех, кто делает нужное. Дальше проходят только люди, открытые к такой работе. Тот, чьи собственные условия исключают вашу задачу, отсеивается. Модель читает 50 самых близких профилей целиком, без контактов, а первых перечитывает по одному, прежде чем показать.
Ваш ИИ получает факты. О каждом человеке он видит фразу из его же профиля, которая доказывает, что тот умеет нужное, и конкретное общее с вами, если оно есть. Видит, что не сходится по условиям, например ставку выше бюджета. И получает короткий портрет того, как человек работает и что ему дорого в работе, по тексту профиля. В портрет попадают только уверенные оценки.
Ваш ИИ сравнивает их с вами. Он видел, как вы работаете, в переписке и в делах, которые вы делали вместе, и знает вас лучше любого профиля, который вы бы заполнили. Он смотрит на ритм, на то, работает ли человек сам или ему нужны частые сверки, как он спорит и принимает обратную связь и что для него важно в работе. Иногда лучше тот, кто похож на вас. Иногда тот, кто закрывает ваше слабое место, например собранный напарник для того, кто работает рывками. Своё мнение ИИ пишет прямо на карточке и может отметить одного человека «Ближе всего».
Решаете вы. Карточки стоят в порядке Folkso. Вы читаете мнения и выбираете, кому написать.

Мнение начинается с факта из профиля и называет «но», если оно есть. Процентов совместимости и «идеально подходит» в нём нет. В пользовательских исследованиях Бансала с коллегами объяснения ИИ заставляли людей чаще соглашаться с его советом, был совет верным или нет. Имя, фото, пол, возраст и происхождение в сравнении не участвуют.

Folkso не читает ваши чаты и память ассистента. В поиск уходят только условия задачи, а если ИИ хочет сделать условием что-то, что помнит о вас, он сначала спрашивает.

Мнения видите только вы, через 30 дней они удаляются. Человек, о котором мнение, его не видит.

Что решает, будет ли двоим хорошо работать вместе

Подбор Folkso стоит на мета-анализах и долгих исследованиях людей на работе. Вот те, на которые он опирается.

Кристоф-Браун, Циммерман и Джонсон свели 172 исследования, 836 оценок связи, о том, насколько человек совпадает со своей работой, организацией, командой и руководителем. Совпадение шло вместе с удовлетворённостью и желанием остаться. Корреляция совпадения с руководителем и удовлетворённости этим руководителем 0,46, совпадения с командой и её сплочённости 0,47. С результатами работы связь слабее, от 0,07 до 0,20. С общей удовлетворённостью работой совпадение с командой оказалось связано слабее, чем ждали авторы, и одну причину они называют сами. Многие такие исследования мерили его сравнением баллов личностных тестов.

Лайден, Уэйн и Стилвелл полгода наблюдали 166 новых сотрудников и их руководителей. То, чего двое ждали друг от друга в первые пять дней, предсказало, насколько хорошими будут их рабочие отношения через две и через шесть недель. Сходство, которое они видели друг в друге, и симпатия предсказывали это в большинстве замеров. Демографическое сходство не предсказывало.

Эдвардс и Кейбл сравнили ценности сотрудников 4 организаций с ценностями их организации. Совпадение ценностей шло вместе с удовлетворённостью работой и желанием остаться, больше всего через доверие к организации и её людям, следом через более лёгкое общение. Совпадение с отдельным коллегой там не мерили.

Время добавляет своё. Чем дольше люди работают вместе, тем меньше весят демографические различия и тем больше различия во взглядах, в рабочих группах (Харрисон, Прайс и Белл) и в 144 студенческих проектных командах за четыре волны замеров (Харрисон с коллегами).

В менторстве то же. В мета-анализе Иби с коллегами, 173 выборки и 40 737 человек, оценка менторства у учеников сильнее всего шла вместе с тем, насколько они похожи на ментора взглядами, ценностями, убеждениями и характером. Среди всего, что было до начала отношений, это самые сильные связи, от 0,38 до 0,59.

Пары изучены лучше всех, и даже там сходство характеров объясняет мало. В трёх национальных выборках супружеских пар оно добавило меньше 0,5% к удовлетворённости отношениями сверх характера каждого из партнёров (Дайренфорт с коллегами). По 43 исследованиям 11 196 пар то, как каждый видит сами отношения, в начале исследований предсказывало до 45% их качества (Джоэл с коллегами).

Поэтому Folkso смотрит на дело, на то, чего люди ждут, что ценят и как работают. Типов личности в нём нет. Сравнить всё это с вами может ваш ИИ, потому что он вас знает.

Как мы это проверяем

Лаборатория Folkso гоняет 1 000 поисков с заранее известными правильными ответами на том же коде, что отвечает вам. На 700 из них настраиваются веса. Остальные 300 отложены, и цифры на этой странице получены на них. Как устроен тест.

Самое строгое мерило спрашивает, стоит ли ровно первым самый лучший для вас человек из сотни в тестовом пуле. Folkso ставит его первым в 48,9% поисков. Случайный порядок после фильтров даёт 4,6%, то есть Folkso справляется больше чем в десять раз чаще. Поэтому ваш ИИ видит пятерых, и лучший среди них в 84,5% поисков.

21 октября мы проверили рекорд на новых правильных ответах, где сходство характеров весит мало, а ценности и ожидания весят больше. Рекорд устоял. Лучший первым остался на 48,9%, а доля поисков, где первый человек умеет нужное, от новых ответов не зависит вовсе.

Что мы пробовали и не взяли

Идея	Что вышло
Описывать характер модели словами	лучший первым упал с 49% до 45%
Сравнивать черты характера в коде	+0,7 пункта, в пределах погрешности
Спрашивать, хочет ли человек такую задачу	первый, кто откажет, 17,1% → 15,5%, в пределах погрешности
Опускать людей по меткам ожиданий из профиля	меньше отказов первыми, но лучший первым в рабочих поисках −6,7 пункта

Поэтому порядок выдачи держится на том, что выдержало проверку, в исследованиях и на нашем тесте.

Folkso читает, чего люди ждут от работы

Часть того, что решает «да», уже написана в профиле. «Лучше переписка, чем созвоны». «Проекты от трёх месяцев». Folkso читает такие строки, и на 100 тестовых профилях он ни одно прямо названное условие не прочёл наоборот. Если строка сталкивается с вашей задачей, ваш ИИ видит это рядом с человеком и говорит вам. Важно ли это, решаете вы.

Чего эти цифры сказать не могут

Тест идёт на вымышленных людях и поисках. Настоящие профили и запросы короче и неряшливее, с опечатками и двумя языками в одном тексте.
Живых исходов пока мало. Принятые запросы и люди, отложенные с причиной, покажут, как часто Folkso прав в жизни.
Исследования выше это корреляции. Они показывают, что идёт рядом с хорошими рабочими отношениями, и не доказывают, что их вызывает.
Как пройдёт первая неделя, узнаете только вы двое. Выбор остаётся за вами.

Folkso может довести Лео до карточки Миры и объяснить, почему она ближе. Ляжет ли её первый набросок в три часа ночи, он увидит сам.

Folkso бесплатен. Подключите его один раз, и когда задаче понадобится человек, ваш ИИ найдёт его прямо в разговоре.

Источники

Kristof-Brown, Zimmerman, Johnson, Consequences of individuals' fit at work. Personnel Psychology 58(2), 281–342, 2005. Мета-анализ 172 исследований, 836 оценок связи.
Liden, Wayne, Stilwell, A longitudinal study on the early development of leader-member exchanges. Journal of Applied Psychology 78(4), 662–674, 1993. 166 новых сотрудников и их руководители в первые полгода работы.
Edwards, Cable, The value of value congruence. Journal of Applied Psychology 94(3), 654–677, 2009. Сотрудники четырёх организаций.
Harrison, Price, Bell, Beyond relational demography. Academy of Management Journal 41(1), 96–107, 1998. Рабочие группы.
Harrison, Price, Gavin, Florey, Time, teams, and task performance. Academy of Management Journal 45(5), 1029–1045, 2002. 144 студенческие проектные команды, четыре волны замеров.
Eby et al., An interdisciplinary meta-analysis of the potential antecedents, correlates, and consequences of protégé perceptions of mentoring. Psychological Bulletin 139(2), 441–476, 2013. 173 выборки, всего 40 737 человек.
Dyrenforth, Kashy, Donnellan, Lucas, Predicting relationship and life satisfaction from personality in nationally representative samples from three countries. Journal of Personality and Social Psychology 99(4), 690–702, 2010. Супружеские пары из национальных выборок Австралии (N = 5278), Великобритании (N = 6554) и Германии (N = 11 418).
Joel et al., Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. PNAS 117(32), 19061–19071, 2020. 43 набора данных из 29 лабораторий, 11 196 пар.
Bansal et al., Does the whole exceed its parts? The effect of AI explanations on complementary team performance. CHI 2021. Пользовательские исследования на трёх наборах данных.
Лаборатория подбора Folkso, 300 отложенных поисков. Рекорд 27 сентября 2026 года, проверен на новых правильных ответах 21 октября 2026 года. Как устроен тест.