Прагматичный взгляд на ИИ в управлении проектами: от рутины к прогнозам
Руководитель отдела проектов ЮMoney Евгений поделился опытом внедрения искусственного интеллекта в ежедневную работу. Вместо поиска «серебряной пули» для полной замены специалистов, компания перешла к точечной автоматизации рутинных операций: улучшению формулировок задач, анализу переписок и подготовке итогов встреч. Результаты показывают значительное ускорение процессов, но безопасность данных и точность критических решений всё ещё остаются под контролем человека.
# Что ИИ уже умеет делать за проджект-менеджера
Тема искусственного интеллекта часто обрастает двумя крайностями: либо обещаниями тотальной замены человеческого фактора, либо сложными теоретическими построениями про мультиагентные системы. На практике, по словам руководителя отдела проектов ЮMoney Евгения, третий путь выглядит наиболее продуктивным. Речь идет о делегировании конкретных, хорошо формализуемых операций машине и проверке их эффективности.
Компания не стала ждать идеального инструмента. Задачи, занимающие много времени и требующие дорогих человеко-часов, были выделены для прототипирования. Если автоматизация оказалась выгодной и эффективной, опыт был масштабирован. Такой подход позволил команде из 23 сотрудников и 16 команд избежать экспериментов вслепую.
Как ИИ улучшает постановку и фиксацию задач
Одна из первых и самых очевидных областей применения — улучшение описания задач в системах управления, таких как Jira. Встроенный ИИ выступает не как генератор идеального технического задания, а как профессиональный редактор.
Специалисты могут набросать описание задачи в свободной форме, содержащее противоречия или неясности, и затем несколько раз попросить нейросеть улучшить структуру, уточнить детали или перевести текст. Для распределённых команд этот приём критически важен: чем точнее сформулирована задача, тем меньше времени тратится на уточнения в ходе работы. Аналогичные функции доступны в JetBrains для работы с комментариями и кодом.
Нейросеть анализирует контекст рабочего пространства, позволяя пользователям формулировать запросы на естественном языке вместо сложного синтаксиса фильтров (например, JQL). Это снижает порог входа для команд, где участники не обладают глубоким знанием внутренних запросов системы.
Работа с информацией от встреч и звонков
Большая часть работы проджект-менеджера — коммуникации. ИИ берёт на себя рутину обработки информации: создание стенограмм и выделение сути из них. В ЮMoney для этой цели используется Salut Jazz и внутренние модели, включая Qwen.
Система расшифровывает запись встречи, извлекает ключевые договорённости, риски и сроки. По словам практика, это экономит до 60% времени на подготовку итогов. Однако полностью полагаться на автоматизацию здесь опасно: связь может оборваться, а неточное распознавание фраз может исказить смысл. Поэтому ключевые моменты, такие как ответственные и дедлайны, обязательно проверяются и фиксируются человеком.
Анализ данных и визуализация в браузере
Одной из новых возможностей стала работа с аналитикой прямо в интерфейсе браузера. Встроенные помощники (например, в Яндекс Браузере или через плагины для Chrome) позволяют взаимодействовать со страницами графика Ганта как с собеседником.
Вместо ручного переноса данных в Excel и последующего анализа, пользователь может последовательно уточнять запросы: найти проекты с низким процентом исполнения, отсортировать их по дедлайнам, выделить отстающие задачи. Это создаёт цепочку действий: найти → отфильтровать → отсортировать → сделать выборку, что происходит в режиме реального времени без копирования данных.
ИИ как второй участник проектирования
Интересным сценарием является использование ИИ как симуляции «второго мнения» на этапе проектирования пользовательских сценариев. Специалист просит нейросеть:
1. Составить цепочку API-вызовов с параметрами. 2. Предложить интерфейс и необходимые поля. 3. Выступить рецензентом и найти слабые места, противоречия и исключения. 4. Разбить сценарий на конкретные задачи с зависимостями.
Этот подход имитирует работу мультиагентной системы, где один «агент» создаёт решение, а другой сразу же ищет в нём уязвимости. Результат затем проходит традиционный процесс груминга командой.
Ограничения и безопасность
Несмотря на очевидные преимущества, массовая автоматизация не происходит мгновенно. Главным барьером выступает безопасность данных. Внутренние системы часто содержат конфиденциальную информацию, поэтому их отправка на внешние публичные модели требует согласования службы информационной безопасности.
Также учитывается стоимость вычислений: использование GPU дорого, а классические чипы могут не справляться с объёмом задач в нужные сроки. Это вынуждает компании перестраивать процессы, чтобы создавать цифровые артефакты, которые ИИ может обрабатывать безопасно и эффективно.
Что планируется дальше
Компания не ставит целью полную автоматизацию работы проджект-менеджера. В приоритете следующие направления:
* Прогнозная аналитика: Переход от генерации отчётов к предсказанию задержек и рисков на основе накопленных данных. * Помощник по декомпозиции: Автоматическое разложение технического решения на набор задач. * Умное планирование: Построение графиков на основе реальных данных о длительности работ и загрузке команд, а не вручную.
Пока же фокус остаётся на постепенной передаче машине отдельных, хорошо очерченных операций, которые ранее отнимали у команды ценное время.