Что ИИ уже умеет делать за проджект-менеджера

Тема искусственного интеллекта ^[1] сегодня звучит в двух крайностях: либо «скоро он заменит всех», либо обсуждаются сложные мультиагентные системы. Меня зовут Евгений, я руководитель отдела проектов ЮMoney. Недавно я выступал с этой темой на нашем митапе ^[2], где рассказал о третьем пути, который мне показался интересным: что проектный менеджер может делегировать ИИ прямо сейчас? Просто взять конкретную операцию и проверить, справится ли машина быстрее.

Я протестировал несколько сценариев. Часть задач действительно ускорилась, а заодно стало понятнее, что автоматизировать дальше. Если вы тоже управляете проектами и думаете, с чего начать, возможно, мой опыт ^[3] поможет не экспериментировать вслепую. Расскажу, что удалось ускорить и где пока ничего не вышло.

С чего всё начинается

Шум вокруг ИИ неслучаен. За последние годы созрели технологии, сделавшие его применение практичнее: большие данные, облачные сервисы, видеоконференции и API. Раньше после встречи оставались лишь заметки, теперь — записи и стенограммы, которые становятся цифровыми артефактами для обработки.

Появление ИИ не изменило роль PM радикально. Операционные задачи остались, но часть из них можно ускорить. ИИ — дополнительный инструмент для работы с данными и снятия рутинной нагрузки.

1. Улучшаем постановку задач

Первое, что я попробовал, — встроенный ИИ в Jira и JetBrains. В Jira AI-функции улучшают описание задачи: структурируют текст, добавляют ясность и убирают противоречия.

Удобный приём: не тратить время на идеальную формулировку сразу. Быстро набросать описание, затем несколько раз попросить нейросеть его улучшить. Для распределённых команд это особенно ценно — чем точнее задача, тем меньше уточнений. При необходимости описание можно перевести.

В JetBrains похожие возможности: улучшение заголовков и описаний, работа с комментариями, конвертация изображений в текст.

Как это работает

Создаём задачу в Jira с описанием в свободной форме:

Нужно добавить возможность отменять подписку. Пользователь должен видеть кнопку отмены и получать подтверждение. После отмены подписка не должна продлеваться.

Затем используем AI-функцию для улучшения через несколько итераций:

1. «Улучши описание и сделай его структурированным».

2. «Проверь, достаточно ли информации для разработчика. Укажи, что уточнить».

3. «Переведи на английский, сохранив технический смысл».

AI здесь работает не как генератор идеального ТЗ, а как редактор для многократной доработки черновика.

2. Не читаем всю переписку

Полезная функция в Jira — саммари комментариев. Вместо чтения длинной ветки можно получить итог: о чём договорились и к чему пришли. Также появился поиск на естественном языке: раньше для сложных фильтров требовался JQL, теперь запрос формулируется обычными словами — например, найти просроченные задачи конкретного сотрудника.

Это штатные возможности Jira, не отдельная надстройка. Нейросеть работает с контекстом рабочего пространства. Некоторые функции не требовали ИИ, но если система учитывает контекст задачи, подход становится интереснее.

Как это работает

Допустим, в задаче 30 комментариев от аналитика, разработчика и дизайнера. Вместо чтения всей ветки используем саммари и получаем краткую выжимку. Поиск работает аналогично, вместо JQL — обычный запрос:

Покажи просроченные задачи команды переводов без обновлений за неделю.

Ценность не в том, что ИИ «умеет искать», а в возможности начать с человеческого запроса и уточнять его по ходу работы.

3. Самое очевидное применение — встречи

Большая часть моей работы — коммуникации: дейлики, ретро, созвоны, переписка. После каждой встречи один вопрос: что делать со всем этим?

Мы используем Salut Jazz. Система создаёт стенограмму, из которой легко вытащить главное: риски, сроки, договорённости. По моему опыту, это экономит до 60% времени на подготовку итогов.

Внутри корпоративного контура для ИИ-сценариев используются внутренние модели, в том числе Qwen. Для расшифровки встреч мы применяем готовый инструмент ^[4], а не собираем систему с нуля.

Но полностью полагаться на ИИ не стоит. Ключевые договорённости лучше фиксировать вручную — связь может оборваться. Полезно в конце проговорить соглашения вслух. И подключайтесь под своей учётной записью: если все сидят в переговорной с одного устройства, система не определит говорящего.

Как это работает

После встречи передаём стенограмму в ИИ с запросом:

Проанализируй стенограмму. Выдели: принятые решения, задачи, ответственных, сроки, риски и открытые вопросы.

Для готового формата:

Преврати результат в короткий итог встречи. Не добавляй ничего от себя.

А вот ответственных, сроки и ключевые договорённости всё равно проверяем вручную. Это особенно важно для встреч, где одна неточно распознанная фраза может изменить смысл договорённости. 

4. Работаем с графиком Ганта прямо в браузере

ИИ-помощник, встроенный в браузер, позволяет работать с содержимым страницы в формате диалога. В Яндекс Браузере он включается автоматически, в Chrome подключается через плагин.

Например, открыт график Ганта. Можно попросить ассистента найти проекты в определённом статусе, отфильтровать их, посчитать показатели, отсортировать или изменить формат представления.

Я попробовал отранжировать проекты по проценту исполнения и выделить отстающие. Сначала результат был неидеальным, но после нескольких итераций ассистент начал выдавать данные в нужном виде. И всё это — без Excel.

Как это работает

Обращаемся к помощнику последовательными запросами:

1. Найди проекты с выполнением меньше 50%.

2. Отсортируй по проценту выполнения от меньшего к большему.

3. Покажи процент выполнения и плановую дату завершения.

4. Выдели проекты с выполнением меньше 50% и дедлайном в ближайший месяц.

Получается аналитическая цепочка: найти → отфильтровать → отсортировать → сделать выборку. В этом главное преимущество диалогового интерфейса: раньше пришлось бы вручную фильтровать таблицу или переносить данные в Excel. Теперь можно последовательно уточнять запрос, пока не получишь нужный результат. 

5. ИИ как второй участник проектирования

Отдельно стоит сказать о проработке пользовательских сценариев. Допустим, нужно построить сервис оплаты подписок через публичное API. Я последовательно прошу ИИ:

• составить цепочку API-вызовов с параметрами;

• предложить UI и необходимые поля;

• найти противоречия и исключительные ситуации;

• разбить сценарий на задачи.

Для этого мы используем внутренние модели, включая Qwen. Подход интересен: сначала я выступаю проектировщиком — прошу ИИ сформировать решение. Затем становлюсь разработчиком и ищу слабые места. Это ручная версия мультиагентного подхода: один создаёт, другой проверяет. Результат отдаётся команде на груминг.

Как повторить

Шаг 1. Проектируем сценарий

Составь последовательность API-вызовов для оплаты подписки: назначение, обязательные параметры, результат.

Шаг 2. Прорабатываем интерфейс

Предложи UI: поля, состояния и действия пользователя.

Шаг 3. Ищем слабые места

Выступи рецензентом. Найди противоречия, ограничения и исключительные ситуации.

Шаг 4. Декомпозируем

Разбей на задачи с указанием цели, зависимостей и ожидаемого результата.

После этого результат проверяется человеком и отправляется на груминг.

Почему же всё ещё не автоматизировано?

Главное препятствие — безопасность. Не все данные можно отправлять наружу: внутренние системы часто содержат конфиденциальную информацию. Для работы с ней нужно согласование службы ИБ.

Важна и стоимость. GPU дорогие, классические чипы дешевле, но медленнее — ответы могут не уложиться в таймауты. Внешняя подписка тоже быстро съедает бюджет.

Придётся перестраивать процессы и создавать артефакты, с которыми ИИ сможет работать. Поэтому мало дать сотрудникам доступ к инструменту — нужно учиться сохранять цифровые следы, грамотно формулировать запросы и понимать, где ИИ действительно полезен.

Как мы выбираем задачи для автоматизации

У нас серьёзная операционная нагрузка: 16 команд, 23 сотрудника, около 400 проектов в год. Поэтому решили не ждать, пока все инструменты окончательно созреют. Подход прагматичный, сначала выбираем задачи, которые:

• занимают много времени;

• дорого обходятся в человеко-часах;

• потенциально можно передать ИИ.

Затем оцениваем экономический эффект и делаем небольшой прототип. Если задача решается хорошо и это выгодно — переходим к тиражированию. Я бы не начинал с вопроса «как автоматизировать работу PM целиком». Лучше спросить проще: какая конкретная операция сегодня отнимает у команды много времени и при этом хорошо формализуется?

Что хочется автоматизировать дальше

Сейчас мы рассматриваем несколько направлений:

1. Отчётность. Но цель не просто генерировать отчёты автоматически. Интереснее научиться прогнозировать задержки и риски на основе накопленных данных.

2. Помощник для декомпозиции. На вход подаётся техническое решение или спецификация, на выходе — набор задач, который команда затем дорабатывает.

3. Помощник для планирования. Квартальное планирование сейчас делается вручную. Хочется строить его на данных о длительности работ и загрузке команд, а графики получать автоматически.

Итого

Для меня ИИ в работе PM — это история постепенной передачи машине отдельных операций. Сначала — стенограмма встречи, потом — доработка задачи, затем — анализ отчёта, декомпозиция, проработка сценария. А дальше возникает вопрос: раз мы уже научились выполнять операцию с помощью ИИ — можем ли превратить это в автоматизированный процесс?

А какие задачи вы готовы передать ИИ, а где по-прежнему нужен человек?