Третий путь: не ждать мультиагентных систем, а делегировать отдельные операции
Не обязательно ждать, пока появятся полностью автономные мультиагентные системы, чтобы снять часть рутины с проджект-менеджера. Руководитель отдела проектов ЮMoney Евгений на митапе компании показал третий путь: взять одну конкретную операцию и проверить, справится ли машина быстрее человека. Первый путь, ждать полной замены, слишком долгий. Второй, строить сложные мультиагентные цепочки, дорогой. Третий укладывается в одну задачу и один эксперимент.
Он разобрал сценарии, которые работают уже сейчас: улучшение описаний задач в Jira и JetBrains, саммари длинных веток комментариев, поиск на естественном языке вместо JQL, расшифровка и разбор стенограмм встреч, анализ графика Ганта и проработка пользовательских сценариев с ИИ в роли второго участника проектирования. Главный вывод практика: часть задач ускоряется, но ключевые договорённости, ответственных и сроки всё равно приходится проверять вручную. Появление ИИ не изменило роль PM радикально. Операционные задачи остались, а ИИ работает как дополнительный инструмент для обработки данных и снятия рутинной нагрузки (по материалам митапа ЮMoney).
Почему сейчас, а не через год
Применение ИИ к проектной работе стало практичнее не из-за прорыва в моделях. За последние годы созрели технологии вокруг них: большие данные, облачные сервисы, видеоконференции и API. Раньше после встречи оставались только заметки. Теперь остаются записи и стенограммы, а это цифровые артефакты, которые можно обработать (по материалам митапа).
Точка входа сместилась. Не нужно месяцами собирать платформу или разворачивать инфраструктуру. Достаточно взять задачу, по которой уже есть цифровые данные, и попробовать ускорить её доступным ассистентом.
Улучшение описаний задач в Jira и JetBrains: ИИ как редактор, а не генератор ТЗ
В Jira встроенные AI-функции улучшают описание задачи: структурируют текст, добавляют ясность и убирают противоречия. В JetBrains, по словам спикера, набор похожий: улучшение заголовков и описаний, работа с комментариями и конвертация изображений в текст (описание AI-функций в Jira и JetBrains). Публичной документации JetBrains, которая подтверждала бы именно такой набор возможностей, найти не удалось, поэтому этот пункт стоит воспринимать как наблюдение практика, а не как официально заявленный функционал.
Отдельно стоит держать в голове, что AI-возможности Jira не сводятся к редактированию описаний. Atlassian Intelligence анализирует страницы Confluence и предлагает разбивку на задачи, а также позволяет создавать несколько задач Jira из документации (разбор Jira и Confluence). В Jira Service Management ИИ-агент Rovo может разрешать сервисные запросы от начала до конца: находить операционные знания, генерировать план решения и выполнять действия в подключённых инструментах (Atlassian).
Важная деталь: ИИ здесь не генератор идеального ТЗ, а редактор для многократной доработки черновика. Нейросеть не знает контекста вашего продукта лучше вас, зато хорошо переписывает, сокращает воду и находит пропущенные детали, если попросить её об этом прямо.
Приём: черновик вместо идеальной формулировки
Рабочий приём простой. Не тратить время на идеальную формулировку сразу. Быстро набросать описание в свободной форме, а затем несколько раз попросить нейросеть его улучшить. Каждая итерация добавляет структуру и ясность, а порог входа падает: набросать черновик проще, чем сразу написать выверенное ТЗ.
Черновик задачи может выглядеть так:
Нужно добавить возможность отменять подписку. Пользователь должен видеть кнопку отмены и получать подтверждение. После отмены подписка не должна продлеваться.
Дальше идут итеративные промпты:
- «Улучши описание и сделай его структурированным».
- «Проверь, достаточно ли информации для разработчика. Укажи, что уточнить».
- «Переведи на английский, сохранив технический смысл».
Для распределённых команд точная постановка особенно ценна: чем конкретнее задача, тем меньше уточнений в комментариях. Если команда работает на английском, описание переводится тем же инструментом без потери технических формулировок.
Саммари длинных веток комментариев и поиск на естественном языке вместо JQL
Длинная ветка комментариев под задачей часто содержит решение, но добраться до него сложнее, чем принять. ИИ сжимает переписку до саммари: выделяет ключевые решения, открытые вопросы и договорённости. Второй сценарий касается поиска. Вместо сложного запроса на JQL можно задать вопрос обычными словами, например «покажи задачи, которые просрочены и назначены на Ивана», а ассистент переведёт его в запрос или сразу покажет результат.
Ограничение то же, что и в других сценариях. Саммари может упустить нюанс или расставить акценты не так, как договорились на встрече. Ключевые договорённости всё равно проверяются человеком. ИИ ускоряет навигацию по переписке, но не отменяет чтение критичных обсуждений целиком.
Расшифровка и разбор стенограмм встреч: от записей к цифровым артефактам
Видеоконференции и API сделали стенограммы доступными без ручного протоколирования. После встречи достаточно получить расшифровку и попросить ИИ разобрать её: выделить решения, задачи и ответственных. Встреча превращается в цифровой артефакт, с которым можно работать дальше, а не в набор заметок, которые теряются через неделю.
Точность разбора зависит от качества записи и от того, насколько чисто говорили участники. ИИ может перепутать имена, даты или формулировки. Практический приём: после встречи ассистент выдаёт список action items, а PM сверяет, что все пункты корректны и назначены на нужных людей. Проверка занимает пару минут и снимает риск того, что задача уйдёт не тому исполнителю.
Анализ графика Ганта с помощью ИИ-инструментов
Отдельные ИИ-инструменты умеют работать с диаграммой Ганта: анализировать взаимосвязи задач, рассчитывать продолжительность, определять зависимости и критический путь, а затем генерировать структурированный график. Например, ChartGen.ai заявляет, что ИИ определяет и отображает задачи критического пути, помогая понять, какие из них напрямую влияют на сроки проекта (ChartGen). Другой онлайн-сервис преобразует текстовое описание проекта в визуальный график: пользователь вводит информацию о задачах и сроках, а ИИ размещает задачи на шкале с указанием продолжительности и последовательности (smartbuddy.ru).
Важное ограничение: подтверждены именно такие онлайн-инструменты генерации и анализа диаграмм, а не «встроенный в браузер ассистент», который разбирает любую открытую страницу с графиком и отвечает на вопросы о пересечении ресурсов. Такой сценарий в проверенных источниках не описан, поэтому не стоит рассчитывать, что он заработает «из коробки» в обычном браузере.
Границы у сценария тоже есть. Инструмент работает с тем, что вы ему передали, и не заменяет полноценный анализ в специализированной системе управления проектами. Если данные в графике неполные или устаревшие, выводы окажутся ошибочными. Результат стоит перепроверять, особенно когда речь идёт о сроках и зависимостях между командами.
Проработка пользовательских сценариев с ИИ в роли второго участника проектирования
ИИ можно подключить к проектированию как второго участника обсуждения. Он помогает продумать пользовательские сценарии, задаёт уточняющие вопросы и предлагает альтернативные варианты. Это не замена команде, а способ быстрее расширить обсуждение и не забыть про крайние случаи.
Пример с отменой подписки. PM описывает базовый сценарий, а ИИ подкидывает вопросы: что происходит, если пользователь отменяет подписку во время пробного периода, что делать при задолженности, как ведёт себя интерфейс при повторной отмене. Часть предложений окажется нерелевантной, потому что ассистент не знает специфики бизнеса и экономики продукта. Полезные варианты всё равно отбирает человек.
Что всё равно проверять вручную: договорённости, ответственных, сроки
Три вещи ИИ не гарантирует: ключевые договорённости, ответственных и сроки. Ассистент может неправильно понять, кто взял задачу, пропустить важное уточнение в переписке или подставить не ту дату. На таких деталях держится проект, поэтому они остаются зоной ручной проверки.
Практическое правило: критичные для проекта решения подтверждает человек. ИИ готовит черновик, саммари или список задач, PM сверяет их с реальностью и фиксирует итог. Такой расклад не убирает пользу от автоматизации, но задаёт границы доверия. Похожая логика работает и в разработке, где ускорение на шаблонных задачах соседствует с замедлением на сложных: проверка и отладка результата ИИ требуют отдельного времени, а у начинающих падает понимание концепций.
Препятствия для автоматизации: ИБ, стоимость GPU и подписок, перестройка процессов
Автоматизация проектной работы упирается в три системных барьера. Это не технические мелочи, а условия, без которых сценарии не заработают.
ИБ и конфиденциальные данные
Требования информационной безопасности часто ограничивают отправку конфиденциальных данных во внешние сервисы. Переписка в Jira, стенограммы встреч и описания задач могут содержать коммерческую тайну, персональные данные клиентов или детали платежей. Прямого запрета «не отправлять данные в ИИ-сервисы» в российском законодательстве нет, но есть требования, которые делают такую отправку рискованной.
По 152-ФЗ передача персональных данных третьему лицу (CRM, email-сервис, аналитика) требует специального договора поручения обработки; без него штраф составляет от 100 000 до 700 000 рублей (edlegal.ru). Там же указано, что персональные данные граждан РФ должны храниться на сервере в России (ст. 18), а иностранные сервисы этого не гарантируют и часто предлагают DPA по GDPR вместо договора поручения, соответствующего российскому закону. Отдельно ФСТЭК России (требования от 18.02.2013 N 21) указывает, что передача персональных данных по незащищённым каналам без сертифицированных ФСБ России СКЗИ не обеспечивает должную защиту и может повлечь претензии ФСБ и ФСТЭК (Гарант).
Отсюда и практические варианты: локальные модели, анонимизация данных перед отправкой, ассистенты, которые не передают содержимое наружу. Каждый ограничивает выбор инструментов и требует согласования с ИБ. В регулируемых отраслях планка особенно высока: там уже случалось, что полезный инструмент менял назначение, потому что автономные действия не получили доверия. Пример: ИИ-агент для разработки стал помощником аналитиков, закрыв больше половины их исследовательских запросов.
Стоимость GPU и внешних подписок
Локальные модели требуют GPU, внешние ассистенты требуют оплаты подписок. Для аренды GPU есть публичные ориентиры: ставки начинаются от 40 ₽/час, тарификация посекундная, в рублях, при оплате на больший срок действуют скидки; у провайдера цены указаны с НДС 22% и доступны закрывающие документы через ЭДО (intelion.cloud). Другой провайдер, immers.cloud, публикует тарифы на аренду сервера, хранение и облачные ресурсы с ценами за час и месяц, причём указанные цены применяются начиная с 01.10.2026 (immers.cloud).
Актуальных публичных данных о стоимости корпоративных подписок на ИИ-ассистенты в рамках этого разбора найти не удалось, поэтому конкретные цифры по лицензиям здесь не приводятся. Логика расчёта при этом остаётся прежней: сколько человеко-часов экономит конкретный сценарий против стоимости железа или лицензий. Если задача отнимает десять минут в неделю, автоматизация не окупится.
Перестройка процессов и накопление цифровых артефактов
ИИ обрабатывает цифровые артефакты: записи, стенограммы, структурированные описания, переписку в трекере. Если встречи не записываются, а договорённости живут в личных сообщениях, обрабатывать нечего. Сценарий с расшифровкой не заработает без записи, а саммари комментариев бессмысленно там, где обсуждают в мессенджере. Приходится менять привычки: фиксировать встречи, вести обсуждения в задачах, писать описания так, чтобы их можно было обработать. Это дисциплина, и она требует времени до того, как появится первая экономия.
Как в ЮMoney выбирают задачи для автоматизации и проверяют эффект
Отбор задач строится на трёх критериях. Операция должна отнимать время, дорого стоить в человеко-часах и поддаваться формализации. Порядок проверки простой: сначала считаем, потом делаем прототип.
Критерии отбора: время, стоимость, формализуемость
Время: сколько часов в неделю уходит на операцию суммарно по команде. Стоимость: сколько эти часы стоят в деньгах. Формализуемость: можно ли описать задачу настолько однозначно, чтобы ассистент её понял и повторил. Улучшение описаний задач формализуемо, потому что правила структурирования понятны. Стратегические решения и приоритизацию так не описать: слишком много контекста живёт в головах.
Проверка на прототипе до масштабирования
Прототип - малый эксперимент одного сценария. Берут одну команду и один сценарий, замеряют время до и после. Если эффект есть, сценарий расширяют. Если нет, эксперимент закрывают без вложений в платформу. Подход снижает риски и даёт быстрые выводы. Пример арифметики: если улучшение описания экономит десять минут на задаче, а задач пятьдесят в неделю, это больше восьми часов в неделю на команду.
Какие направления автоматизации ЮMoney рассматривает дальше
Конкретный список следующих шагов в открытых материалах не раскрыт, поэтому опишу логику. Компания продолжает смотреть на задачи, которые проходят по времени, стоимости и формализуемости, и проверяет их на прототипах. Развитие идёт от уже работающих сценариев: саммари, поиск, разбор данных и стенограмм. Мультиагентные системы в этой логике не самоцель, а возможная эволюция текущих прототипов, когда отдельные операции начнут связываться в цепочки.
Что это значит для проджект-менеджера: практические выводы
ИИ уже можно делегировать отдельные операции, но ждать полной замены PM не стоит. Роль меняется не радикально: операционные задачи остаются, часть из них ускоряется. Начинать стоит с малого: выбрать одну задачу, попробовать на ней доступный ассистент, замерить эффект до и после.
Что учитывать при выборе первой задачи. Она должна отнимать заметное время, легко описываться и опираться на цифровые данные, которые уже есть. Улучшение описаний, саммари переписки и разбор стенограмм подходят лучше всего. Стратегию и приоритеты оставляйте человеку.
Что помнить про ограничения. Ключевые договорённости, ответственных и сроки проверяйте вручную. Учитывайте требования ИБ, стоимость железа и подписок, готовность команды менять процессы. Сопротивление части сотрудников тоже реально: по данным исследования «Ассоциации менеджеров», о котором CNews стало известно в начале июня 2025 года, внедрению ИИ сопротивляются сотрудники 33% российских компаний (audit-it.ru). Полный текст исследования в открытом доступе найти не удалось, поэтому цифра приводится как единственный доступный ориентир.
Главная мысль практического опыта ЮMoney: не строить сложные системы, а брать конкретную операцию и проверять, справится ли машина быстрее. Часть задач ускорится уже на этой неделе, остальные подождут.