Как ИИ и новые подходы к написанию кода изменили проектный менеджмент

Спикер: Артем Трушин

Долгое время в моей компании было тестовое задание, в котором был один разработчик по имени Патрик, и он плохо работал. Единственным верным решением кейса было уволить его. Так что давайте представим, что этот Патрик ушел в другую компанию и сам стал менеджером проектов.

На что уходит его время ежедневно:
— Статус-апдейты и отчеты — 25%
— Административная рутина — 20%
— Встречи с повесткой и без — 15%
— Реальное управление — 40%

До того как Патрик узнал про ИИ-агентов, его день выглядел примерно так: обзор задач, дейлики, сами задачи/ответы/уточнения (примерно часа два), подготовка к встречам со стейкхолдерами, анализ и планирование спринтов, отчеты. То есть если не работать до полуночи, то времени на свои стратегические задачи в этом расписании остается крайне мало.

Что же делать?

На помощь пришел ИИ и закрыл самые частые сценарии.

1. Планирование и декомпозиция
Агент разбирает задачи, оценивает сроки по истории команды, строит графики зависимостей. 1–2 дня планирования сжались до 30 минут работы.

2. Подготовка стендапа из трекера
Агент сам подтягивает задачи из трекера, актуализирует статусы, формирует сводку — на дейлик команда приходит уже с контекстом и вместо пересказа тикетов обсуждает блокеры.

3. Мониторинг рисков
Агент непрерывно следит за прогрессом задач, загрузкой команды — и подсвечивает риски, когда их замечает. Проектный менеджер получает уведомление с конкретным риском и предложением, что с этим сделать. О риске становится известно за пару дней до того, как он превратится в проблему, а не на ретро.

4. Документация без усилий
Агент расшифровывает встречи, собирает протоколы и решения, формирует базу знаний. Теперь агенту можно задать вопрос и получить ответ за минуту, а не тратить на поиски часы и дни.

5. Отчетность за 30 секунд
Агент собирает данные из трекера, GitHub, мессенджеров, считает метрики спринта и формирует отчет под аудиторию. Менеджер получает готовый черновик с источниками — остается лишь проверить и отправить. 2 часа, чтобы собрать отчет → несколько минут на проверку.

Теперь Патрик приходит на работу и решает те же задачи, но работает иначе: рутина уходит агентам, а в фокусе остаются стратегические вопросы. А самое главное — высвободилось время: примерно три часа в день.

Как это получилось?

В основе этих сценариев — не просто чат с ИИ, а агенты: системы, которые получают цель, сами собирают контекст, предлагают решение и помогают довести задачу до результата.

И да, все это получилось не с первого раза и не по щелчку пальцев. Один из подходов — описание скиллов.
Скилл — это кристаллизованная экспертиза: подробно описанный опыт, который агент может воспроизвести и применить автоматически.

4 набора скиллов, которые, по моему мнению, нужны каждому, кто работает с агентами:
— Using superpower — проверяет, какой процессный скилл нужен сейчас, уменьшает риск галлюцинаций и ошибок.
— Karpathy-guidelines — помогает делать гайдлайны, чтобы LLM допускала меньше ошибок.
— Diagnose — помогает отлаживать процесс.
— Grill-me — задает вопросы до тех пор, пока не будет достигнута полная ясность.
И бонус: find-skills — это скилл, который сам находит компетенции, которые вам необходимы.

Теперь Патрик превратился из исполнителя в дирижера, который управляет несколькими агентами, принимает решения и работает с тем самым helicopter view — видит полную картину происходящего, умеет заранее замечать скрытые риски и знает, где и когда требуется его вовлеченность для большего результата.

А с чего начать вам, чтобы последовать примеру Патрика?

1. Выберите один процесс.
2. Запустите пилот на 2 недели.
3. Измерьте и масштабируйте.
Затем найдите следующую рутину, которую можно автоматизировать

Да, ИИ ошибается. Да, данные важно хранить безопасно. Да, нельзя перекладывать принятие решений на ИИ. Помним, что «ИИ ускоряет, а человек управляет», и используем его эффективно.

@pplsense