RingCentral уже делегировала трекинг ChatGPT.
На прошлой неделе RingCentral официально признала: их программный офис использует ChatGPT Work как операционную систему для управления проектами. Вместо того чтобы собирать статусы из Jira, Google Sheets и CRM вручную, ИИ теперь делает это за них — автоматически, без нервов и бесконечных «а где апдейт?».
Старший менеджер Vaneet Seth честно сказал: «ChatGPT Work собирает контекст моего проекта воедино. Я могу превратить этот контекст в действия и исполнение». Наконец-то можно перестать быть «человеком-Excel» и начать реально управлять.
Даже нетехнические сотрудники за пару дней нагенерировали множество рабочих AI-воркфлоу.
Здесь подробнее: https://completeaitraining.com/news/ringcentral-uses-ai-native-development-to-accelerate/
#ProjectManagement #AI #ChatGPT #PMO #RingCentral #DigitalTransformation
На прошлой неделе RingCentral официально признала: их программный офис использует ChatGPT Work как операционную систему для управления проектами. Вместо того чтобы собирать статусы из Jira, Google Sheets и CRM вручную, ИИ теперь делает это за них — автоматически, без нервов и бесконечных «а где апдейт?».
Старший менеджер Vaneet Seth честно сказал: «ChatGPT Work собирает контекст моего проекта воедино. Я могу превратить этот контекст в действия и исполнение». Наконец-то можно перестать быть «человеком-Excel» и начать реально управлять.
Даже нетехнические сотрудники за пару дней нагенерировали множество рабочих AI-воркфлоу.
Здесь подробнее: https://completeaitraining.com/news/ringcentral-uses-ai-native-development-to-accelerate/
#ProjectManagement #AI #ChatGPT #PMO #RingCentral #DigitalTransformation
🦄🦄🦄 Когда стоит использовать локальную LLM?
Есть ситуации, где локальная LLM может оказаться даже удобнее облачных сервисов
Вот несколько примеров:
🔹 Конфиденциальные данные
Если вы работаете с внутренними документами компании, договорами, финансовой информацией или персональными данными клиентов, локальная модель позволяет не отправлять эти данные во внешние сервисы
🔹 Большое количество запросов
Если AI используется внутри бизнеса сотни или тысячи раз в день, локальная модель может оказаться значительно дешевле постоянной оплаты API
🔹 Собственная база знаний
Локальные LLM часто используют вместе с RAG-системами для создания корпоративных консультантов, техподдержки, помощников сотрудников и других AI-агентов
🔹 Полный контроль над системой
Можно настраивать модель под свои задачи, выбирать подходящую LLM, подключать собственные инструменты и интеграции
При этом важно понимать: для сложных рассуждений и универсальных задач ChatGPT, Gemini и Claude всё ещё остаются очень сильными решениями
Поэтому сегодня многие компании используют гибридный подход: часть задач решают через облачные модели, а часть - через локальные LLM
Есть ситуации, где локальная LLM может оказаться даже удобнее облачных сервисов
Вот несколько примеров:
🔹 Конфиденциальные данные
Если вы работаете с внутренними документами компании, договорами, финансовой информацией или персональными данными клиентов, локальная модель позволяет не отправлять эти данные во внешние сервисы
🔹 Большое количество запросов
Если AI используется внутри бизнеса сотни или тысячи раз в день, локальная модель может оказаться значительно дешевле постоянной оплаты API
🔹 Собственная база знаний
Локальные LLM часто используют вместе с RAG-системами для создания корпоративных консультантов, техподдержки, помощников сотрудников и других AI-агентов
🔹 Полный контроль над системой
Можно настраивать модель под свои задачи, выбирать подходящую LLM, подключать собственные инструменты и интеграции
При этом важно понимать: для сложных рассуждений и универсальных задач ChatGPT, Gemini и Claude всё ещё остаются очень сильными решениями
Поэтому сегодня многие компании используют гибридный подход: часть задач решают через облачные модели, а часть - через локальные LLM
neural-university.ru
AI-агенты на локальных LLM
Сколько живут ваши ИИ-пилоты?
Сингапурская группа Seatrium ввела жёсткое правило: любой ИИ-пилот получает ровно 90 дней, чтобы доказать свою бизнес-ценность. После этого — либо в продакшн, либо в утиль
. Никаких бесконечных «давайте ещё потестим» и «почти готово».
Директор по цифровизации Lee Wey Lii прямо заявил: «Мы не хотим превращаться в кладбище пилотов»
. И уточнил: «У нас ограничено пространство, ограничено количество проектов и время»
.
И кажется это работает. В одном из инженерных процессов ИИ теперь сопоставляет тысячи тегов оборудования со сложными схемами. Раньше — 50 человеко-дней, сейчас — всего 2
. Разница — 25 раз. Неплохо за три месяца, да?
А главное — KPI цифрового отдела Seatrium измеряется не количеством запущенных пилотов, а тем, сколько проектов дошли до реальной эксплуатации
. Ирония: у многих компаний «цифровая трансформация» — это бесконечные презентации про ИИ. У Seatrium — работающие решения.
Что можно взять на заметку прямо сейчас (на основе опыта Seatrium и рекомендаций PMI):
1. Дайте пилоту чёткий срок. 3 месяца — оптимальный горизонт для проверки гипотезы. Без дедлайна проект будет длиться вечно.
2. Заранее определите, что значит «измеримый результат». Не «улучшим процессы», а конкретные цифры: время, стоимость, точность. Seatrium знал, что хочет сократить человеко-дни с 50 до 2
— и получил.
3. Не бойтесь убивать пилоты. Если за 3 месяца нет результата — закрывайте. Это не провал, это экономия ресурсов. Как сказал Lee: «Цель — не предотвратить провал пилотов, а не дать им застрять в экспериментальной стадии навсегда»
.
4. Сделайте внедрение KPI. Считайте не количество запущенных PoC, а количество проектов в продакшне. Seatrium сделал это KPI для всего цифрового отдела
— и мотивация резко сместилась от «отчитаться» к «сделать работающим».
5. Готовьте инфраструктуру и данные заранее. Seatrium начал цифровизацию ещё в 2018 году — задолго до бума ИИ
. Без чистой архитектуры данных любой ИИ-пилот обречён.
6. Оставляйте человека в контуре. Даже с цифровым двойником, который сам рассчитывает раскладку пространства и ресурсов, финальное решение принимает человек
. ИИ — помощник, а не замена.
Кратко:
⏳ 3 месяца — и точка
📊 KPI — внедрение, а не количество пилотов
⚡ 50 человеко-дней → 2 — это достижимо
🧠 Человек принимает решение, ИИ считает варианты
Если ваши ИИ-проекты всё ещё в стадии «скоро запустим» уже больше года — может, пора взять пример с Seatrium и включить таймер?
#ProjectManagement #AI #Seatrium #PMO #DigitalTransformation #иронияуправления
Сингапурская группа Seatrium ввела жёсткое правило: любой ИИ-пилот получает ровно 90 дней, чтобы доказать свою бизнес-ценность. После этого — либо в продакшн, либо в утиль
. Никаких бесконечных «давайте ещё потестим» и «почти готово».
Директор по цифровизации Lee Wey Lii прямо заявил: «Мы не хотим превращаться в кладбище пилотов»
. И уточнил: «У нас ограничено пространство, ограничено количество проектов и время»
.
И кажется это работает. В одном из инженерных процессов ИИ теперь сопоставляет тысячи тегов оборудования со сложными схемами. Раньше — 50 человеко-дней, сейчас — всего 2
. Разница — 25 раз. Неплохо за три месяца, да?
А главное — KPI цифрового отдела Seatrium измеряется не количеством запущенных пилотов, а тем, сколько проектов дошли до реальной эксплуатации
. Ирония: у многих компаний «цифровая трансформация» — это бесконечные презентации про ИИ. У Seatrium — работающие решения.
Что можно взять на заметку прямо сейчас (на основе опыта Seatrium и рекомендаций PMI):
1. Дайте пилоту чёткий срок. 3 месяца — оптимальный горизонт для проверки гипотезы. Без дедлайна проект будет длиться вечно.
2. Заранее определите, что значит «измеримый результат». Не «улучшим процессы», а конкретные цифры: время, стоимость, точность. Seatrium знал, что хочет сократить человеко-дни с 50 до 2
— и получил.
3. Не бойтесь убивать пилоты. Если за 3 месяца нет результата — закрывайте. Это не провал, это экономия ресурсов. Как сказал Lee: «Цель — не предотвратить провал пилотов, а не дать им застрять в экспериментальной стадии навсегда»
.
4. Сделайте внедрение KPI. Считайте не количество запущенных PoC, а количество проектов в продакшне. Seatrium сделал это KPI для всего цифрового отдела
— и мотивация резко сместилась от «отчитаться» к «сделать работающим».
5. Готовьте инфраструктуру и данные заранее. Seatrium начал цифровизацию ещё в 2018 году — задолго до бума ИИ
. Без чистой архитектуры данных любой ИИ-пилот обречён.
6. Оставляйте человека в контуре. Даже с цифровым двойником, который сам рассчитывает раскладку пространства и ресурсов, финальное решение принимает человек
. ИИ — помощник, а не замена.
Кратко:
⏳ 3 месяца — и точка
📊 KPI — внедрение, а не количество пилотов
⚡ 50 человеко-дней → 2 — это достижимо
🧠 Человек принимает решение, ИИ считает варианты
Если ваши ИИ-проекты всё ещё в стадии «скоро запустим» уже больше года — может, пора взять пример с Seatrium и включить таймер?
#ProjectManagement #AI #Seatrium #PMO #DigitalTransformation #иронияуправления
Ваш AI каждый раз «забывает» контекст?
AI "забывает" кто вы и над чем работаете? А один PM решил эту проблему за 30 минут — с помощью Obsidian + Claude Code.
Продакт-менеджер Мохит Сингх устал каждое утро тратить по 5 минут на то, чтобы заново объяснять AI контекст своих проектов. Решение оказалось до смешного простым: Obsidian Vault — одна папка со всеми заметками, ТЗ, встречами и исследованиями, а Claude Code — AI-агент, который живёт внутри этой папки и может читать/писать любой файл.
Ключевой ингредиент — файл CLAUDE.mdкто вы, н в корне. В нём прописано: над чем работаете и где искать детали.
Результат? Claude больше не начинает с нуля. Команда «обнови конкурентный анализ в кейсе XYZ» — и AI сам находит нужный файл, читает существующие исследования и дополняет их. «Что я решил по фиче X на прошлой неделе?» — AI ищет по заметкам и отвечает.
Многие покупают дорогие PM-системы с AI-надстройками. А можно просто положить все свои заметки в Markdown-файлы, подключил Claude Code — и получить персонального AI-ассистента, который помнит всё. Без плагинов, без сложной интеграции, без ежемесячной подписки за «AI-модуль».
Что можно взять на заметку прямо сейчас (на основе этого кейса и статей от XDA*):
1. Все заметки, PRD, протоколы встреч, исследования — в одну папку. Markdown-формат означает, что любой AI сможет их читать.
2. Создайте файл CLAUDE.mdропишите в корне Vault. Кто вы, ваши текущие проекты, структуру папок, правила именования, особенности Obsidian-синтаксиса (вики-ссылки, метаданные).
3. Запустите Claude Code внутри Vault. Это не требует навыков программирования — просто откройте терминал в папке с заметками и запустите Claude Code.
4. Используйте Skills и Subagents. Claude Code автоматически обнаруживает папки с SKILL.mdвместе с — это ваши повторяющиеся AI-воркфлоу. Они становятся частью Vault и путешествуют ним.
5. Не бойтесь делегировать «черновую работу». Как сказал автор из XDA*: «Я могу поручить AI-агентам исследовать мой следующий проект, пока я работаю над текущим. Это как иметь стажёра — и, как любой ответственный менеджер, я перепроверяю результаты, но экономия времени колоссальная».
6. Контекст накапливается. Каждая заметка, каждое решение, каждый исследовательский вывод делает следующий AI-сеанс умнее. Это не просто «второй мозг» — это обучающаяся память для вашего AI-помощника.
7. Начните с малого. Настройки займут не более 30 минут. Не нужно переписывать всё — просто создайте папку, положите туда существующие заметки и подключите Claude Code.
Кратко:
Одна папка = вся память о проектах
Claude Code читает и пишет всё внутри
5 минут контекста → 0 минут
1–2 часа экономии в день
Если ваш AI-ассистент каждое утро встречает вас как незнакомца — может, пора дать ему постоянную память?
*XDA (или XDA Developers) — онлайн-сообщество разработчиков и энтузиастов мобильных технологий
#ProjectManagement #Obsidian #ClaudeCode #AI #Productivity #SecondBrain #PMO #DigitalTransformation #иронияуправления
AI "забывает" кто вы и над чем работаете? А один PM решил эту проблему за 30 минут — с помощью Obsidian + Claude Code.
Продакт-менеджер Мохит Сингх устал каждое утро тратить по 5 минут на то, чтобы заново объяснять AI контекст своих проектов. Решение оказалось до смешного простым: Obsidian Vault — одна папка со всеми заметками, ТЗ, встречами и исследованиями, а Claude Code — AI-агент, который живёт внутри этой папки и может читать/писать любой файл.
Ключевой ингредиент — файл CLAUDE.mdкто вы, н в корне. В нём прописано: над чем работаете и где искать детали.
Результат? Claude больше не начинает с нуля. Команда «обнови конкурентный анализ в кейсе XYZ» — и AI сам находит нужный файл, читает существующие исследования и дополняет их. «Что я решил по фиче X на прошлой неделе?» — AI ищет по заметкам и отвечает.
Многие покупают дорогие PM-системы с AI-надстройками. А можно просто положить все свои заметки в Markdown-файлы, подключил Claude Code — и получить персонального AI-ассистента, который помнит всё. Без плагинов, без сложной интеграции, без ежемесячной подписки за «AI-модуль».
Что можно взять на заметку прямо сейчас (на основе этого кейса и статей от XDA*):
1. Все заметки, PRD, протоколы встреч, исследования — в одну папку. Markdown-формат означает, что любой AI сможет их читать.
2. Создайте файл CLAUDE.mdропишите в корне Vault. Кто вы, ваши текущие проекты, структуру папок, правила именования, особенности Obsidian-синтаксиса (вики-ссылки, метаданные).
3. Запустите Claude Code внутри Vault. Это не требует навыков программирования — просто откройте терминал в папке с заметками и запустите Claude Code.
4. Используйте Skills и Subagents. Claude Code автоматически обнаруживает папки с SKILL.mdвместе с — это ваши повторяющиеся AI-воркфлоу. Они становятся частью Vault и путешествуют ним.
5. Не бойтесь делегировать «черновую работу». Как сказал автор из XDA*: «Я могу поручить AI-агентам исследовать мой следующий проект, пока я работаю над текущим. Это как иметь стажёра — и, как любой ответственный менеджер, я перепроверяю результаты, но экономия времени колоссальная».
6. Контекст накапливается. Каждая заметка, каждое решение, каждый исследовательский вывод делает следующий AI-сеанс умнее. Это не просто «второй мозг» — это обучающаяся память для вашего AI-помощника.
7. Начните с малого. Настройки займут не более 30 минут. Не нужно переписывать всё — просто создайте папку, положите туда существующие заметки и подключите Claude Code.
Кратко:
Одна папка = вся память о проектах
Claude Code читает и пишет всё внутри
5 минут контекста → 0 минут
1–2 часа экономии в день
Если ваш AI-ассистент каждое утро встречает вас как незнакомца — может, пора дать ему постоянную память?
*XDA (или XDA Developers) — онлайн-сообщество разработчиков и энтузиастов мобильных технологий
#ProjectManagement #Obsidian #ClaudeCode #AI #Productivity #SecondBrain #PMO #DigitalTransformation #иронияуправления
VBA в Microsoft Project — зачем?
Обычная ситуация - календарное планирование в Project, но отчёты, дашборды и гибкая аналитика — часто делают в Excel. Ручной перенос данных между ними — потеря времени и источник ошибок. Особенно когда проектов несколько, а задач — сотни.
Решение — VBA (Visual Basic for Applications). Встроенный язык автоматизации, который работает внутри обоих продуктов.
Что можно автоматизировать за 15 минут кода:
Экспорт данных из Project в Excel — задачи, сроки, ресурсы, фактические трудозатраты. Готовые макросы позволяют выгружать данные из любого представления Project прямо в таблицу. Причём один макрос может собрать данные сразу из нескольких Project-файлов, даже не открывая их все.
Импорт из Excel в Project — загружать сметы, ресурсы, плановые трудозатраты из таблиц, которые готовят финансисты или снабжение. В том числе обновлять расписание по данным из Excel-листов.
Сквозные сценарии — например, открыть Project-файл из Excel, найти конкретную задачу по ID и обновить её поля. Или наоборот — по нажатию кнопки в Excel сформировать отчёт по активному проекту.
С чего начать (краткий чеклист):
1. Подключите библиотеку Project в Excel VBA. В редакторе (Alt+F11) → Tools → References → найти Microsoft Project [версия] Object Library и поставить галочку. Без этого Excel не «увидит» объекты Project.
2. Создайте макрос в Project (View → Macros → Record Macro) — выполните экспорт вручную один раз, а затем доработайте записанный код под свои нужды.
3. Используйте готовые решения. Например, открытый репозиторий с макросом для выгрузки Gantt-диаграммы, задач и ресурсов из Project в Excel.
4. Продумайте структуру. Excel — это «открытый» формат, поэтому перед написанием кода чётко определите, в какие столбцы и на какие листы что попадает.
VBA-макрос в Project (.mpp), но может управлять Excel через CreateObject("Excel.Application"). А можно и наоборот — запускать Project из Excel. Выбор за вами.
Если вы до сих пор переносите данные вручную — вы теряете и время и деньги.
#ProjectManagement #MSProject #Excel #VBA #Automation #PMO
Обычная ситуация - календарное планирование в Project, но отчёты, дашборды и гибкая аналитика — часто делают в Excel. Ручной перенос данных между ними — потеря времени и источник ошибок. Особенно когда проектов несколько, а задач — сотни.
Решение — VBA (Visual Basic for Applications). Встроенный язык автоматизации, который работает внутри обоих продуктов.
Что можно автоматизировать за 15 минут кода:
Экспорт данных из Project в Excel — задачи, сроки, ресурсы, фактические трудозатраты. Готовые макросы позволяют выгружать данные из любого представления Project прямо в таблицу. Причём один макрос может собрать данные сразу из нескольких Project-файлов, даже не открывая их все.
Импорт из Excel в Project — загружать сметы, ресурсы, плановые трудозатраты из таблиц, которые готовят финансисты или снабжение. В том числе обновлять расписание по данным из Excel-листов.
Сквозные сценарии — например, открыть Project-файл из Excel, найти конкретную задачу по ID и обновить её поля. Или наоборот — по нажатию кнопки в Excel сформировать отчёт по активному проекту.
С чего начать (краткий чеклист):
1. Подключите библиотеку Project в Excel VBA. В редакторе (Alt+F11) → Tools → References → найти Microsoft Project [версия] Object Library и поставить галочку. Без этого Excel не «увидит» объекты Project.
2. Создайте макрос в Project (View → Macros → Record Macro) — выполните экспорт вручную один раз, а затем доработайте записанный код под свои нужды.
3. Используйте готовые решения. Например, открытый репозиторий с макросом для выгрузки Gantt-диаграммы, задач и ресурсов из Project в Excel.
4. Продумайте структуру. Excel — это «открытый» формат, поэтому перед написанием кода чётко определите, в какие столбцы и на какие листы что попадает.
VBA-макрос в Project (.mpp), но может управлять Excel через CreateObject("Excel.Application"). А можно и наоборот — запускать Project из Excel. Выбор за вами.
Если вы до сих пор переносите данные вручную — вы теряете и время и деньги.
#ProjectManagement #MSProject #Excel #VBA #Automation #PMO
Для управления компанией достаточно одного человека и 7 AI-агентов.
Опубликован практический пример компании Gavin's Lab, где один основатель управляет всем бизнесом при помощи 7 AI-агентов. Без встреч, без чатов, без офисной политики.
Принципы работы:
1. Единственное правило: решает человек, всё остальное — AI-агенты. Без цепочек согласований.
2. AI-агент, выполняющий роль CEO, декомпозирует цель в конкретные задачи на канбан-доске.
3. Каждый агент работает в изолированном пространстве с собственными инструментами.
4. Структурированная передача: каждый завершённый блок сопровождается кратким описанием и метаданными.
5. Всё отслеживается — каждая карточка, комментарий, решение на канбан-доске.
Ключевое отличие: не один агент с огромным промптом, а 7 независимых профилей с собственными ролями, критериями приёмки и зонами ответственности.
Подробности здесь - https://dev.to/w_bushg_ee2cdfa6c771a866/i-turned-a-one-person-company-into-a-kanban-board-1-human-7-ai-agents-16bd
Опубликован практический пример компании Gavin's Lab, где один основатель управляет всем бизнесом при помощи 7 AI-агентов. Без встреч, без чатов, без офисной политики.
Принципы работы:
1. Единственное правило: решает человек, всё остальное — AI-агенты. Без цепочек согласований.
2. AI-агент, выполняющий роль CEO, декомпозирует цель в конкретные задачи на канбан-доске.
3. Каждый агент работает в изолированном пространстве с собственными инструментами.
4. Структурированная передача: каждый завершённый блок сопровождается кратким описанием и метаданными.
5. Всё отслеживается — каждая карточка, комментарий, решение на канбан-доске.
Ключевое отличие: не один агент с огромным промптом, а 7 независимых профилей с собственными ролями, критериями приёмки и зонами ответственности.
Подробности здесь - https://dev.to/w_bushg_ee2cdfa6c771a866/i-turned-a-one-person-company-into-a-kanban-board-1-human-7-ai-agents-16bd
INFOSTART CIO CAMP 2026
14–15 августа в Санкт-Петербурге прошла закрытая встреча INFOSTART CIO CAMP 2026. Главная тема — экономика искусственного интеллекта. Два кейса, которые заслуживают внимания каждого проектного руководителя:
ИИ-ассистент инженера — срок проекта сокращён с 7 до 3 месяцев. Экономия — 4 месяца при сохранении качества. Достигнуто за счёт автоматизации рутинных расчётов, генерации документации и предиктивной диагностики отклонений.
Три ИИ-агента в связке — продемонстрировано взаимодействие независимых агентов (аналитик, планировщик, контролёр) для решения бизнес-задачи без участия человека на промежуточных этапах. Агенты обменивались данными, корректировали планы и выдавали финальный отчёт.
https://habr.com/ru/companies/infostart/articles/1071492/
#CIOCAMP2026 #ИИвпроектах #управлениепроектами #AIагенты #экономикаИИ #проектныйменеджмент #цифроваятрансформация
14–15 августа в Санкт-Петербурге прошла закрытая встреча INFOSTART CIO CAMP 2026. Главная тема — экономика искусственного интеллекта. Два кейса, которые заслуживают внимания каждого проектного руководителя:
ИИ-ассистент инженера — срок проекта сокращён с 7 до 3 месяцев. Экономия — 4 месяца при сохранении качества. Достигнуто за счёт автоматизации рутинных расчётов, генерации документации и предиктивной диагностики отклонений.
Три ИИ-агента в связке — продемонстрировано взаимодействие независимых агентов (аналитик, планировщик, контролёр) для решения бизнес-задачи без участия человека на промежуточных этапах. Агенты обменивались данными, корректировали планы и выдавали финальный отчёт.
https://habr.com/ru/companies/infostart/articles/1071492/
#CIOCAMP2026 #ИИвпроектах #управлениепроектами #AIагенты #экономикаИИ #проектныйменеджмент #цифроваятрансформация
Риски в проектах: как перестать тушить пожары и начать их предотвращать
18 августа TeamSpirit выпустил новое PM-решение — AI-прогнозирование рисков.
Проблема, знакомая каждому PM:
Назначения «на глаз» — перегрузки и некомпетентные исполнители
Затраты видны только после сдачи — проект в минус
Решения с встреч теряются — переделки и срывы сроков
Что предлагает TeamSpirit:
Риски до того, как они стали проблемой. AI анализирует данные о прогрессе, трудозатратах и загрузке в реальном времени. Автоматически выявляет признаки задержек, падения качества, перегрузки сотрудников и роста затрат. И сразу предлагает корректирующие действия.
Затраты и доход — в режиме реального времени. Ежедневные данные по трудозатратам и прогрессу синхронизируются с себестоимостью и выручкой. Вы видите ухудшение финансовых показателей в процессе, а не после сдачи проекта.
Назначения — на основе данных, а не памяти. Навыки, квалификация, опыт и текущая загрузка — на одном экране. AI предлагает оптимальных кандидатов, PM принимает решение.
Встречи → задачи без потерь. AI-протоколы Synclog автоматически привязывают решения и следующие шаги к конкретным задачам. Исключены «я не говорил» и переделки из-за забытых договорённостей.
Ключевое отличие: система работает на той же платформе, где сотрудники ежедневно отмечают время. Данные актуальные, а не «вчерашние». Именно поэтому AI-прогнозы точны.
Рекомендации для ваших проектов:
Внедрите единый источник данных по трудозатратам, прогрессу и финансам. Без точных входных данных любой AI-прогноз — гадание.
Автоматизируйте выявление рисков, а не ручной сбор отчётов. Сместите фокус с констатации проблем на их предотвращение.
Оцифруйте навыки команды. Назначение «по знакомству» — главный источник перегрузок и срывов.
Свяжите встречи с задачами. Каждое решение — в конкретный пункт плана. Устраните разрыв между обсуждениями и исполнением.
Сделайте финансовый контроль ежедневным. Не ждите закрытия этапа, чтобы узнать, что проект убыточен.
Главный вывод: Управление рисками — это не про то, как быстро реагировать на кризис. Это про то, чтобы увидеть его за недели до наступления. TeamSpirit показывает, как это делать системно.
https://cloud.watch.impress.co.jp/docs/news/2133449.html
#управлениерисками #AIвпроектах #TeamSpirit #проектныйменеджмент #рискменеджмент #цифроваятрансформация
18 августа TeamSpirit выпустил новое PM-решение — AI-прогнозирование рисков.
Проблема, знакомая каждому PM:
Назначения «на глаз» — перегрузки и некомпетентные исполнители
Затраты видны только после сдачи — проект в минус
Решения с встреч теряются — переделки и срывы сроков
Что предлагает TeamSpirit:
Риски до того, как они стали проблемой. AI анализирует данные о прогрессе, трудозатратах и загрузке в реальном времени. Автоматически выявляет признаки задержек, падения качества, перегрузки сотрудников и роста затрат. И сразу предлагает корректирующие действия.
Затраты и доход — в режиме реального времени. Ежедневные данные по трудозатратам и прогрессу синхронизируются с себестоимостью и выручкой. Вы видите ухудшение финансовых показателей в процессе, а не после сдачи проекта.
Назначения — на основе данных, а не памяти. Навыки, квалификация, опыт и текущая загрузка — на одном экране. AI предлагает оптимальных кандидатов, PM принимает решение.
Встречи → задачи без потерь. AI-протоколы Synclog автоматически привязывают решения и следующие шаги к конкретным задачам. Исключены «я не говорил» и переделки из-за забытых договорённостей.
Ключевое отличие: система работает на той же платформе, где сотрудники ежедневно отмечают время. Данные актуальные, а не «вчерашние». Именно поэтому AI-прогнозы точны.
Рекомендации для ваших проектов:
Внедрите единый источник данных по трудозатратам, прогрессу и финансам. Без точных входных данных любой AI-прогноз — гадание.
Автоматизируйте выявление рисков, а не ручной сбор отчётов. Сместите фокус с констатации проблем на их предотвращение.
Оцифруйте навыки команды. Назначение «по знакомству» — главный источник перегрузок и срывов.
Свяжите встречи с задачами. Каждое решение — в конкретный пункт плана. Устраните разрыв между обсуждениями и исполнением.
Сделайте финансовый контроль ежедневным. Не ждите закрытия этапа, чтобы узнать, что проект убыточен.
Главный вывод: Управление рисками — это не про то, как быстро реагировать на кризис. Это про то, чтобы увидеть его за недели до наступления. TeamSpirit показывает, как это делать системно.
https://cloud.watch.impress.co.jp/docs/news/2133449.html
#управлениерисками #AIвпроектах #TeamSpirit #проектныйменеджмент #рискменеджмент #цифроваятрансформация
ИИ в Agile-планировании: 5 правил, чтобы не наломать дров
Digital.ai
на днях выкатил материал про то, как корпорации встраивают ИИ в свои Agile-процессы. И знаете, что там главное? Не давайте ИИ решать за людей. Звучит банально, но многие до сих пор думают, что ChatGPT заменит продакта.
Авторы выделили пять принципов. Попробую перевести с «корпоративного» на человеческий:
1. ИИ должен быть внутри, а не снаружи
Если вы генерите критерии в отдельном окне, а потом копируете их в карточку — вы делаете лишнюю работу. Пусть ИИ живёт прямо в доске, в одном клике от задачи. Digital.ai
сделал именно так.
2. Всё, что сгенерировал ИИ — черновик, точка
Никаких автономных решений. Критерий приёмки становится «законным» только после того, как живой человек его прочитал, поправил и утвердил. ИИ — помощник, а не босс.
3. Одна настройка не подойдёт всем
У каждой команды свой стиль и стандарты. Дайте людям возможность настраивать модель под себя, но в разумных границах. Не надо единого шаблона для всех.
4. Считайте не количество использований, а качество
«Мы сделали 500 промптов» — звучит круто, но ничего не значит. Лучше смотрите: сколько сгенерированного приняли, как часто правили, сколько времени экономит проверка. И долю мусора — её тоже считаем.
5. Последнее слово всегда за человеком
Приоритеты, бюджеты, сроки, назначения, риски — это всё на вас. ИИ может подсветить, но не может утвердить. Ответственность не перекладывается.
ИИ в Agile — это не про замену людей, а про то, чтобы убрать трение и дать командам фокусироваться на решениях, а не на перепечатывании. Держите человека в петле, считайте пользу, а не активность.
#Agile #ИИвпроектах #DigitalAI #управлениепроектами
Digital.ai
на днях выкатил материал про то, как корпорации встраивают ИИ в свои Agile-процессы. И знаете, что там главное? Не давайте ИИ решать за людей. Звучит банально, но многие до сих пор думают, что ChatGPT заменит продакта.
Авторы выделили пять принципов. Попробую перевести с «корпоративного» на человеческий:
1. ИИ должен быть внутри, а не снаружи
Если вы генерите критерии в отдельном окне, а потом копируете их в карточку — вы делаете лишнюю работу. Пусть ИИ живёт прямо в доске, в одном клике от задачи. Digital.ai
сделал именно так.
2. Всё, что сгенерировал ИИ — черновик, точка
Никаких автономных решений. Критерий приёмки становится «законным» только после того, как живой человек его прочитал, поправил и утвердил. ИИ — помощник, а не босс.
3. Одна настройка не подойдёт всем
У каждой команды свой стиль и стандарты. Дайте людям возможность настраивать модель под себя, но в разумных границах. Не надо единого шаблона для всех.
4. Считайте не количество использований, а качество
«Мы сделали 500 промптов» — звучит круто, но ничего не значит. Лучше смотрите: сколько сгенерированного приняли, как часто правили, сколько времени экономит проверка. И долю мусора — её тоже считаем.
5. Последнее слово всегда за человеком
Приоритеты, бюджеты, сроки, назначения, риски — это всё на вас. ИИ может подсветить, но не может утвердить. Ответственность не перекладывается.
ИИ в Agile — это не про замену людей, а про то, чтобы убрать трение и дать командам фокусироваться на решениях, а не на перепечатывании. Держите человека в петле, считайте пользу, а не активность.
#Agile #ИИвпроектах #DigitalAI #управлениепроектами
ИИ в исследованиях: тренд, который меняет управление проектами
За 4 года доля вакансий для исследователей с требованием ИИ-навыков выросла с 0% до 19%.
При этом разрыв между грейдами колоссальный:
⬆️ Лиды — ИИ требуется в каждой 4-й вакансии
⬇️ Джуны — лишь в 5% вакансийДля проектного управления это значит: старшие специалисты уже не могут позволить себе игнорировать нейросети. ИИ берёт на себя рутину — поиск, анализ, визуализацию данных, сводку интервью.
Руководитель, владеющий ИИ-инструментами, быстрее обрабатывает информацию и принимает решения.
Ключевая цифра для PM: 40% всех ИИ-требований на рынке даёт один работодатель.
Если ваш проект не в экосистеме Сбера — компетенции сотрудников в ИИ могут стать вашим конкурентным преимуществом.
Исследователи активно обсуждают ИИ в профсообществах: рост с 0,3% до 5,8% за 4 года.
Вовлекайте команду в изучение инструментов — это повысит скорость и качество проектных задач.
Вывод: ИИ-грамотность перестаёт быть «плюсом» и становится обязательным навыком для лидов и PM. Инвестируйте в обучение команды уже сегодня.
https://market.gethints.io/research-ai
#управлениепроектами #PM #ИИ #нейросети #Research
За 4 года доля вакансий для исследователей с требованием ИИ-навыков выросла с 0% до 19%.
При этом разрыв между грейдами колоссальный:
⬆️ Лиды — ИИ требуется в каждой 4-й вакансии
⬇️ Джуны — лишь в 5% вакансийДля проектного управления это значит: старшие специалисты уже не могут позволить себе игнорировать нейросети. ИИ берёт на себя рутину — поиск, анализ, визуализацию данных, сводку интервью.
Руководитель, владеющий ИИ-инструментами, быстрее обрабатывает информацию и принимает решения.
Ключевая цифра для PM: 40% всех ИИ-требований на рынке даёт один работодатель.
Если ваш проект не в экосистеме Сбера — компетенции сотрудников в ИИ могут стать вашим конкурентным преимуществом.
Исследователи активно обсуждают ИИ в профсообществах: рост с 0,3% до 5,8% за 4 года.
Вовлекайте команду в изучение инструментов — это повысит скорость и качество проектных задач.
Вывод: ИИ-грамотность перестаёт быть «плюсом» и становится обязательным навыком для лидов и PM. Инвестируйте в обучение команды уже сегодня.
https://market.gethints.io/research-ai
#управлениепроектами #PM #ИИ #нейросети #Research
ИИ в разработке ТЗ: 4 реальных кейса для Project Manager
Техническое задание — фундамент любого ИТ-проекта. Но сбор требований остаётся узким местом: документ на 40–70 страниц требует месяца работы 2–3 аналитиков. ИИ меняет правила игры. Разберём несколько российских кейсов.
Artezio («Аналитик-Кентавр»)
Гибридная система: экспертиза аналитиков + LLM. Расшифровывает интервью с заказчиком, сопоставляет с корпоративными стандартами, генерирует документ по структуре. Проверки на непротиворечивость дублируются человеком и ИИ.
📊 Результат: сокращение сроков подготовки документации в 5–10 раз при сохранении качества. Пилоты прошли в телекоме, строительстве и фармацевтике.
https://lanit.ru/press/archive/biznes-odobril-ii-sistemu-artezio-dlya-generatsii-tz
1С:УХ + ИИ (Infostart)
Проект уровня Enterprise (>10 000 человеко-часов). Команда прошла путь от провального первого эксперимента (протоколы не прошли согласование) до создания ИИ-системы генерации документов.
Ключевой вывод: большой промпт не спасает. Нужно разделять генерацию, аудит и редактирование, использовать шаблоны и эталоны, чтобы избежать галлюцинаций.
📊 Результат: ускорение подготовки проектных документов до 20 раз.
https://infostart.ru/pm/2717672/#1
Нейросетевая модель (ЮУрГУ)
Разработана модель на основе трансформерной архитектуры для структурирования и формализации ТЗ. Система выявляет структурные недостатки и формирует улучшенную версию документа.
📊 Результат: значительное сокращение трудозатрат на создание и редактирование ТЗ.
https://vestnikugrasu.org/byusu/article/view/699052
Вывод для PM
ИИ не заменяет руководителя проекта. Он берёт на себя рутину: расшифровку интервью, структурирование требований, проверку противоречий, генерацию черновиков.
Главный урок всех кейсов: ИИ эффективен только в управляемом конвейере с человеческим контролем.
Ваша задача — не «нажать кнопку и получить ТЗ», а выстроить процесс, где ИИ ускоряет аналитиков, а вы сохраняете качество и снижаете риски.
#управлениепроектами #PM #ТЗ #ИИ #техническоезадание #цифровизация
Техническое задание — фундамент любого ИТ-проекта. Но сбор требований остаётся узким местом: документ на 40–70 страниц требует месяца работы 2–3 аналитиков. ИИ меняет правила игры. Разберём несколько российских кейсов.
Artezio («Аналитик-Кентавр»)
Гибридная система: экспертиза аналитиков + LLM. Расшифровывает интервью с заказчиком, сопоставляет с корпоративными стандартами, генерирует документ по структуре. Проверки на непротиворечивость дублируются человеком и ИИ.
📊 Результат: сокращение сроков подготовки документации в 5–10 раз при сохранении качества. Пилоты прошли в телекоме, строительстве и фармацевтике.
https://lanit.ru/press/archive/biznes-odobril-ii-sistemu-artezio-dlya-generatsii-tz
1С:УХ + ИИ (Infostart)
Проект уровня Enterprise (>10 000 человеко-часов). Команда прошла путь от провального первого эксперимента (протоколы не прошли согласование) до создания ИИ-системы генерации документов.
Ключевой вывод: большой промпт не спасает. Нужно разделять генерацию, аудит и редактирование, использовать шаблоны и эталоны, чтобы избежать галлюцинаций.
📊 Результат: ускорение подготовки проектных документов до 20 раз.
https://infostart.ru/pm/2717672/#1
Нейросетевая модель (ЮУрГУ)
Разработана модель на основе трансформерной архитектуры для структурирования и формализации ТЗ. Система выявляет структурные недостатки и формирует улучшенную версию документа.
📊 Результат: значительное сокращение трудозатрат на создание и редактирование ТЗ.
https://vestnikugrasu.org/byusu/article/view/699052
Вывод для PM
ИИ не заменяет руководителя проекта. Он берёт на себя рутину: расшифровку интервью, структурирование требований, проверку противоречий, генерацию черновиков.
Главный урок всех кейсов: ИИ эффективен только в управляемом конвейере с человеческим контролем.
Ваша задача — не «нажать кнопку и получить ТЗ», а выстроить процесс, где ИИ ускоряет аналитиков, а вы сохраняете качество и снижаете риски.
#управлениепроектами #PM #ТЗ #ИИ #техническоезадание #цифровизация