Чего менеджеры хотят от ИИ: данные 40 реальных ответов

Мы редко знаем, чего люди на самом деле хотят от ИИ. Обычно за нас это решают вендоры в презентациях и блогеры в ленте. Поэтому, когда у нас накопились реальные ответы студентов на простой вопрос, мы решили на них посмотреть.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Это первая часть разбора. Дальше – три конкретных задачи: постановка задач разработчикам, автоматизация отчётов и статусов, конкурентный анализ с ИИ и обработка обращений клиентов.

Сразу оговорюсь про границы наблюдения. Сорок ответов – это не репрезентативная выборка по рынку, а срез одной аудитории: людей, которые уже пришли учиться работать с ИИ. Они мотивированнее среднего и, вероятно, насмотреннее. Но именно поэтому их запросы ценны: это не фантазии о технологии, а формулировки задач от тех, кто собирается их решать. Все ответы здесь анонимны и обобщены до уровня типа задачи – никаких имён, компаний или деталей, по которым можно кого-то узнать.

Три группы, в которые сошлась половина спроса

Если разложить ответы по смыслу, а не по формулировке, проступают повторяющиеся сюжеты. Три из них собрали вместе больше половины всех запросов.

Самая крупная группа – постановка задач разработчикам и качество требований. Примерно каждый четвёртый ответ был про это: улучшить качество требований в постановках от аналитиков, составить ТЗ, проверить описание задачи перед передачей в разработку, стандартизировать постановки, написать user stories по схемам аналитика, собрать тест-план по требованиям. Разные роли, одна боль – превратить размытую мысль в структуру, которую не стыдно отдать команде.

Вторая группа – отчётность и статусы. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению бюджета, материалы к ежедневным планёркам. Один человек описал свою мечту довольно точно: автоматически собирать черновик еженедельного отчёта и складывать его в таск-трекер перед публикацией. Перед публикацией – важная деталь, к которой мы ещё вернёмся.

Третья группа – сбор информации и анализ рынка: поиск кейсов применения ИИ в отрасли, анализ конкурентов, систематизация нормативной базы проекта. Рядом с ней держится отдельная группа про данные и дашборды – аналитические платформы, таблицы KPI, отчёты по эффективности кампаний. Я их разделяю намеренно: ресёрч и работа с данными совпадают со сильными сторонами ИИ очень по-разному, и об этом ниже.

Любопытно, что три самые частые группы – это ровно то, на чём языковые модели работают надёжнее всего. Постановка задач, отчётность, ресёрч – задачи про текст, структуру и переформулирование. Совпадение спроса и сильной стороны инструмента почти идеальное. То есть, аудитория интуитивно тянется туда, где выигрыш реальный, даже не зная заранее, как устроена модель. Это перекликается с общей картиной внедрения: реальное использование ИИ в командах концентрируется на одной-двух конкретных задачах, а не размазывается на всё сразу.

Почему именно эти задачи ложатся на сильные стороны ИИ

Стоит разобрать механизм, иначе совпадение выглядит случайным. Языковая модель хорошо делает то, что является работой с текстом: взять неструктурированный вход и привести его к нужной форме. Превратить три абзаца сырой мысли в ТЗ с критериями приёмки. Собрать заметки со встречи в резюме с решениями и ответственными. Сжать десять страниц в полстраницы выводов.

Постановка задач разработчикам – это работа с текстом в чистом виде. У менеджера или аналитика в голове есть понимание, что нужно, но оно не оформлено. Модель не придумывает требования за человека – она помогает их выгрузить, структурировать и проверить на полноту. Это та задача, где ИИ закрывает не творческую часть, а трудоёмкую: оформление, выравнивание формата, поиск пропущенных пунктов.

Отчётность устроена похоже. Исходные факты у менеджера уже есть – в переписке, в трекере, в заметках. Задача не в том, чтобы их добыть, а в том, чтобы собрать в читаемую форму под конкретного адресата. Это переупаковка, и модель в ней сильна.

А вот с ресёрчем и данными сложнее, и здесь начинаются нюансы. Поиск кейсов и систематизация – это работа с текстом, модель справится. Но анализ конкретных цифр продаж или построение дашборда в BI-системе – это уже не текст. Это доступ к данным, точность вычислений и подключение к закрытой системе. Модель может написать формулу или объяснить логику, но она не заменит саму систему и легко ошибётся в арифметике, если её об этом попросить напрямую.

Разрыв между «помогает с текстом про данные» и «считает сами данные» – одна из главных ловушек ожиданий. Человек видит, что ИИ бодро рассуждает про аналитику, и делает вывод, что ему можно доверить расчёт. Доверять можно рассуждению о методе, проверять нужно каждую цифру.

Перед тем как раздавать ИИ задачи команде, полезно самому пройти десяток типовых управленческих ситуаций и увидеть, где он реально ускоряет, а где тихо подсовывает правдоподобную ошибку. Без этого граница между сильным и слабым применением остаётся теоретической.

Выбросы, которые ценнее средних ответов

Самое полезное в этих сорока ответах – не три большие группы, а пять-шесть запросов, которые улетели куда-то в сторону. Их легко списать как шум, но именно они показывают, как люди думают об ИИ, когда у них ещё нет рабочей модели его возможностей.

Кто-то хотел получить список документов для оформления гражданства. Кто-то – научиться делать фильмы. Кто-то – проанализировать свою дату рождения (цифры опускаю). Кто-то – засечь реальное время пробега на дистанции. Кто-то – заносить товарно-материальные ценности в учётную систему.

Эти запросы кажутся разными, но за ними один общий механизм. Человек воспринимает ИИ как универсальную кнопку «сделай»: раз он умеет отвечать на любой вопрос, значит, умеет всё. Отсюда и список документов (модель его выдумает с устаревшими деталями), и анализ даты рождения (тут вообще нет задачи, которую можно решить), и ввод позиций в учётную систему (модель не имеет к ней доступа и ничего туда не занесёт).

Из забавного – запрос про фильмы и про время на дистанции честнее остальных. Они показывают не наивность, а здоровое любопытство: человек прощупывает границы, не имея карты. Это нормальная стадия. Проблема не в том, что люди задают такие вопросы, а в том, что без обратной связи они сделают неверный вывод. Попросят список документов, получат правдоподобную выдумку, примут её за правду – и либо обожгутся на практике, либо, наоборот, разочаруются и решат, что ИИ бесполезен.

Выбросы – это не глупость аудитории. Это отсутствующая ментальная модель. И ровно её даёт практика: пара неудачных заходов с понятным объяснением, почему не сработало, стоит десяти статей про «возможности ИИ». Любопытно, что исследования фиксируют похожее поведение в командах: люди скрывают, как пользуются ИИ, именно потому, что не уверены в своей карте его возможностей.

Простая диагностика на три корзины

Из всей этой картины складывается рабочий инструмент, который менеджер может применить к собственному списку задач в понедельник утром: сортировка по трём корзинам. Никакой теории про природу языковых моделей – только вопрос к каждой задаче.

Первая корзина – ИИ силён. Сюда попадает всё, что является работой с текстом и структурой: превратить размытый запрос в ТЗ с критериями приёмки, собрать резюме встречи, сравнить два варианта решения по заданным критериям, переписать письмо под другого адресата. Признак этой корзины – исходная информация у вас уже есть, нужно привести её в форму. Здесь ИИ ускоряет надёжно, проверка нужна минимальная.

Вторая корзина – помогает, но проверяйте каждый факт. Сюда идут задачи про факты и данные, где модель ускоряет старт, но способна ошибиться: поиск кейсов, обзор рынка, черновик аналитической записки, объяснение метода расчёта. Признак этой корзины – результат выглядит правдоподобно, но содержит проверяемые утверждения. ИИ даёт каркас за минуты, а дальше работает ваша экспертиза: вы перепроверяете цифры, ссылки и факты.

Третья корзина – ИИ почти бесполезен в одиночку. Точный расчёт без инструментов, доступ к закрытой корпоративной системе, проверяемые свежие факты, действие в физическом мире. Заносить позиции в учётную систему, посчитать точное время на дистанции, выдать актуальный список документов для госуслуги – всё это либо требует доступа, которого у модели нет, либо точности, которой она не гарантирует. Здесь ИИ не помощник, а источник уверенно сформулированной ошибки.

Возьмите свой список из пяти-семи регулярных задач и разложите по корзинам. Скорее всего, окажется, что одна-две из них живут в первой корзине и просто ждут, когда вы перестанете делать их вручную. С них и стоит начинать.

Граница между первой и второй корзиной – это и есть навык, который отделяет случайную удачу от стабильного результата. Сформулировать задачу так, чтобы модель не додумывала, проверить ответ в правильном месте, понять, где доверять нельзя. Этот навык передаётся, но не появляется сам от факта установки приложения.

Сортировка по корзинам, которую вы только что прочитали, – это верхний фильтр. Дальше начинается интересное: люди уверенно относят задачу к первой корзине, прогоняют через ИИ и не замечают, что ответ из третьей. Именно этот разрыв ловит открытый модуль – 9 управленческих ситуаций, где правильный и ошибочный ответ выглядят одинаково убедительно. На выходе вы получаете не «понимание вообще», а разложенную по корзинам карту своих задач: где ИИ ускоряет без оговорок, где помогает под проверку, что не стоит ему отдавать вовсе.

Готовый шаблон для самой частой задачи

Раз постановка задач разработчикам оказалась запросом номер один, имеет смысл дать под неё копируемый промпт – конкретный инструмент, который вставляешь и адаптируешь.

Ниже – шаблон, который берёт размытую формулировку задачи и превращает её в структурированное ТЗ с критериями приёмки. Главное в нём – он не позволяет модели додумывать требования за вас. Если чего-то не хватает, шаблон заставляет ИИ задать вопрос, а не сочинить ответ.

Обратите внимание на пункт с открытыми вопросами. Большинство проблем с ТЗ не в том, что они плохо написаны, а в том, что в них есть дыры, которые автор не заметил. Модель, которой запрещено додумывать, эти дыры подсвечивает – и это часто полезнее самой структуры.

Когда первый проход даст результат, попробуйте короткий второй промпт – проверку готового ТЗ на полноту перед передачей в разработку:

Два этих шага вместе закрывают именно ту боль, которую чаще всего называли в ответах: качество требований перед передачей в разработку. Первый собирает структуру, второй её атакует. То самое «перед публикацией» из запроса про отчётность – здесь оно встроено в процесс. Это два хода из пяти: весь процесс – от user stories до тест-плана на сквозном примере – собран в разборе пять готовых промптов под постановку задач. Аналогичный принцип – черновик плюс проверка человеком – работает и в других задачах, например в обработке входящих клиентских запросов.

Что показали 40 ответов

Спрос реальных руководителей на ИИ оказался на удивление здравым. Больше половины запросов сошлись туда, где модели сильны: текст, структура, переупаковка информации. Аудитория интуитивно нащупывает правильные задачи ещё до того, как разбирается в механике.

Слабое место не в выборе задач, а в калибровке доверия. Те же люди, которые точно просят помочь с ТЗ, готовы поверить выдуманному списку документов или доверить модели расчёт, который она не вытянет. Разрыв проходит не между умными и наивными запросами, а внутри головы одного человека – между задачей из первой корзины и задачей из третьей, которые внешне выглядят одинаково уверенно.

И это не только про менеджеров. Та же граница работает, если ваша задача техническая: сгенерировать код по размытому описанию – первая корзина, а вот понять, правда ли он работает на ваших данных и не выдумала ли модель API – уже вторая. Роль меняет примеры, но не сам навык сортировки.

Диагностика на три корзины не требует понимать, как устроена нейросеть. Она требует одного вопроса к каждой задаче: исходные данные у меня уже есть и нужно привести их в форму, или я прошу модель добыть факты и посчитать? В первом случае – вперёд. Во втором – вперёд, но с проверкой каждой цифры. А некоторые задачи стоит честно оставить инструментам, которые для них предназначены.

Типичный путь выглядит так. Человек приходит с задачей, которую считал идеальной для ИИ – «пусть посчитает» или «пусть достанет факты», – и на втором-третьем заходе видит, как уверенно модель ошибается. Тогда он переформулирует: оставляет ИИ текст и структуру, а расчёт и проверку фактов забирает себе. Та же задача, но теперь это рабочий процесс, а не лотерея. Этот сдвиг и есть то, ради чего стоит потратить десять минут.

И последнее наблюдение, которое меня не отпускает. Самыми ценными в данных оказались не аккуратные средние ответы, а выбросы – запросы людей, которые тянутся к ИИ без карты его возможностей. Это и есть точка, где обучение работает: не рассказать про возможности, а дать пару задач, на которых карта рисуется сама. Вопрос к вам – а в какой корзине живёт ваша самая частая задача?

Другие части серии

Часть 2

Как ставить задачи разработчикам с помощью ИИ

Часть 3

Автоматизация отчётов и статусов с ИИ: рабочий цикл

Часть 4

Анализ конкурентов с ИИ: где модель выдумывает факты

Часть 5

AI для входящих запросов клиентов: −50% времени ответа

Часть 6

Агентский ресёрч конкурентов: цикл с поиском и проверкой