Использование ИИ в управлении проектами: возможности и вызовы

Введение

Нет сомнений в том, что искусственный интеллект (ИИ) стремительно трансформирует рабочие процессы, помогая автоматизировать выполнение задач, анализировать большие объемы данных и принимать более обоснованные решения.

Опросы показывают, что в России ИИ используют от 5 до 20% компаний в зависимости от отрасли. Другие исследования утверждают, что 34% активно внедряют ИИ в свои процессы, а 20% компаний уже используют генеративный ИИ в различных направлениях деятельности.

В процессах управления проектами ИИ также имеет значительный потенциал. Еще в 2019 году аналитики Gartner прогнозировали, что к 2030 году 80% задач менеджера проектов сможет выполнять искусственный интеллект. Тогда это казалось фантастикой, теперь эти цифры не вызывают такого удивления. Тем не менее, вряд ли это будет означать, что вместо пяти менеджеров нам понадобится один – высвобожденное время можно занять работой со стейкхолдерами и командой.

Однако текущее применение ИИ в проектном управлении в России пока еще далеко от этого светлого будущего. По результатам опроса свыше двух десятков крупных компаний, проведенного Рексофт Консалтинг в рамках подготовки данной статьи, только 12% из них подтвердили использование искусственного интеллекта для управления проектами на уровне корпоративных процессов. И даже у подтвердивших, формат использования ИИ ограничивается функцией секретаря. Полученные нами цифры соотносятся с мнениями других экспертов, что использование ИИ в проектном менеджменте в России только развивается и специализированными решениями пользуются около 10–15% компаний.

Почему использование ИИ в проектном управлении значительно ниже, чем в маркетинге, продажах или клиентском сервисе? Для ответа на этот вопрос мы рассмотрим основные области применения ИИ и препятствия, тормозящие его внедрение.

Ключевые направления использования искусственного интеллекта в управлении проектами

1. ИИ-ассистенты и секретари

ИИ может автоматизировать рутинные задачи: написание писем, управление календарем, протоколирование совещаний, составление отчетов, отслеживание дедлайнов и координацию команды.

Плюсы: снижение нагрузки на проектного менеджера за счет минимизации и ускорения рутинных операций; доступность 24/7 для сотрудников.

Минусы: ограниченность применения в сложных сценариях, а также возможные проблемы с языковыми или контекстными барьерами.

Хотя опыт компаний в применении ИИ для протоколирования зависит от целей и выбранных решений (например, есть ли идентификация спикеров), компании с бюрократизированными процессами, для которых составление протокола всегда было отдельным видом искусства, отмечают, что наличие транскрипта или драфта протокола существенно упрощает работу, но исключить человека не может. Например, крупный российский производственный холдинг отказался от использования ИИ-секретаря в совещаниях: организаторам совещаний было сложно добиться, чтобы руководители при выдаче поручений уточняли, что нужно внести в протокол с ответственным и датой.

2. Прогнозирование сроков и бюджета с использованием машинного обучения

ИИ помогает анализировать исторические данные проектов, чтобы прогнозировать сроки, требуемые ресурсы и бюджет на этапе планирования проекта.

Плюсы: учет реального опыта на множестве проектов для составления прогноза; возможность выявления «узких мест» на ранних стадиях.

Минусы: высокая зависимость от качества данных; сложность и высокая стоимость настройки под особенности конкретного бизнеса.

Андрей Кабанов, руководитель проектов в области ИИ и соавтор исследования «100 нейросетей для управления проектами», утверждает, что основная причина низкого уровня использования искусственного интеллекта в проектном управлении – отсутствие готовых решений, учитывающих отраслевую специфику. Многие компании сталкиваются с трудностями при внедрении ИИ из-за необходимости адаптации имеющихся решений к своим бизнес-процессам.

Дмитрий Рыбалко, архитектор ML-сервисов Yandex Cloud, отмечает, что переход от использования ИИ в формате «початиться с ботом» до использования в прикладной бизнес-задаче сложный. В таких проектах много нюансов, связанных с оценкой качества работы модели, галлюцинациями нейросети, сложностью сценария, разными типами данных. Для того, чтобы добиться лучшего результата, полезно работать с партнерами с реальным опытом внедрений, которые помогут оценить сложность проекта и трудозатраты.

3. Анализ рисков с помощью ИИ

Системы ИИ анализируют текущие данные проекта, чтобы выявить потенциальные риски (например, задержки или перерасход бюджета) и предложить варианты управления ими.

Плюсы: снижение вероятности критических ошибок и возможность создания сценариев для предотвращения рисков.

Минусы: необходимость учета множества специфических факторов проекта и отсутствие учета человеческого фактора – ИИ не способен учитывать эмоциональные и социальные аспекты.

Менеджер по управлению рисками крупного инфраструктурного проекта в Саудовской Аравии, реализация которого сопровождается технической сложностью, международной командой и запутанной системой поставщиков, подчеркивает важность критического отношения к результатам работы подобных инструментов. Без нормализации данных для конкретной компании или проекта, такие решения могут предоставить лишь обобщенные выводы – они не учитывают критичные для успеха проекта системные риски, возникающие из сложных взаимозависимостей и взаимодействий между компонентами проекта и его внешней средой.

4. Оптимизация управления ресурсами

ИИ используется для выбора приоритетов и оптимизации распределения ресурсов в проекте – от человеческого капитала до материальных и финансовых ресурсов.

Плюсы: уменьшение перерасхода ресурсов, оптимизация загрузки команды, как следствие, повышение эффективности использования бюджета.

Минусы: требования к данным, трудности интеграции ИИ в существующие процессы, психологическое сопротивление сотрудников.

ИИ-технологии достаточно успешно применяются для отслеживания местоположения и использования оборудования и техники, а также занятости персонала на промышленных объектах. Однако их применение для прогнозирования загрузки проектной команды остается ограниченным. В России работы в этом направлении только начинаются: например, в одном из крупных государственных банков запущен проект по оптимизации планирования и распределения ресурсов на проекты. Проект находится на начальной стадии, но это сигнализирует о возрастающем интересе к этому способу использования инструментов ИИ.

5. Автоматизация отчетности и визуализация данных

ИИ помогает автоматизировать подготовку отчетов, визуализировать данные в реальном времени, выявлять тенденции, строить тренды и предлагать решения.

Плюсы: высвобождение времени проектного менеджера за счет автоматизации и ускорения обработки данных, сокращения времени на подготовку отчетов.

Минусы: интеграция ИИ с существующими ERP/CRM/BI-системами для получения необходимых данных может быть трудоемкой и дорогостоящей.

Кроме того, разнообразность и изменчивость требований к отчетам даже в рамках одной компании, когда на управляющие комитеты отправляется один отчет, инвестиционный комитет – другой, спонсору – третий, усложняет внедрение подобных инструментов без стандартизации отчетности.

Ключевые сложности внедрения ИИ в проектное управление

Несмотря на очевидный потенциал ИИ решений в области управления проектами, невысокое проникновение технологий свидетельствует о наличие сложностей, которые тормозят внедрение. К ним относятся:

1. Отсутствие единой методологии и процессов по управлению проектами в компаниях

Для выработки качественных рекомендаций модель должна обучиться на аналогичных кейсах, но зрелость проектного управления в российских компаниях с точки зрения стандартизации методологий, подходов, процессов и инструментов все еще остается на невысоком уровне. Перед началом экспериментов с инструментами на основе ИИ необходимо внедрить проектное управление как таковое.

Руководитель аналитики клиентской базы и продуктов B2B в МТС Николай Кирсанов связывает ключевые сложности внедрения ИИ в управлении проектами с тем, что для этих задач невозможно использовать общедоступные решения – реальные используемые практики управления проектами отличаются от компании к компании и даже внутри, что делает необходимым обучение моделей на собственных данных, предварительно стандартизировав процессы.

2. Отсутствие данных для обучения моделей

Большинство компаний сталкиваются с трудностями в формировании баз знаний по реализованным проектам. Чаще всего управление проектами осуществляется в Excel и через переписку, а данные хранятся в многочисленных разрозненных системах. Кроме того, эти данные, как правило, неоднородны и не всегда обновляются. В результате компании не располагают качественными данными для обучения моделей.

Дмитрий Рыбалко, архитектор ML-сервисов Yandex Cloud, также отмечает качество данных, как один из ключевых ограничивающих факторов внедрения ИИ: «LLM часто используют для вопрос-ответных систем. Если для обучения используется разрозненная документация, то ее сложно проверить на валидность, противоречивость, дублирование, и требуется время, чтобы привести ее в порядок».

Сбор и подготовка данных могут занять от трех до пяти лет. При этом использование одних и тех же датасетов и моделей для решения различных задач может быть осложнено. Компаниям, которые начинают рассматривать возможность внедрения ИИ, важно сначала повысить уровень автоматизации процессов и наладить управление данными.

Надежда Трусова, Senior Data Scientist одного из крупнейших российских банков, обращает внимание, что управление проектами включает множество факторов, от человеческих до финансовых, и опирается на разнородные и несистематизированные данные, так что без существенного повышения культуры сбора, обработки, хранения и управления данными создать модель, которая учтет все нюансы, невозможно.

Об аналогичном свидетельствует и собственный опыт Рексофт Консалтинг. Например, в рамках проекта по разработке и внедрению инструментов прогнозирования потребности в инвестициях на проектную и текущую деятельность для одной крупной транспортной компании, было проанализировано текущее качество данных компании и запланированы мероприятия по его повышению и внедрению процессов управления данными до внедрения автоматизирующих процесс инвестиционного планирования решений.

3. Неготовность ИТ-инфраструктуры

Опрос компании К2 НейроТех, проведенный в сентябре 2024 года, показал, что ИТ-директора, директора по цифровизации, руководители направлений ИТ-инфраструктуры и центров эксплуатации считают ключевым барьером для внедрения ИИ неготовность своей собственной ИТ-инфраструктуры. 51% респондентов указали на эту проблему, из них 34% отметили нехватку готовых инфраструктурных решений для развертывания ИИ, а остальные 17% выразили необходимость в расширении вычислительных мощностей внутри компании.

По мнению консалтинговой компании Яков и Партнеры, для большинства организаций проблема с «железом» не является серьезным препятствием для внедрения генеративного ИИ, так как компании могут использовать инфраструктуру, предоставляемую вендорами решений. Однако не все компании готовы полагаться на стороннюю инфраструктуру. Опрос К2 НейроТех показал, что 31% компаний-респондентов обеспокоены вопросами безопасности при передаче данных.

Николай Кирсанов, руководитель аналитики клиентской базы и продуктов B2B в МТС, утверждает, что для большинства российских компаний доступность инфраструктуры не является ключевым ограничивающим фактором внедрения ИИ в процессы управления проектами. Для обучения предиктивной модели достаточно 50,000 строк данных со средней историчностью 4 года, что не требует серьезных вложений в инфраструктуру.

4. Отсутствие компетенций

Исследования и опросы консалтинговых компаний также сигнализируют о том, что одной из основных преград на пути внедрения искусственного интеллекта является нехватка квалифицированных специалистов. Конкуренция за вакансии в области ИИ, по данным hh.ru, в полтора раза ниже, чем в целом по ИТ-сектору. По словам Максута Шадаева, общий дефицит кадров в российской ИТ-отрасли составляет около 500–700 тысяч человек.

Одним из способов решения данной проблемы может стать сотрудничество с профильными вузами путем создания базовых кафедр, поддержки студентов и организации стажировок с целью подготовки специалистов «под себя» еще на этапе университетского обучения.

Выводы

Все эти сложности приводят к тому, что внедрение инструментов на базе ИИ в управление проектами будет постепенным и достаточном длительным процессом, требующим стратегического подхода.

Однако то, что является ограничением и стоп-фактором для использования ИИ в управлении проектами, может послужить отличным стимулом для совершенствования внутренних процессов компании. За счет совершенствования используемых методологий и выстраивания процессов управлениями данными, компании получат первые положительные результаты задолго до непосредственного внедрения ИИ-инструментов.

Несмотря на то, что использование ИИ для управления проектами в России находится на начальном этапе, у данного направления огромный потенциал. При грамотном внедрении ИИ может стать ключевым элементом успеха проектной деятельности в целом.