Привет, Хабр! Меня зовут Даниил Иванов, я руководитель группы аналитики в департаменте CRM&BPM в КОРУСе. Два года назад я уже писал статью, как применяю ИИ в работе аналитика.

Тогда это были первые эксперименты — просто смотрел, чем он может быть полезен. Теперь я стал руководителем, вместо отдельных чатов работаю с корпоративным ИИ-продуктом, у которого есть единый контекст по проектам. И мои запросы к ИИ тоже изменились. Раньше я спрашивал: «Может ли он помочь мне написать протокол?» Сейчас думаю: «Как встроить его в работу команды, чтобы это стало рутиной, как работа с Excel?»

В этой статье поделюсь, как изменилось мое восприятие ИИ за два года, что получилось систематизировать, где ИИ реально экономит время, а где пока упирается в ограничения. В конце — конструктор, где собрал свой опыт работы с LLM.

Точка отсчета: а может ли ИИ мне помочь?
Развитие ИИ и моих навыков работы с ним
Три шага автоматизации
ИИ как +1 аналитик на проекте
ИИ встает на вооружение всей команды
Как масштабировать подход на компанию
Честно об ограничениях
Что дальше
Главный вывод

Точка отсчета: а может ли ИИ мне помочь?

Два года назад я работал аналитиком на проектах по внедрению CRM-систем. В мой типичный рабочий день входили регулярные встречи с заказчиком, бесконечные повестки, описание интеграций, подготовка протоколов встреч и артефактов проектного решения. Рутины было много, она отнимала время, но без нее проекты не двигались.

В тот период я стал экспериментировать с ИИ: пробовал генерировать протоколы по расшифровкам встреч, составлять черновики технических заданий, формулировать письма заказчику. Результат был, но работать так было неудобно.

Я тратил на взаимодействие с ИИ столько же времени, сколько потратил бы на задачу сам, потому что приходилось несколько раз переформулировать запрос, проверять результат, исправлять ошибки и снова давать уточнения. Но это в том числе давало мне ценный опыт самого взаимодействия с ИИ. Я учился с ним работать, углубляясь в доступный инструментарий. Да, на первых порах не получал пользы в виде экономии времени, но зато приобретал новые навыки.

Проблема была не в модели, а в отсутствии процесса вокруг нее. Я не понимал, как ставить задачу, чтобы получить предсказуемый результат. У меня не было структуры и повторяемости.

Развитие ИИ и моих навыков работы с ним

Во-первых, два года технологии не стояли на месте:

●       Модели стали работать лучше.

●       Многие из них получили пространства единого контекста, куда можно загружать целые проектные документы, а не пытаться впихнуть суть в три абзаца.

●       Во многих моделях стал доступен RAG (Retrieval-Augmented Generation) — ИИ может работать с базой знаний, а не только с тем, что ты сейчас ему скормил.

●       Многие начали работать с агентами, которые сами проходят часть процесса: находят нужные документы, анализируют их, формируют результат.

●       В компаниях, в частности в КОРУСе, появились свои ИИ-контуры, которые работают внутри с корпоративными данными и стандартами.

●       Появились специализированные интерфейсы — не просто чаты с моделью, а полноценные рабочие пространства.

Во-вторых, изменились мои инструменты. Два года назад я работал с публичными LLM (ChatGPT, Claude). Сейчас у нас в КОРУСе есть единая безопасная ИИ-платформа KORUS AI, где весь контекст по проектам хранится в едином контуре.

Главное — изменились ожидания. Раньше я приходил к ИИ с настроением «вау, посмотрим, что он выдаст» и воспринимал его как игрушку. Сейчас я жду стабильного, предсказуемого результата, который соответствует моим требованиям. Это рабочий инструмент, который должен давать измеримое качество.

Три шага систематизации

Шаг 1. Библиотека промптов

Я перестал каждый раз формулировать запросы с нуля, а начал собирать библиотеку промптов: шаблоны для протоколов встреч, повесток, черновиков технических заданий, писем заказчику. Одновременно этим стали заниматься и мои коллеги-аналитики. Мы объединили усилия и начали обмениваться удачными промптами и лучшими результатами.

Оказалось, что если промпт структурирован правильно, результат перестает быть лотереей.

Вот пример рабочего промпта для составления протокола встречи

<prompt>

  <role>

            Ты эксперт по составлению протоколов встреч с клиентами в сфере IT-проектов.

  </role>

  <task>

            На основе предоставленных вопросов и ответов составить протокол встречи в профессиональном стиле.

  </task>

  <style_requirements>

            <structure>

            Используй нумерованные разделы с заголовками в верхнем регистре

            </structure>

            <tone>

      Деловой, но живой — используй активные конструкции («Обсудили», «Определили», «Договорились», «Проговорили», «Подтвердили», «Уточнили»)

            </tone>

            <logic>

            Группируй связанные вопросы в абзацы, избегай простого перечисления вопрос-ответ

            </logic>

    <formulations>

      <replace from=»Заказчик ответил» to=»Определили, что…»/>

            <replace from=»На вопрос о…» to=»По вопросу… договорились…»/>

            <deferred_decisions>Заказчик предоставит информацию позже</deferred_decisions>

            <technical_details>Установили, что…, Подтвердили необходимость…</technical_details>

            </formulations>

    <uncertainty_handling>

      <no_answer>Заказчик предоставит информацию позже</no_answer>

            <needs_clarification>Решение будет принято позже или Требует дополнительной проработки</needs_clarification>

            </uncertainty_handling>

            <completion>

            Добавь раздел «Следующие шаги» с указанием ожидаемых действий

            </completion>

  </style_requirements>

  <output_template>

            <header># Протокол встречи с Заказчиком по проекту [НАЗВАНИЕ ПРОЕКТА]</header>

            <sections>

      <section>

            <title>## [НОМЕР]. [НАЗВАНИЕ РАЗДЕЛА]</title>

            <content>[Текст в указанном стиле — группировка вопросов, активные конструкции, логичное изложение]</content>

            </section>

    </sections>

    <footer>

      <separator>—</separator>

            <next_steps>**Следующие шаги:** [Краткое описание ожидаемых действий и информации от участников]</next_steps>

            </footer>

  </output_template>

  <quality_examples>

            <bad_example>

            <text>Заказчик сказал, что в системе 1000 пользователей</text>

            <label>❌ Неправильно</label>

    </bad_example>

            <good_example>

            <text>Уточнили, что в системе активно работает 1000 пользователей</text>

            <label>✅ Правильно</label>

    </good_example>

            <bad_example>

            <text>На вопрос о картах ответили, что нужна полноэкранная</text>

            <label>❌ Неправильно</label>

    </bad_example>

            <good_example>

            <text>Определили, что карта будет полноэкранной</text>

            <label>✅ Правильно</label>

    </good_example>

            <bad_example>

      <text>Заказчик не знает про API</text>

            <label>❌ Неправильно</label>

    </bad_example>

    <good_example>

      <text>Заказчик предоставит информацию по API позже</text>

            <label>✅ Правильно</label>

    </good_example>

  </quality_examples>

  <instruction>

            Теперь обработай предоставленные вопросы-ответы в указанном стиле, следуя всем требованиям XML-структуры.

  </instruction>

</prompt>

Такой промпт задает для ИИ роль, тон, структуру, показывает примеры плохих и хороших формулировок. Результат получается стабильным и требует минимальных правок.

Постепенно библиотека промптов переросла в библиотеку практик. Я добавил описания, чтобы даже новому сотруднику было понятно, для каких задач подходят определенные промпты и как их адаптировать под разные ситуации.

Шаг 2. ИИ получает «память» о проекте

Как я говорил выше, в KORUS AI нам легко работать с проектами, потому что он знает весь контекст: документацию, артефакты, записи встреч, управленческие документы вплоть до плана-графика и ресурсных планов.

Теперь, когда я или кто-то из команды приходит к ИИ с задачей, ему не нужно заново пересказывать, что за проект, какие процессы спроектированы, какие решения уже приняты. ИИ может проанализировать всю документацию и на ее основе подготовить, например, черновик нового артефакта или предложить решение, которое не противоречит тому, что уже спроектировано.

Недавний кейс с клиентом

К нам пришел заказчик с запросом подготовить таблицу с описанием всех уведомлений, которые пользователи получают в CRM-системе в рамках процесса, который мы спроектировали. Задача рутинная, но для ее выполнения нужно перечитать все проектное решение и выбрать из него нужную информацию. Ресурсов на это нет, в исходных артефактах подобный проектный артефакт отсутствует. Первая мысль — хочется отказать.

Вторая — у нас есть инструмент, в котором уже лежит весь контекст проекта. Я написал простой промпт, ИИ сформировал таблицу, мы с командой ее провалидировали и отдали заказчику. Вместо того, чтобы выделять на это человека на несколько часов, мы потратили 20 минут на валидацию результата.

Шаг 3. Знания перестают жить в головах

Когда у ИИ появляется память о проекте, он становится сущностью, которая знает практически все. И иногда даже чуть больше, чем любой отдельно взятый член команды.

Какой эффект это дает:

Новые аналитики быстрее включаются в контекст. Приходит человек на проект, и вместо того, чтобы несколько дней читать документацию, он может задать ИИ вопросы: «Какие процессы уже спроектированы?», «Какие интеграции предусмотрены?», «Какие решения приняты по архитектуре?» — и получить структурированный ответ.

ИИ задает неудобные вопросы. Когда проектируешь какое-то решение, ты априори считаешь его правильным. Но если попросить нейросеть проанализировать его на основе контекста проекта, она может задать вопросы, которые ты сам себе не задал: «А как это сочетается с тем решением, которое мы приняли на прошлой неделе?», «А учтены ли ограничения, которые озвучил заказчик?»

ИИ берет часть валидации на себя. Ты можешь попросить его проверить твой драфт: «Соответствует ли это техническое задание тому, что мы обсуждали на встрече?», «Не противоречит ли это архитектурным решениям?»

ИИ как +1 аналитик на проекте

ИИ экономит время до 20-25% и берет на себя рутину, пока мы можем сосредоточиться на задачах, которые действительно требуют нашего участия.

Что он реально уже умеет делать хорошо:

• протоколы встреч и повестки — рутина, которую мы спокойно отдаем ему на откуп.

• черновики артефактов проектного решения: задания на разработку, ЧТЗ, ТЗ, user story.

• предварительные архитектурные решения — может предложить несколько вариантов на основе того, что уже спроектировано.

• подготовка повесток на встречи по уточнению требований — делает на основе того, что уже обсудили и что еще непонятно.

При этом мы в команде не гонимся за новейшими моделями. Нам вполне хватает тех, что вышли год назад, потому что в нашей работе есть структура, повторяемость, четкое разделение ответственности.

ИИ встает на вооружение всей команды

Два года назад я был аналитиком, который пытался облегчить себе жизнь. Сейчас я тимлид группы аналитиков — и теперь для меня важно не то, как я сам работаю с ИИ, а как с ним работает вся команда.

Я не хочу научить всех писать «правильные» промпты. Это навык, который можно освоить за пару дней. Моя задача — встроить нейросети в процесс так, чтобы работа с ними стала рутиной, как использование Excel для расчетов или Confluence для документации.

Что я для этого сделал и продолжаю:

1. Подготовил регламент работы с ИИ: как работать с инструментом, какие промпты использовать, какие из них рабочие, как валидировать результат.

2. Сделал библиотеку практик, о которой я говорил выше, общей для всей команды. Любой аналитик может зайти, взять нужный промпт, адаптировать его под свою задачу.

3. Провожу регулярные обсуждения: что сработало, что не сработало, какие новые кейсы появились, какие подходы стоит добавить в библиотеку.

Как масштабировать подход на компанию

Недавно на ИТ-митапе меня спросили, как я «продавал руководству» идею командного использования ИИ. А мне не приходилось даже два года назад объяснять руководству, что в ИИ-инструменты нужно вкладываться.

В КОРУСе топ-менеджмент несколько лет активно каскадирует на сотрудников цели по ИИ-трансформации — у нас есть разные ИИ-инициативы помимо KORUS AI, практики активно появляются, и мы ими обмениваемся. Формально для этого проводятся встречи и сессии. Но реально чаще работает прямой нетворкинг. Я знаю, что коллега из другого департамента придумал классную фичу или способ решить какую-то задачу. Я иду к нему, он делится со мной опытом, я транслирую это на всю команду.

Кроме того, в КОРУСе есть отдельный бот с контекстом, в который загружено большое количество промптов из наработок всех корусян. Если у кого-то появился промпт, который решает конкретную задачу, он довольно быстро попадает в эту базу, и им может воспользоваться любой сотрудник.

Масштабировать опыт сильно проще, потому что не нужно каждый раз заново изобретать, как правильно сформулировать запрос. Достаточно взять рабочий промпт и адаптировать его под свою задачу.

Что делать, если руководство все-таки нужно убеждать

Если вы еще на старте и пытаетесь убедить руководство, что с ИИ нужно работать (и оплачивать токены), — у меня один совет: не приходите с красивой презентацией «нам это нужно».

Приходите с конкретным измеримым результатом: «Мы с командой два месяца использовали ИИ — вот здесь сэкономили 20% времени на подготовке протоколов. Здесь повысили качество черновиков технических заданий, здесь ускорили адаптацию новых аналитиков». К такому диалогу руководство готово всегда.

У нас так и произошло. Как я и говорил, в начале пути для меня это был эксперимент. Я тратил на взаимодействие с ИИ столько же времени, сколько тратил бы на задачу сам. Но в какой-то момент сошлись кривая моей эффективности от работы с нейросетью и кривая реального value, которое можно продать руководству. И это произошло не два года назад, не год назад, а только в этом году. И сейчас работа с ИИ уже часть стратегии развития нашего направления.

Честно об ограничениях

KORUS AI  начинался с работы над проектом в едином контексте, но главная цель команды, которая его развивает, — довести платформу до такого уровня, чтобы она полноценно покрывала весь рабочий процесс.

Было бы нечестно сказать, что все работает идеально. Есть фичи, доработок которых моей команде пока не хватает в полной мере.

Подготовка тест-кейсов и инструкций пользователя-администратора. В этом процессе есть высокая зависимость от самой платформы т.к. мы работаем с отечественными CRM-системами, и они не всегда достаточно представлены в знаниях зарубежных моделей. По началу ИИ часто не мог предложить корректный тест-кейс, если не понимал, как именно работает конкретная функция системы.

Теперь на платформе появился «Навигатор систем», где есть документация от вендеров, а также агенты, которые сами изучают нужную систему. Аналитик может задавать вопросы об устройстве разных платформ и просить создавать те самые тест-кейсы. Пока это тестовый контур, навигатор технически подключен к нескольким платформам, идут проверки, насколько хорошо агенты разбираются в логике конкретных систем и что получается на реальных задачах. Жду, когда смогу полноценно встроить работу с навигатором в сложившуюся рутину команды.

Ручной перенос данных между платформами. Мы ведем проектную документацию в Confluence, а контекст для ИИ живет в KORUS AI. И между ними сначала не было автоматической интеграции. Раз в неделю команда стабильно тратила несколько минут на ручную выгрузку актуальных артефактов.

Без интеграции процесс не разваливался, потому что были разделены зоны ответственности:

Тимлид (это я) синхронизирует библиотеку промптов, следит за актуальностью практик и тем, чтобы команда знала, как работать с инструментом.

Ведущий аналитик на каждом конкретном проекте отвечает за корректность контекста по проекту, следит, чтобы в него попадали актуальные артефакты, и  валидирует драфты.

Аналитик работает над финальным артефактом: берет драфт от ИИ, проверяет его, дорабатывает и выдает результат для ведущего аналитика.

Такое разделение помогало нам справляться с тем, что контекст не всегда был синхронизирован, а драфты идеальны. Совсем недавно интеграция технически появилась — ждем ее релиза на команды, чтобы протестировать на реальных задачах и снять с себя еще часть нагрузки.

Если подытожить, то несмотря на ограничения, постепенно закрываем все больше рутинных задач и освобождаем время моей (и не только) команды на анализ требований, проектирование сложных процессов, коммуникацию с заказчиками и другие задачи, где ИИ не может заменить специалиста на должном уровне.

Что дальше

Следующий уровень — научиться работать с ИИ так, чтобы он сам проходил часть процесса без участия аналитика. Речь идет и о полноценном RAG, когда нейросеть сама находит нужные документы, анализирует их и формирует результат, и про ИИ-агентов, когда ИИ выполняет последовательность действий: от изучения контекста до выдачи финального результата.

Главный вывод

Дело вообще не в модели, а в том, как ты выстраиваешь работу вокруг нее. Если ты работаешь в новейшей модели, но каждый раз формулируешь запрос с нуля и не знаешь, что получишь, — это все еще эксперимент, а не продвинутый уровень работы с ИИ.

И еще одна важная вещь: мой личный уровень задач вырос. Я давно не пишу ни протоколов, ни повесток — это делают ребята в команде с помощью ИИ. Я занимаюсь тем, что слежу за распределением ресурсов на проектах, за тем, чтобы вся команда аналитиков гармонично развивалась, получала индивидуальные планы развития и конструктивную обратную связь на Performance Review. И здесь ИИ не решает эти задачи за меня, но он является для меня хорошим источником идей и инструментом, который позволяет структурировать мои мысли.

Делюсь конструктором, где собрал опыт работы с LLM, советы и некоторые примеры промптов.

Расскажите, как у вас в командах выстроена работа с ИИ? Что получилось встроить в процессы, а что не работает? Делитесь опытом в комментариях — интересно собрать коллективную картину того, как ИИ меняет работу аналитиков, разработчиков, менеджеров.