Работа с ИИ-агентами в аналитических задачах

В управлении цифровыми продуктами время — самый дефицитный ресурс. Особенно когда речь идет об аналитике: подготовка ответа клиенту, глубинный срез по проекту, аудит гипотез или сбор выводов для стейкхолдеров — всё это требует кропотливой работы, которая может занять дни и даже недели.

Современные ИИ-агенты способны решать эти задачи за минуты. Но с одной оговоркой: это всё ещё не волшебная кнопка. Важны правильная архитектура проекта и четкая структура данных, которые в него загружаются — только так нейросеть превращается в незаменимого аналитика. В этой статье на двух реальных кейсах разберем, как подготовка инфраструктуры проекта позволяет топ-менеджменту получать готовые отчеты, графики и презентации без многодневных погружений в операционку.

Эту статью мы написали совместно с Владиславом Беспаловым, экспертом нашей компании, который уже несколько лет занимается внедрением нейросетей в разработку и управление, а также в любые процессы где это сэкономит время и другие ресурсы.

Я занимаюсь управлением и ведением IT-проектов более 10 лет, и считаю, что на сегодняшний день ИИ-агенты способны кратно ускорить аналитическую работу. Но магии не существует, и здесь результат напрямую зависит от подготовки. В статье я хочу поделиться подходом, который экономит мне недели работы при аудитах, подготовке ответов клиентам, проектных разборах и любых задачах, где нужно провести анализ, сделать срез или собрать выводы — с возможностью дальше строить на этом отчёты, графики и презентации. Расскажу, какие базовые принципы я для себя выработал, а потом покажу их в действии на двух реальных кейсах.

Владислав Беспалов

ведущий инженер компании Uplab

Для начала поделимся наблюдениями и правилами, которые можно назвать фундаментальными.

Для каждой конкретной задачи, процесса или проекта всегда заводите отдельную пустую директорию и начинайте работать от неё — любом редакторе или привычном инструменте для работы с ИИ-агентами. Это изолирует контекст и позволяет агенту не путаться между разными проектами.

Нужно текстом описать роль агента: что он должен сделать для текущей задачи, а что делать не должен. После этого попросите агента сгенерировать из вашего описания структурированную инструкцию и сохранить её в проект. Агенту достаточно описать задачу человеческим языком, и он сам это структурирует и запишет в удобную для себя схему.

Распределите документы и материалы по папкам, исходя из их контекста. Например, транскрибации встреч — в meetings/, документация — в docs/, исходный код — в git/, и так далее.

А теперь самый важный момент: через промт необходимо вручную описать структуру всех папок (название папки и что в ней лежит с точки зрения применения в бизнесе) и попросить агента составить карту директорий. При появлении новых папок или изменениях достаточно в процессе сказать: «появилась новая папка git, в ней лежит код проекта» — агент самостоятельно обновит существующую карту.

Если у проекта есть конечная цель, расскажите о ней агенту и составьте несколько чек-листов: например, какие действия агент должен перепроверить за собой и каковы критерии приёмки итоговой работы.

ИИ-агенты обожают чек-листы. После текстового описания крупного запроса или задачи добавьте в конце пронумерованный список действий, которые должны быть выполнены. А верх пилотажа — когда вы пишете чек-лист, по которому агент может сам перепроверить свою работу перед тем, как отдать результат.

Владислав Беспалов

ведущий инженер компании Uplab

Теперь покажу, как эти принципы работают на реальных кейсах. Оба случая могут встречаться в работе, частично или полностью в разных проявлениях.

Предыстория: в заказной продуктовой разработке сложных систем перед сдачей этапа у клиента могут возникать вопросы: «что именно реализовано, как реализовано и почему именно так». Это вполне нормальный рабочий момент, но на подготовку качественных ответов внутри компании требуется серьёзный ресурс: нужно поднять и сопоставить большой объём информации из разных источников.

Ключевая задача. В этом кейсе клиент прислал конкретные вопросы перед закрытием этапа о содержании проделанных работ, и на них нужно было дать развёрнутые ответы.

Сложности: Для ответа нужно было поднять протоколы десятков встреч, согласованные постановки, git-историю и подписанные договорные документы.
На подготовку таких ответов внутри компании обычно требуется большой ресурс — и времени, и вовлечения конкретных исполнителей. Транскрибировать встречи и делать саммари все уже научились с помощью сервисов и нейросетей, но перелопатить десятки часовых созвонов, сопоставить их с кодом и документами, а потом собрать непротиворечивый ответ — человеческого внимания на это не хватит. Какие-то вопросы останутся открытыми или породят дополнительную работу.

Шаг 1 — вводная для агента. Всё началось с описания контекста: состояние проекта, его статус, что сейчас требуется. Сформулировали критерии выбора агента: работаем только с теми, кто умеет опираться на проверяемые источники, отделять факты от интерпретаций и помечать допущения. Не подключаем агентов, ориентированных на «креативное» дописывание недостающих данных или выводы без трассируемых оснований.

Шаг 2 — структура рабочего пространства. Подключили к проекту транскрибации встреч, выдержки из Wiki, документы, исходный код модулей, по которым есть вопросы. Для каждой сущности завели соответствующие директории и описали агенту, что за папка и за что она отвечает. При необходимости можно дополнить описание конкретного файла, если он специфичен — например, «выгрузка часов по направлениям».

Шаг 3 — приоритизация источников. Поскольку у нас накапливается большое количество документов, между ними может возникнуть конфликт: одно и то же требование описано по-разному в разных местах. Наличие таких расхождений — одна из причин, почему подобный анализ вообще нужен.

Следующее, что обязательно нужно агенту — иерархия доверия к источникам: что мы считаем за истину и как приоритет каскадируется вниз.

При возникновении конфликтов агент явно указывал на расхождение и ссылался на источники разных уровней.

Пример сгенерированной части приоритизации

###Приоритет источников при аудите (от наиболее авторитетного)

1. Подписанные договорные документы.
2. Согласованные постановки клиента.
3. Отчёт по выполненным работам.
4. Таск трекер.
5. Meeting notes, wiki (хронология решений и их обоснование).
6. Прочие артефакты аналитики и РМ-документация.

На этом подготовка закончена. Дальше — только промты. Формат был простым:

«Вопрос клиента: …; Мой комментарий: …; Ответ сохрани отдельным файлом»

Слой «мой комментарий» работал так: поскольку я был в контексте, я мог подсказать направление из памяти. Но, и это самое главное, мой комментарий не использовался как истина. У нас были правила приоритетов, и комментарий служил лишь дополнительной картой для фактчекинга. Агент всё равно проверял по источникам.

Владислав Беспалов

ведущий инженер компании Uplab

По каждому вопросу клиента агент сформировал отдельный аргументированный ответ с трассируемыми ссылками на конкретные коммиты, протоколы встреч, согласованные постановки и договорные документы. Факты были чётко отделены от интерпретаций. Если без ИИ-агента это могло бы занять около недели времени и потребовало бы вовлечения 3−5 специалистов, то нейросети повзолили справиться с задачей за 2 часа силами одного человека. При этом были получены качественные ответы на вопросы и подтверждения в виде ссылок на источники.

Ключевая задача: IT-компания (~50 человек) заказала внешний аудит процессов разработки. Цель — объективная оценка зрелости, поиск системных проблем, формирование дорожной карты улучшений.

Важная деталь: поскольку в аудите ожидаются опыт и квалификация аудитора, роли агентов были сознательно понижены до инструментов. Агенты занимались системным сбором, анализом и структурированием, но не делали собственных выводов. Максимум — справка для аудитора о лучших практиках для решения конкретных находок. Чтобы не было никаких «личных мнений» ИИ-агента в финальном документе.

1. Кастомные саммари встреч. За время аудита эксперты провели множество интервью с руководителями и сотрудниками всех подразделений. По каждой встрече была сохраненна транскрибация. Для обработки был разработан скилл, который формировал саммари в той структуре, которая была удобна и необходима именно для аудита — без подключения внешних сервисов, которые предоставляют саммари в своей неизменяемой структуре.

Преимущество: структуру саммари можно было менять на лету. Если в ходе аудита появлялся новый фокус (скажем, стало ясно, что нужно отдельно фиксировать упоминания RACI-матрицы), достаточно было обновить скилл — и все последующие саммари формировались с учётом нового требования.

2. Еженедельные отчёты. С помощью агента формировались еженедельные отчёты в свободном формате: указывались даты, заметки аудитора, фокусные темы недели. После генерации аудитор вручную вносил все необходимые изменения и дополнения. Агент при этом систематизировал информацию и убирал повторения.

3. Итоговый отчёт. После формирования еженедельных отчётов и ручной проработки каждого из них достаточно было попросить агента сформировать итоговый отчёт по заранее выбранному фреймворку. Поскольку это стандарт — все необходимые требования и чек-листы уже сформированы, агенту нужно было только наложить собранные данные на структуру фреймворка.

Системность подхода дала возможность более детально погрузиться в процессы компании, не пропустить даже мелочи, а также указать на дополнительные факторы роста и рисков.

Представленные кейсы демонстрируют не то, что нужно делать именно так и только так. Они показывают порядок действий: как подключить ИИ-агентов к своей аналитической работе. Это может быть не аудит и не ответ клиенту, а внутренняя задача — разбор инцидента, построение отчёта, планирование, подготовка презентации для руководства.

Процессы в кейсах могут и должны со временем меняться, оптимизироваться и дополняться собственными наработками. Главное — принцип:

02

Дать агенту роль и ограничения — явно и текстом

03

Выстроить структуру данных — папки с описанием содержимого

Изолировать контекст — отдельная директория под задачу

01

Задать иерархию доверия — что считается истиной, что второстепенно

04

Зафиксировать критерии качества — чек-листы проверки и приёмки

05

Важно. Все работы с агентами имеют предварительно подготовительный этап, если в них используются чувствительные данные. Перед загрузкой материалов убираются все упоминания конкретных людей, названий компаний и проектов. О том, почему это важно и какие угрозы таит использование чувствительных данных в работе с нейросетями, мы рассказывали в отдельной статье.

1. ИИ-агенты позволяют автоматизировать подготовку отчётов, аудитов и ответов клиентам, сокращая время с дней до часов.

2. Эффективность И И напрямую зависит от подготовки: структуры данных, архитектуры проекта и правил работы.

3. Основной принцип — изоляция задач: одна директория = одна аналитическая задача.

4. Агенту необходимо задавать роль, ограничения и чёткие инструкции в текстовом виде; соблюдать изоляцию задач, чтобы не смешивать контекст, и продумывать структуру хранения данных.

5. Критически важна иерархия доверия к данным — агент должен понимать, какие источники приоритетны.

6. Чек-листы позволяют контролировать качество результатов и дают агенту возможность самопроверки.

7. Нейросети помогают значительно сократить ресурсы на подготовку аналитики: при правильной настройке агентов они составляют аргументированные ответы, структурируют данные и готовят документы не за дни и недели, а за несколько часов. И всё это можно сделать силами одного сотрудника.

Если у вас похожие задачи — мы уже знаем, как их решить. Свяжитесь с нами через форму «Обсудить проект», и мы расскажем о нашей экспертизе и других сильных сторонах.