ИИ не делает вас лучше как лидера. Зато сэкономит часы на рутине — опыт 4 руководителей

Мы поговорили с 4 руководителями и собрали практические кейсы, где ИИ реально экономит часы: от анализа данных из таск-трекера до подготовки инструкций и резюме интервью. А еще — где модели подводят и как эксперты проверяют ответы, чтобы не попасться на галлюцинации.

Если интересно, как мы сами используем ИИ в Kaiten — рассказывали об этом здесь.

С кем пообщались

• Дмитрий Ирешев — директор проектного офиса 5Post, автор Telegram-канала «Как управлять проектами и продуктами в IT».

• Василий Савунов — партнер компании ScrumTrek, канбан-тренер (AKT), Agile-коуч, автор Telegram-канала «Данные в действии».

• Михаил Греков — head of product AW BI, автор Telegram-каналов Про удобство и Продуктовошная.

• Денис Бартоломе — MBA, бизнес-тренер,канбан-тренер (АКТ), консультант по построению организационных систем управления.

Как ИИ помогает менеджерам и управленцам

Управленческая работа состоит из 2 типов задач, и для каждого можно применить ИИ:

Рутина: отчеты, метрики, инструкции, протоколы встреч. Именно здесь ИИ дает самый ощутимый эффект — задачи, которые раньше занимали часы или дни, начинают требовать в разы меньше времени.

Задачи, требующие мышления: стратегия, анализ, принятие решений. Времени на них становится больше — но ИИ помогает и здесь. Он берет на себя исследования, помогает структурировать информацию, генерирует варианты решений.

Все опрошенные эксперты используют несколько инструментов под разные задачи: один сервис для поиска и анализа информации (Perplexity, поисковые возможности ChatGPT), другой — для работы с текстами (Gemini, Claude), третий — для визуализации и презентаций. Некоторые идут дальше и пишут код с помощью ИИ, чтобы автоматизировать обработку данных.

ИИ хорошо справляется с первым и помогает освободить время для второго.

Какие задачи отдают ИИ

Мы попросили экспертов перечислить задачи, которые они реально делегируют языковым моделям. Вот какими примерами с нами поделились:

Анализ больших данных и аналитика процессов. Еще в 2024 году исследование Capterra показало, что больше половины проджект-менеджеров используют ИИ для анализа данных и прогнозирования. Для этого исторические данные загружают в ИИ и просят найти закономерности, узкие места и причины задержек

Например, вот типичная управленческая задача — понять, почему команда буксует, где возникают задержки, какие этапы процесса забирают больше всего времени. Даже если данные есть в таск-трекере, то их сырая выгрузка — это просто таблица с датами и статусами.

Чтобы увидеть паттерны, посчитать Lead Time и выявить аномалии, нужно уметь работать с данными: писать код, строить графики, интерпретировать распределения.

Кейсом с подобной задачей с нами поделился Василий Савунов:

Это не единственный пример: в других задачах Василий использовал R и RStudio, чтобы собирать отчеты по Excel-данным. Подробнее об этом можно прочитать здесь.

Работа с документами и инструкциями. Речь идет о переработке информации. Например, превратить описание процесса в пошаговую инструкцию, сделать выжимку из длинного документа, структурировать заметки со встречи.

Директор проектного офиса Дмитрий Ирешев использует такой подход для создания инструкций: загружает файл с описанием процессов, просит составить пошаговый гайд для сотрудников и вывести результат в HTML. На выходе получается готовая кликабельная инструкция.

Про похожий эффект рассказали и Михаил Греков, но уже на примере HR-задач:

Анализ пользовательских интервью. Работать с записями интервью неудобно в любом формате: видео приходится скроллить и проставлять таймкоды, в расшифровках — вручную выделять нужные места, в заметках теряются детали и нюансы.

Как ИИ упрощает этот процесс: аудиозапись прогоняют через сервис распознавания речи, текст загружают в нейросеть и работают с ИИ как с собеседником. Можно попросить сделать саммари, выделить ключевые инсайты, сравнить несколько интервью между собой или найти повторяющиеся паттерны в ответах — все это на основе полного текста, а не куцых заметок.

Отдельная тема — сложные коммуникации. Ответить на конфликтное письмо или донести неудобную мысль — это прежде всего про тональность. ИИ хорошо работает с нейтральностью речи: помогает не сорваться в резкость, подобрать корректные формулировки и выдержать деловой стиль там, где человек может невольно передать раздражение.

Нестандартные кейсы: выступления и канбан-игра

Помимо типовых задач вроде документов и аналитики, у экспертов нашлись и менее очевидные кейсы.

Использовать ИИ для подготовки выступлений. Михаил Греков нашел способ использовать нейросети для подготовки к публичным выступлениям. Метод родился из практической задачи: нужно было превратить техническую презентацию в выступление формата TEDx — с эмоциональной подачей и сторителлингом вместо слайдов с буллетами.

Алгоритм был таким: сначала записать свою речь на видео и сделать транскрибацию. Затем попросить одну нейросеть написать промпт для оценки выступления в нужном формате. И уже с этим промптом отдать транскрибацию другой нейросети для разбора.

Для составления промптов, по словам Михаила, вполне достаточно и бесплатного DeepSeek. Мы подготовили пример готового промпта, который можно использовать для подобных задач.

Ключевое здесь — итеративность. ИИ дает обратную связь, вы исправляете, записываете заново, снова получаете фидбэк.

Сделать канбан-игру с помощью ИИ. Василий Савунов использовал на тренингах онлайн-симулятор для обучения канбан-методу. Игра воспроизводит реальный рабочий процесс: есть бэклог с задачами, которые проходят через колонки от Ready до Deployed, WIP-лимиты, метрики вроде lead time и cumulative flow diagram.

Участники учатся управлять потоком задач и на практике видят, как изменения в процессе влияют на скорость поставки. Для agile-тренеров это один из простых способов объяснить канбан — не в теории, а через живой эксперимент.

Проблема с игрой оказалась простой: проект стал недоступен из России, а готовых аналогов не было. Решение — написать свою версию с помощью ИИ. Василий рассказал об этом в своем Telegram-канале:

Игра уже есть в открытом доступе, поэтому можете протестировать ее самостоятельно:

Как команды воспринимают ИИ в работе руководителя

Когда руководитель начинает активно использовать ИИ, у команды это вызывает реакцию. Вопрос только в том, какую. Можно ожидать скепсиса — особенно если сотрудники чувствуют, что новый инструмент меняет привычный уклад или негласно намекает на их недостаточную эффективность. Но опрошенные эксперты столкнулись с другим.

Чаще происходит обратный эффект: команда видит, что руководитель использует новые инструменты, и начинает пробовать сама. Например, Дмитрий Ирешев заметил, что после его примера сотрудники стали использовать нейросети в ежедневной работе гораздо чаще.

В некоторых случаях команды не просто перенимают практику использовать ИИ для анализа данных и автоматизации, а развивают этот опыт дальше:

Есть и команды, где ИИ стал настолько привычным инструментом, что вопросы вызывают те, кто им не пользуется:

Советы для тех, кто откладывает и наблюдает за работой с AI со стороны

Несмотря на то что про нейросети говорят по всем возможным каналам, используют их далеко не все. Например, исследование консалтинговой компании «Яков и Партнеры» и Яндекс показало, что доля компаний, внедривших ИИ, продолжает увеличиваться, но только 26% россиян старше 12 лет хотя бы раз в месяц используют какой-либо сервис.

А в топе бизнес-кейсов находятся базовые прикладные задачи:

Это значит, что для старта не нужны сложные сценарии. Достаточно начать с простого — и вот как это сделать.

Уберите барьер доступа. Начните с того, что установите приложения нейросетей на смартфон или добавите на рабочий стол ПК:

Ставьте задачи как людям. ИИ работает по тем же принципам, что и сотрудник: размытая задача — размытый результат. Чем точнее сформулирован запрос, тем полезнее ответ. Проверяйте свои промпты по критерию SMART: конкретная цель, измеримый результат, понятные ограничения.

Начните с поиска вариантов. Не нужно сразу автоматизировать сложные процессы. Попробуйте использовать ИИ как генератор идей для задач, которые вы и так решаете каждый день:

Не отключайте критическое мышление. ИИ ускоряет работу, но не заменяет экспертизу. Он может ошибаться, галлюцинировать, давать уверенные ответы на основе неверных данных. Результаты нужно проверять — особенно если вы только начинаете и еще не чувствуете, где модель сильна, а где врет.

Как поясняет Михаил Греков, «Используйте, но как инструмент, а не как что-то умное. За ним нужен глаз да глаз». Такие же рекомендации дают и другие эксперты:

Все 4 совета сводятся к 1: не усложняйте на старте. Установите приложение, попробуйте на простой задаче, проверьте результат. Со временем вы сами поймете, какие задачи отдавать ИИ, а какие лучше делать по старинке. Это понимание приходит только через практику — никакой гайд его не заменит.

Где и когда ИИ бесполезен (или даже вреден)

При всех плюсах у ИИ есть ограничения, с которыми столкнулись все опрошенные.

Сбор актуальной информации о событиях. Классическая проблема — галлюцинации при работе с актуальными данными.

Встреча с подобные галлюцинациями — регулярная практика для тех, кто использует ИИ. Согласно данным Artificial Analysis, процент галлюцинаций варьируется от 26% у Claude 4.5 Haiku до 93% у gpt-oss-20B.

Показатель измеряется через AA-Omniscience Hallucination Rate — он показывает, как часто модель дает неправильный ответ там, где должна была признать, что не знает. Проще говоря: насколько часто ИИ уверенно врет вместо того, чтобы честно сказать «не знаю». Чем ниже показатель, тем лучше — но даже у популярных моделей он редко опускается ниже 50%.

→ Особенно высок риск там, где нужны актуальные данные: модели обучаются на данных с задержкой в несколько месяцев и не знают, что происходит прямо сейчас. Для таких задач — мероприятия, новости, актуальные цены, свежие исследования — результат нужно проверять вручную или использовать инструменты с доступом к поиску.

Исследования с локальной спецификой. ИИ обучается на данных, которые есть в открытом доступе, и здесь кроется ловушка. Узкопрофессиональные рынки, особенно B2B, не принято документировать публично: кейсы, методики продвижения, ценообразование — все это остается внутри компаний.

В итоге у модели не всегда есть качественная выборка, на которой можно было бы учиться. Добавьте к этому языковой барьер — большинство моделей обучены преимущественно на англоязычных данных — и результат становится предсказуемым

Лидерство и работа с людьми. Есть принципиальное ограничение, которое не исправить никакими обновлениями моделей — ИИ не может вести за собой всю команду, не поможет провести сложный разговор с выгорающим сотрудником, или удержать ключевого специалиста, который собрался уходить.

Нестандартные экспертные задачи. Денис Бартоломе указывает на еще одно ограничение: нейросеть не умеет мыслить за пределами описанного опыта.

Отсюда важный вывод: профессионал с ИИ будет эффективен, потому что способен фильтровать результаты. Новичок без экспертизы в предметной области рискует принять галлюцинации за истину.

При этом сложная задача требует не только экспертизы в предмете, но и умения эту задачу правильно сформулировать для модели. Промптинг — отдельный навык, и у многих его просто нет. В итоге даже человек с глубокой экспертизой может получить слабый результат, если не умеет донести до ИИ нужный контекст и ограничения.

Как не попасться на галлюцинации ИИ: несколько советов

Раз ИИ ошибается, нужны способы это отлавливать. Эксперты используют несколько подходов.

Проверка через источники. Простой метод: просить не просто информацию, а ссылки на источники. Если ссылки рабочие и ведут туда, куда должны — информации можно доверять. Если ведут в никуда или на нерелевантные страницы — ИИ выдумал.

Перекрестная проверка. Для этого нужно использовать несколько нейросетей: в одной делать задачу, в другой — проводить фактчекинг. Если разные модели дают одинаковый ответ, вероятность ошибки ниже.

Тестирование на известных данных. Когда ИИ пишет код для анализа данных, он может допустить ошибки в логике — например, неправильно посчитать разницу дат или не учесть выходные. Результат будет выглядеть правдоподобно, но окажется неверным.

Отдельный момент с расчетами: языковые модели часто ошибаются, когда считают сами, причем иногда даже в базовой арифметике. Поэтому нужно просить не «посчитай», а «напиши код, который посчитает».

Поделитесь своим опытом

Мы собрали опыт 4 руководителей — но это только маленькая часть картины. Наверняка у вас есть свои находки или, наоборот, истории провалов. Расскажите в комментариях: для чего используете ИИ и где он вас подвел?