.jpg){kind=spacer}
- Почему проектный офис взялся за ИИ
- Архитектура решения: ИИ-ассистент во внутреннем контуре
- Пилотный запуск и работа с промтами
- От цифр до поведения: что изменилось у пользователей
- Экономический эффект в цифрах
- Уроки и ловушки: что не получилось
- Практические выводы для руководителей
- Уроки неудачного чат-бота: 80 запросов, которые не спасли от бюрократии
- Стать промт-инженером: как команда училась там, где никто не делился рецептами
- Битва с «автором Макаровым»: галлюцинации и культура обратной связи
- Дорабатывать СУП или настраивать промты? Вопрос, который задал Билайн
- Команда, данные и критическое мышление: три кита пилота
На форуме Project Management Forum 2026 Ирина Зубарева, руководитель проектного офиса ТМХ Трансмаш Холдинг, поделилась откровенным кейсом запуска внутреннего ИИ-ассистента для проектного управления. В компании с численностью более 100 000 человек и производством подвижного состава — от «Иволги» до «Авроры» — пилотный проект не только сократил рутину, но и показал, где ИИ действительно работает, а где ожидания расходятся с реальностью.
Почему проектный офис взялся за ИИ
В 2023 году Ирина перешла в ТМХ и столкнулась с нарастающим давлением технологического прогресса. Рядом с офисом компании в Хамовниках уже вовсю курсировали роботы-доставщики Яндекса и беспилотные такси. «Когда ты видишь это каждый день, понимаешь: будущее наступило и наступает тебе на пятки», — вспоминает она. В то же время директор по IT холдинга начал тестировать нейросети, а команда проектного офиса загорелась идеей применить их в своей работе.
К тому моменту накопились и внутренние запросы. Руководители проектов жаловались на бюрократию, требовали помощника для быстрых ответов на вопросы и мечтали меньше возиться с документами. Сам проектный офис тонул в проверке документации. «Мы хотели сократить время на проверку хотя бы на несколько часов», — говорит Ирина. Результаты опросов и бенчмаркинг показали: готовых рецептов на рынке нет — все обсуждают чат-боты и промты, но никто не делится реальным опытом и настройками.
Архитектура решения: ИИ-ассистент во внутреннем контуре
В компании уже существовала мощная инфраструктура генеративного ИИ: несколько нейросетей (Llama, Gemma, Kimi, DeepSeek, Qwen 3.5) работали без выхода в Интернет, на внутренних серверах, а обучение велось на корпоративных данных. Это стало ключевым преимуществом — конфиденциальность чертежей, договоров и методологии была защищена. Проектный офис вписался в IT-пилот с двумя простыми целями: вовлечь хотя бы половину проектных специалистов в использование ИИ и снизить собственные трудозатраты на документооборот.
Команда решила не изобретать сложных агентов, а создать веб-оболочку по фазам жизненного цикла проекта. В каждую фазу — от инициации до завершения — были встроены системные промты. Руководителю не нужно формулировать запрос с нуля: он заходит в Qwen 3.5, выбирает нужный этап, загружает данные или документы, и нейросеть отрабатывает по преднастроенной логике. Результат первого промта автоматически становится входными данными для следующего — так достигается сквозное сопровождение проекта.
Наша ценность — не в красоте интерфейса, а в сокращении времени и сквозном ведении проекта от идеи до завершения.
Пилотный запуск и работа с промтами
Фактически работа началась в конце 2024 года. Сначала проводили вебинары с кейсами: вместе решали задачи руками, а потом показывали, как с этим справляется ИИ. Забавные примеры вроде отправки Незнайки на электричке на Луну снимали напряжение и формировали доверие. Официального анонса не делали — просто постепенно приучали коллег к мысли, что ИИ уже рядом.
Однако плавного развёртывания не вышло. Сгорела карта на сервере, IT в это время переключали модели с Llama на Gemma, а затем на Qwen. Несогласованность задержала обучение пользователей до февраля 2025 года. Зато вынужденная пауза позволила доработать схему промтов и подготовить опросник для фокус-группы.
В феврале провели тотальное обучение: 100+ человек увидели работу системы на реальных примерах. Сразу сформировали фокус-группу из 10 руководителей проектов, которые в течение месяца тестировали ассистента. Их обратная связь оказалась отрезвляющей: скорость и стабильность хвалили, но внешний вид интерфейса проигрывал публичным чат-ботам, а ещё не хватало экономического консультанта. Команда не стала гнаться за красотой — приоритетом оставалась экономия времени, но запрос на финансовый блок взяли в проработку.
От цифр до поведения: что изменилось у пользователей
Уже к 1 мая 2025 года в системе работало 32 пользователя, а количество запросов достигло 422. Вопреки ожиданиям, в топе оказались не календарно-сетевые графики, на которые все жаловались, а инициация и формирование идеи. План-график почти не трогали. Команда оперативно отреагировала: провела ещё несколько обучающих сессий, подробно разобрала сценарии планирования и показала, как ИИ помогает искать ошибки. Через месяц картина резко изменилась — 100 пользователей сгенерировали уже 1526 запросов, задействовали все 20 преднастроенных промтов, а план-график поднялся в рейтинге.
Отдельным открытием стал режим обучения. Руководители начали задавать ИИ вопросы типа «Что я делаю не так с планом?» и получали детальный разбор ошибок. Фактически нейросеть взяла на себя роль персонального наставника, что дополнительно разгрузило проектный офис от консультаций.
Мы даже не ожидали, что обучение станет отдельным топовым сценарием. А оно сработало как встроенный тренажёр.
Экономический эффект в цифрах
Для бизнеса пилот обернулся конкретной экономией. Команда посчитала, что за счёт использования ИИ-обучения удалось сэкономить как минимум один тренинг по проектному управлению стоимостью 400 000 рублей — набежало порядка 100 часов «теоретического» использования. Старт несложных проектов с простой финансовой моделью ускорился вдвое — зафиксировано восемь таких кейсов за короткий период.
Проектный офис сократил собственные затраты на 32 часа в месяц: время проверки документов перед согласованием упало с 40 до 8 часов. Освободившийся ресурс направили на генерацию идей и стратегические задачи. Параллельно снизился поток звонков с консультациями — ассистент взял эту нагрузку на себя.
Главный же результат — для руководителей проектов. Планировали высвободить им хотя бы один день в месяц для решения реальных проблем вместо бюрократии. По факту суммарный выигрыш составил 6 дней в месяц на каждого РП — почти рабочая неделя. Это время они теперь тратят на анализ рисков, обдумывание проектных решений и собственное развитие по индивидуальным планам.
Уроки и ловушки: что не получилось
Кейс показал несколько неочевидных развилок. Первая — выбор между доработкой существующей системы управления проектами (СУП) и дальнейшим усложнением ИИ-инструментов. Когда пользователи просили новые отчёты или колонки в BI, команда каждый раз решала, что быстрее и надёжнее: добавить функционал в СУП (без галлюцинаций, на точных данных) или тратить время на отладку промтов. «Здесь нет универсального ответа, — подчёркивает Ирина, — но важно не уходить в хайп, а считать, где реальная ценность».
Безопасность стала абсолютным приоритетом. Крупный промышленный холдинг не может позволить себе загружать конфиденциальные чертежи в облачные сервисы, поэтому полная изоляция от интернета была обязательным требованием с самого начала. Это ограничило выбор моделей, но избавило от рисков блокировок и утечек.
Оказалось, что качественный промт — половина успеха. Без хорошо структурированных, машиночитаемых данных внутри компании даже лучшая нейросеть даст сбои. Поэтому параллельно наводили порядок в базах уроков, рисков и отчётности. А ещё выяснилось, что промты требуют отладки специалистами с критическим мышлением и умением ставить задачи. Если человек не умеет формулировать ТЗ, с промтами будет беда — пришлось учиться самим и учить коллег.
Сопротивление тоже было, в основном на заводах. Не все оказались готовы доверять ИИ, и здесь постоянная поддержка пользователей со стороны IT PMO сыграла решающую роль. Команда оставила QR-код обратной связи и адрес для сообщений об ошибках, и каждый сигнал о «галлюцинациях» (например, настойчивые рекомендации книги несуществующего автора Макарова) разбирали вручную и корректировали промты.
Практические выводы для руководителей
Опыт ТМХ даёт несколько прикладных ориентиров тем, кто только собирается запускать ИИ в проектном управлении:
- Начинайте с внутренних пилотов — это бесплатно, если у IT уже есть инфраструктура, и полностью снимает вопросы безопасности.
- Не гонитесь за красотой интерфейса на первых этапах. Скорость, сквозная логика и снижение рутины важнее визуала.
- Встраивайте промты в жизненный цикл, а не в абстрактный чат. Тогда пользователю не нужно быть промт-инженером — он просто идёт по фазам проекта.
- Цепочка промтов (результат одного → входные данные для другого) удерживает людей внутри защищённого контура и экономит время на переключениях.
- Фокус-группа и быстрая обратная связь критичны. Первые цифры могут обмануть — только живые отзывы покажут, где система реально помогает, а где нет.
- Дорабатывайте систему управления проектами параллельно. Иногда проще один раз сделать точный отчёт в СУП, чем бесконечно охотиться за галлюцинациями в промтах.
Проект ТМХ подтвердил: искусственный интеллект в проектном управлении способен дать осязаемую отдачу уже на этапе пилота — без бюджета, исключительно на внутренних ресурсах и с фокусом на реальные потребности людей. Главное — не ждать идеального момента и не бояться ошибок, ведь даже сгоревший сервер может стать поводом сделать систему ещё лучше.
Уроки неудачного чат-бота: 80 запросов, которые не спасли от бюрократии
Задолго до нынешнего пилота, в 2024 году, в компании уже запустили корпоративного чат-бота, загрузив в него всю проектную методологию. Итог оказался скромным: около 80 запросов за целый год. При этом самым животрепещущим вопросом был вовсе не «как составить календарный план», а «Как получить премию за проект». Ирина Зубарева вспоминала на Project Management Forum 2026: «Только вышел стандарт по мотивации, и количество запросов именно об этом зашкаливало». Потом шли «как открыть проект» и «как закрыть проект».
Провал чат-бота дал важный урок: справочной базы знаний недостаточно. Руководителям проектов нужен был не пассивный ответчик на вопросы, а проактивный помощник, ведущий по шагам жизненного цикла и берущий на себя рутину. Именно этот инсайт сформировал концепцию будущего ИИ-ассистента по фазам проекта.
«Люди говорили: бюрократия надоела, нам нужно решать проблемы, а вы с документами. Им нужен был помощник, который быстро ответит на вопрос», — объяснила Ирина.
Стать промт-инженером: как команда училась там, где никто не делился рецептами
Когда проектный офис ТМХ погрузился в тему ИИ, выяснилось неприятное обстоятельство: на конференциях все обсуждали чат-боты и агентов, но никто не давал готовых промтов. «Мне очень хотелось их получить. Никто не делился», — призналась Ирина. Команда решила пойти учиться. Прошли обучение на промт-инженера и курсы по проектному управлению с акцентом на ИИ.
Главное открытие: промт — это не просто текстовый запрос. Его нужно отладить, точно прописать и долго доводить, чтобы он приносил реальную пользу. Только после этого в проектном офисе создали системные промты, встроенные в каждую фазу жизненного цикла. Один из самых популярных — промт для проработки идеи. В него зашито требование ввести исходные данные, загрузить документы, после чего нейросеть уточняет недостающее и формирует структурированный результат. «Я делюсь этим промтом — может быть, кому-то нужно, как мне несколько лет назад», — подчеркнула докладчица.
Системный подход означал, что пользователю не нужно становиться промт-инженером: он просто выбирает фазу, а нейросеть уже знает, что делать. Если данных мало, в промте прописано «уточни». Первый ответ становится входными данными для следующего этапа — так выдерживается сквозная логика.
Битва с «автором Макаровым»: галлюцинации и культура обратной связи
Даже обученная на корпоративных ГОСТах и методологии, нейросеть периодически галлюцинировала. Самый курьёзный пример — настойчивые рекомендации книги некоего Макарова по управлению проектами. «Мы не нашли такого автора. Может, он где-то давно был, но в реальности его нет», — с улыбкой заметила Ирина.
Борьбу с такими сбоями построили через постоянную обратную связь. Команда оставила на сервисе QR-код и адрес для сообщений об ошибках. Пользователей стимулировали сообщать: «Вот это что-то не то». Каждый сигнал вручную разбирали, анализировали промты и корректировали. Дополнительно работала фокус-группа из 10 руководителей проектов, которая месяц тестировала ассистента и заполняла опросники. Именно фокус-группа подсказала, что, несмотря на высокую скорость, интерфейс проигрывает публичным чатам и не хватает экономического консультанта.
Дорабатывать СУП или настраивать промты? Вопрос, который задал Билайн
В ходе обсуждения на Project Management Forum 2026 представитель Билайна Денис Ткаченко задал острый вопрос: где граница между доработкой существующей системы управления проектами (СУП) и расширением ИИ-инструментов? Ирина привела конкретный пример: когда пользователи просили новые отчёты или BI-колонки, команда каждый раз выбирала — быстро добавить функционал в СУП (без галлюцинаций, на точных данных) или потратить время на отладку промтов. «Нужно выбирать: либо мы дорабатываем систему — это недолго и недорого, потому что компетенции внутри есть, — либо затеваемся с промтами, на что уйдёт больше времени», — пояснила она.
Особенность ТМХ ещё и в планах на импортозамещение. «Мы пока думаем, загонять ли агентов в ИСУП, — добавила Зубарева. — В ближайшем будущем хотим импортозамещаться, стоит ли сейчас этим заниматься?» Пока данные из ИСУП выгружаются в виде простых PDF-файлов: выученные уроки, реестры рисков — всё загружается в базы для обучения без прямого доступа нейросети к «живой» системе.
Команда, данные и критическое мышление: три кита пилота
Весь проект был сделан без бюджета и без привлечения full-time айтишников. Два IT-специалиста помогали на энтузиазме, ещё два сотрудника проектного офиса — с загрузкой около 50% — за два месяца создали оболочку и отладили промты. «Если бы ничего не сгорело, было бы быстрее», — отметила Ирина, вспоминая сбой серверов.
Ключевым фактором успеха она назвала качество данных: «Классные, удобочитаемые, машиночитаемые данные — и запросы отрабатываются на раз-два». Одновременно подчёркивалась роль людей, умеющих грамотно ставить задачи: «Промты требуют отладки теми, кто обладает критическим мышлением и умеет классно формулировать ТЗ. Если человек этого не умеет — с промтами будет беда». Поэтому собственное обучение команды и постоянная поддержка пользователей со стороны PMO стали не менее важными, чем техническая часть.
«Если бы ИИ был против нас, наши проекты очень активно пострадали бы. Главное — чтобы он был не против нас», — подвела итог Ирина Зубарева.
Статья подготовлена по выступлению Ирины Зубаревой на на форуме по проектному управлению Project Management Forum 2026. Полная видеозапись и презентация доступны в архиве форума.
#искусственныйинтеллект #проектноеуправление #промты #экономиявремени #внутреннийконтур #тмх #interforum #interforums #event #конференции #интерфорум
6 дней
На фоне стремительного развития технологий и смены поколенческих ценностей корпоративное обучение переживает тектонические сдвиги. Внедрение ИИ, работа…
14 дней
На Форуме «Экономическая безопасность бизнеса 2026» будут детально разобраны наиболее острые проблемы, с которыми сталкиваются специалисты в текущих…
