ИИ-агенты для управленца: три способа сэкономить 12 часов в неделю

Искусственный интеллект прошел два пика популярности и стал повседневной технологией. Большинство пользователей уже умеют писать промпты.

Однако эффективность искусственного интеллекта зависит главным образом даже не от промптов. Ключевой фактор ー понимание того, в каких сценариях ИИ может принести максимум пользы.

Выйти за рамки базовых сценариев можно с помощью ИИ-агентов.

Разберем три сценария, где ИИ будет наиболее полезен для руководителя.

Сценарий № 1. Прозрачная загрузка команды: кто завален, а кто готов к задачам

Проблема

Чем больше уровней в иерархии, тем дольше информация идет снизу вверх.

Например: чтобы принять решение о старте крупного проекта, руководитель запрашивает информацию о нагрузке на ключевых сотрудников. Однако запрос идет не напрямую, а проходит через несколько ответственных, каждый из которых берет время «на подумать».

В итоге ответ приходит с задержкой в два-три дня, которые руководитель тратит не на принятие решений, а на ожидание или в худшем случае на сбор информации вручную.

Подготовительный этап

1. Убедитесь, что корпоративные трекеры (Jira, Trello или российские сервисы) имеют открытый API и доступны из рабочей сети.
2. Выберите агентский интерфейс: локальная модель на рабочем ноутбуке (для чувствительных проектов) или облачный ассистент (Cursor, Kimi, GitHub Copilot) с агентским режимом.

Шаблон запроса

Ты — аналитик данных. У тебя есть доступ к Jira через REST API.

Задача

1. Подключись к Jira по адресу [JIRA_URL] с токеном [API_TOKEN].

2. Выгрузи все активные задачи из проекта [PROJECT_KEY] за последние 30 дней.

3. Для каждого сотрудника подсчитай:

— количество задач в статусах «В работе», «На ревью», «Заблокировано»;

— среднее время нахождения задачи в статусе «В работе»;

— количество задач с просроченным дедлайном.

4. Сформируй интерактивный HTML-отчет с цветовой индикацией:

— зеленый — загрузка в норме (до 5 активных задач);

— желтый — высокая загрузка (6–9 задач);

— красный — перегруз (10+ задач или есть просроченные).

5. Добавь сводную таблицу: кто готов взять новые задачи, кто загружен, кому нужна помощь.

Что делает ИИ

Агент сам пишет скрипт подключения к API, извлекает данные и генерирует отчет, например интерактивную веб-страницу, где указана роль сотрудника, число активных и просроченных зада, а также статус.

Пример результата

На что обратить внимание

Облачные решения: если вы используете зарубежные сервисы (Cursor, Kimi), данные о загрузке команды и названия проектов уходят на внешние серверы. Если у вас строгие соглашения о неразглашении, используйте только локальные модели или решения внутри периметра компании.

API-ключи: на первом этапе не давайте полную свободу агенту, подтверждайте действия вручную.

Сценарий № 2. Качественная постановка задач без понимания технических деталей

Подготовительный этап

1. Установите локальную агентскую среду (например, Ollama + CodeGPT) или используйте Cursor с доступом к терминалу.
2. Подготовьте подробное текстовое описание проблемы: «мы вручную выкладываем модели, это занимает два дня, хотим сократить процесс до двух часов».
3. Убедитесь, что на рабочем ноутбуке есть права на установку Docker/виртуальных машин для локального тестирования.

Шаблон запроса

Ты — технический архитектор и бизнес-аналитик в одном лице.

Контекст задачи от руководителя:

у меня есть задача по автоматизации деплоя ML-моделей.

Контекст:

«Сейчас мы вручную выкладываем ML-модели в прод: дата-сайентист упаковывает модель,

DevOps вручную переносит файлы на сервер, QA проверяет вручную по чек-листу.

Весь цикл занимает 2 дня. Хотим сократить до 2 часов».

Действуй автономно.

1. Напиши конфиги и docker-compose.yml для автоматизированного пайплайна деплоя.

Используй MLflow для трекинга и GitLab CI для автозапуска.

2. Подними все контейнеры локально на моем ноутбуке — изолированно,

без доступа к корпоративной сети и продакшн-серверам.

3. Прогони тестовый деплой: упакуй dummy-модель и прокати ее через пайплайн.

4. После успешного теста подготовь для команды:

— схему пайплайна (кто что делает, на каком шаге);

— список всех использованных инструментов со ссылками на документацию;

— требования к инфраструктуре для переноса в прод.

Что делает ИИ

Агент сам пишет конфигурации, поднимает контейнеры, настраивает пайплайн на рабочем ноутбуке (изолированно от продакшена). После успешного теста отправляет схему, ссылки на использованные инструменты и конкретные требования к инфраструктуре.

Пример результата

Практический эффект

Цикл согласования сокращается с недель до часов. Руководитель приходит к команде с готовым прототипом и требованиями ー необходимость собирать всех на несколько встреч отпадает.

Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.

На что стоит обратить внимание

Исполнение кода: не давайте искусственному интеллекту права администратора на компьютере. Перед исполнением кода согласуйте каждое значимое действие на устройстве или в корпоративных системах.

Сценарий № 3. Автоматизация работы с документами

Проблема

Отчет по проекту, планы и бюджеты в Excel, результаты исследования в PDF, черновик договора с партнером в Word ー все это необходимо изучить и согласовать.

Еще больше времени уходит на самостоятельную подготовку файлов, например презентаций для публичных выступлений и совета директоров или таблиц для оценки сотрудников.

По моим оценкам, в среднем руководители тратят на работу с документами около шесть—восемь часов в неделю. Часть задач можно делегировать, однако полностью выключиться из процесса не получится.

Подготовительный этап

1. Выберите мультимодальную модель, работающую с картинками и таблицами: GPT-4V, Claude или локальные аналоги (LLaVA).
2. Настройте доступ агента к корпоративному хранилищу документов (SharePoint, локальная папка, почта) или организуйте «песочницу» для загрузки файлов.

Шаблон запроса

Ты — юридический и финансовый аналитик в России. Тебе переданы документы по тендеру.

Файлы в папке /documents:

— tender_specification.pdf (техническое задание, 187 страниц);

— contract_draft.docx (проект договора);

— budget_estimate.xlsx (смета);

— vendor_proposal_scan.pdf (скан коммерческого предложения поставщика).

Выполни анализ.

1. Извлеки из технического задания ключевые требования: сроки, объемы работ,

обязательные стандарты и сертификации, штрафные санкции.

2. Сопоставь требования ТЗ с условиями договора — выяви расхождения и пробелы.

3. Из скана КП поставщика извлеки итоговые суммы и сроки, сравни со сметой.

Если расхождение больше 10% — выдели красным флагом.

4. Сформируй executive summary на одну страницу: что одобрить, что требует доработки, на что обратить внимание юристу перед подписанием.

5. Создай Excel-файл с таблицей рисков: риск -> вероятность -> влияние -> рекомендация.

Важно: цифры из PDF верифицируй дважды, перед финальным выводом сверяй суммы.

Что делает ИИ

Агент извлекает текст даже из сканов (OCR), структурирует данные, выявляет противоречия и выдает детальные результаты анализа по запросу пользователя.

Пример результата

Практический эффект

Обработка большого объема документов за 10–15 минут вместо нескольких часов ручного анализа.

На что стоит обратить внимание

• Коммерческая тайна: тендерные документы часто содержат цены и условия контрактов. Загрузка в зарубежные API (OpenAI) может нарушать NDA. Решение — локальные модели или корпоративные on-premise LLM.
• Галлюцинации в цифрах: агент может неверно перенести сумму из PDF в таблицу (к примеру, спутать 100 тыс. и 1 млн). Верифицируйте важные показатели, чтобы исключить риски ошибок.

ИИ уже сейчас помогает руководителю сбить давление рутины и сэкономить 12 и более часов в неделю. Эффекты можно масштабировать, если постепенно расширять количество сценариев и использовать продвинутые практики. Например, не писать промпт с нуля, а попросить ИИ сделать это с учетом задачи и контекста. В этом случае руководитель останется тем, кто принимает решения, а не корректирует вручную несколько десятков процессов.