Статья:

ИИ КАК ПОМОЩНИК РУКОВОДИТЕЛЯ ПРОЕКТА: ПОДБОР РОЛЕЙ, РАСПРЕДЕЛЕНИЕ ЗАДАЧ И ПРОГНОЗ РИСКОВ КОМАНДЫ

Журнал: Научный журнал «Студенческий форум» выпуск №35(386)

Рубрика: Экономика

Выходные данные
Карманов И.А. ИИ КАК ПОМОЩНИК РУКОВОДИТЕЛЯ ПРОЕКТА: ПОДБОР РОЛЕЙ, РАСПРЕДЕЛЕНИЕ ЗАДАЧ И ПРОГНОЗ РИСКОВ КОМАНДЫ // Студенческий форум: электрон. научн. журн. 2026. № 35(386). URL: https://nauchforum.ru/journal/stud/386/191986 (дата обращения: 22.11.2026).
Журнал опубликован
Мне нравится
на печатьскачать .pdfподелиться

ИИ КАК ПОМОЩНИК РУКОВОДИТЕЛЯ ПРОЕКТА: ПОДБОР РОЛЕЙ, РАСПРЕДЕЛЕНИЕ ЗАДАЧ И ПРОГНОЗ РИСКОВ КОМАНДЫ

Карманов Илья Андреевич
студент, Вятский государственный университет, г. Киров, Российская Федерация
Сысолятин Алексей Витальевич
научный руководитель, научный руководитель, доцент, Вятский государственный университет, г. Киров, Российская Федерация

AI AS A PROJECT MANAGER’S ASSISTANT: SELECTING ROLES, ASSIGNING TASKS, AND FORECASTING TEAM RISKS

В статье рассматриваются возможности практического применения больших языковых моделей, ИИ-ассистентов и ИИ-агентов в управлении проектами и персоналом. Основное внимание уделено задачам, в которых искусственный интеллект способен дополнить работу руководителя проекта: оценке загрузки сотрудников, подбору исполнителей на проектные роли, анализу коммуникаций, подготовке протоколов, прогнозированию задержек и выявлению ранних признаков перегрузки команды. Одновременно анализируются ограничения технологии, связанные с алгоритмическими смещениями, ошибками интерпретации, непрозрачностью рекомендаций и обработкой персональных данных работников. На основе научных публикаций и нормативных документов предложена модель взаимодействия, при которой ИИ используется для сбора и анализа информации, а окончательные решения остаются за руководителем проекта. Представлены практические кейсы и критерии оценки качества ИИ-рекомендаций.

This article examines the practical applications of large language models, AI assistants, and AI agents in project and personnel management. The focus is on tasks where artificial intelligence can augment the work of a project manager, such as assessing employee workloads, matching personnel to project roles, analyzing communications, preparing meeting minutes, forecasting delays, and identifying early signs of team burnout. Simultaneously, the article explores the limitations of this technology, including algorithmic bias, misinterpretation errors, a lack of transparency in recommendations, and the handling of employees' personal data. Drawing on academic literature and regulatory documents, a collaboration model is proposed in which AI is used to gather and analyze information, while final decision-making authority remains with the project manager. The article also presents practical case studies and criteria for evaluating the quality of AI-generated recommendations.

Введение

Управление проектом предполагает постоянную работу с ограничениями: сроками, ресурсами, изменяющимися требованиями и различными интересами участников. Руководитель проекта должен одновременно контролировать содержание работ, бюджет, календарный план, качество результата, коммуникации и состояние команды. При увеличении количества задач и участников управленческая информация становится слишком объёмной: важные сигналы теряются в переписке, протоколах совещаний, системах учёта задач и отчётах.

Развитие технологий искусственного интеллекта создало возможность частично автоматизировать такую работу. Современные LLM-модели (от англ. Large Language Models, или большие языковые модели – это системы искусственного интеллекта, обученные на больших объёмах текстовой информации) способны обрабатывать неструктурированные тексты, извлекать из них поручения и сроки, сопоставлять требования проекта с компетенциями сотрудников, выявлять противоречия и формировать предварительные прогнозы. Исследования в области проектного управления показывают, что искусственный интеллект (далее по тексту – ИИ) постепенно переходит от экспериментального инструмента к элементу управленческой инфраструктуры [3; 6]. Вместе с тем эффективность таких решений зависит не только от возможностей модели, но и от качества данных, корректности постановки задачи и степени контроля со стороны человека.

В соответствии с ГОСТ Р ИСО 21500–2023 проект следует рассматривать как ограниченное во времени начинание, направленное на достижение определенного результата в условиях конкретного контекста и набора ограничений [7]. Из этого следует, что ИИ в управлении проектами должен учитывать не только отдельные задачи, но и взаимосвязи между ними, доступность ресурсов, внешние зависимости и влияние принимаемых решений на общий результат. Простая автоматизация отдельных операций не решает проблему, если система не учитывает контекст самого проекта.

Наиболее практичная роль ИИ-ассистента заключается в подготовке информации для руководителя. Система может анализировать планы, описания задач, протоколы встреч, комментарии, историю изменений и отчёты о статусе. На этой основе она формирует сводку, отмечает отклонения, показывает незакрытые вопросы и предлагает варианты действий. Подобный подход позволяет сократить время на рутинную обработку данных и сосредоточиться на принятии решений. В исследованиях, посвящённых перспективам внедрения ИИ в проектное управление, среди наиболее востребованных направлений также выделяются автоматизация мониторинга, поддержка планирования и раннее выявление рисков [10].

Одной из главных задач руководителя является оценка загрузки команды. Традиционные показатели, такие как число задач или количество отработанных часов, не всегда отражают реальный уровень занятости. Задачи одинаковой продолжительности могут существенно различаться по сложности, числу согласований и количеству внешних зависимостей. Кроме того, значительная часть рабочего времени может уходить на переключение между проектами, обработку срочных обращений и корректировку недостаточно чётко сформулированных требований.

Применение ИИ позволяет объединить плановую трудоёмкость, фактические сроки, количество параллельных задач, частоту изменений, наличие блокирующих факторов и объём внеплановой работы. В результате руководитель получает не просто список занятых сотрудников, а динамическую картину распределения нагрузки. Аналитическая система способна показать, что специалист формально располагает свободным временем, но фактически перегружен из-за участия в большом количестве согласований и постоянном переключении между разными направлениями.

Такой анализ полезен при подготовке нескольких вариантов перераспределения задач. Например, система может предложить перенести низкоприоритетную работу, подключить резервного исполнителя или изменить последовательность этапов. Однако рекомендация не должна применяться автоматически. В модели могут отсутствовать сведения о личных обстоятельствах сотрудника, неформальных договоренностях, скрытой сложности задачи или необходимости сохранить за специалистом определенный участок работы.

Второй важный сценарий связан с подбором исполнителей на проектные роли. LLM-ассистент может сопоставить требования задачи с матрицей компетенций, опытом, доступностью и текущими обязанностями сотрудников. В отличие от механического назначения по должности, такой подход позволяет учитывать конкретную цель проекта. Для одной задачи может требоваться глубокая предметная экспертиза, для другой важнее навык взаимодействия с заказчиком, а для третьей необходим опыт работы с определенной технологией.

При этом система должна формировать не единственный «правильный» ответ, а несколько возможных вариантов. Каждый вариант желательно сопровождать пояснением, включая анализ учтённых компетенций, выявленных ограничений и рисков при назначении определённой специальности. Руководитель проекта должен иметь возможность отклонить рекомендацию и зафиксировать причину такого решения.

Особенно важен риск смещения. Если исторические данные показывают, что сложные задачи обычно передавались наиболее заметным или давно работающим сотрудникам, модель может воспроизвести эту практику и представить её как объективную закономерность. В результате одни участники команды будут постоянно получать возможности для развития, а другие окажутся в менее значимых ролях. Исследования в области управления персоналом указывают, что ИИ способен повысить скорость и формальную объективность HR-процессов, но одновременно может усилить уже существующие дискриминационные практики, если обучается на некачественных или односторонних данных [5]. Поэтому при подборе ролей необходимо оценивать не только соответствие компетенций, но и справедливость распределения возможностей.

Значительный эффект может дать анализ проектных коммуникаций. Неясная формулировка требования, отсутствие владельца решения, повторяющиеся вопросы, противоречивые комментарии и переносы сроков часто становятся заметны задолго до официального изменения плана. ИИ-ассистент может анализировать переписку, протоколы встреч и комментарии к задачам, выделяя поручения, сроки, ответственных и нерешённые вопросы.

После совещания система способна сформировать предварительный протокол, в котором указаны принятые решения и дальнейшие действия. Если в последующей переписке появляется информация, противоречащая зафиксированной договорённости, ассистент может отметить расхождение. Это позволяет руководителю своевременно проверить, изменились ли требования, не возникла ли ошибка в понимании задачи и назначен ли ответственный за согласование.

Наиболее надёжным является анализ фактов и зависимостей, а не попытка определить эмоциональное состояние или личные качества участников. Короткий ответ не свидетельствует о низкой вовлечённости, а большое количество сообщений не доказывает высокую продуктивность. Модель может ошибиться при распознавании сарказма, профессиональной терминологии или особенностей корпоративной культуры.

Перспективным направлением является прогнозирование проектных рисков. ИИ может сопоставлять текущие данные с историей выполнения аналогичных задач, учитывать количество незакрытых зависимостей, изменения требований, задержки согласований и доступность ключевых специалистов. На этой основе ассистент предлагает вероятность задержки или указывает на участок проекта, требующий дополнительного внимания.

Практическая ценность такого прогноза заключается не в точности конкретного процента, а в возможности заранее обсудить причины риска. Если система сообщает о вероятной задержке, руководитель должен проверить, какие факторы повлияли на вывод: отсутствует ли решение заказчика, не перегружен ли исполнитель, не изменился ли объём работ. Такой подход снижает опасность ложной точности, при которой числовой прогноз воспринимается как объективный факт. Людмила Раменская (кандидат экономических наук, доцент кафедры корпоративной экономики и управления бизнесом) отмечает, что ИИ способен улучшить мониторинг и прогнозирование, но его результаты зависят от качества исходной информации и не устраняют неопределенность проектной среды [6].

Отдельно следует рассматривать выявление сигналов возможного выгорания. На повышенную нагрузку могут указывать регулярная работа в неурочное время, рост числа срочных задач, увеличение количества переносов, снижение участия в обсуждениях и рост числа исправлений. Если такие изменения сохраняются в течение длительного периода, руководителю стоит обсудить с сотрудником приоритеты, сроки и доступность ресурсов.

ИИ здесь может использоваться только как инструмент раннего сигнала. Он не способен диагностировать выгорание, поскольку одинаковые поведенческие признаки могут иметь разные причины. Работа вечером может быть связана с личным графиком, разницей часовых поясов или добровольным выбором сотрудника. Снижение активности в переписке может означать не потерю мотивации, а переход к самостоятельной работе. Поэтому результат анализа нельзя использовать для наказания или автоматической кадровой оценки.

Применение ИИ в управлении персоналом и проектами требует особого внимания к персональным данным. Статья 86 Трудового кодекса Российской Федерации устанавливает общие требования к обработке персональных данных работника и гарантии их защиты [4]. При анализе переписки, рабочего времени и поведения организации необходимо определить цель обработки, состав собираемых сведений, порядок доступа и срок хранения. Данные нельзя использовать для скрытого наблюдения или для целей, о которых сотрудник не был проинформирован.

Этические ограничения закреплены и в Кодексе этики в сфере искусственного интеллекта. В документе подчёркиваются принципы человекоцентричности, безопасности, прозрачности и ответственности при использовании ИИ [2]. Для проектной команды это означает, что сотрудник должен понимать, когда его данные анализируются, каким образом формируется рекомендация и кто принимает окончательное решение. Возможность человеческой проверки и исправления результата является обязательным условием доверия к системе.

Государственная политика в сфере ИИ также исходит из необходимости развивать технологии с учётом вопросов безопасности и ответственности. Указ Президента Российской Федерации № 490 определяет основные направления развития искусственного интеллекта и его применения в различных сферах [8]. Изменения, внесённые Указом № 124, связаны с дальнейшим развитием национальных приоритетов в сфере ИИ и уточнением подходов к технологическому развитию [9]. Для организаций это означает необходимость сочетать инновационность с контролем рисков, защитой информации и соблюдением прав работников.

ИИ-агенты отличаются от обычных ассистентов тем, что способны не только отвечать на запросы, но и выполнять последовательность действий в заданной среде. Например, агент может обнаружить просроченную зависимость, создать напоминание ответственному, подготовить сообщение руководителю и обновить статус задачи. Такая автоматизация повышает скорость реакции, но увеличивает риск ошибочных действий. Если агент неправильно определил приоритет или отправил сообщение не тому адресату, ошибка может повлиять на отношения с заказчиком и рабочий процесс. Поэтому ИИ-агентам необходимо задавать чёткие границы полномочий, перечень разрешенных действий и обязательные точки подтверждения человеком [1].

Таблица 1.

Основные практические сценарии применения ИИ

Сценарий Данные для анализа Действия ИИ Польза для проекта Риск Контроль руководителя
Оценка загрузки Трудоёмкость, сроки, параллельные задачи, зависимости и срочные обращения Сопоставляет плановую и фактическую нагрузку Раннее выявление перегрузки и узких мест Не учитывается скрытая работа и сложность переключения Обсуждение результата с сотрудником
Подбор роли Компетенции, опыт, доступность и текущие обязанности Предлагает несколько вариантов назначения Быстрее распределяются задачи Воспроизводятся прежние кадровые предпочтения Проверка справедливости и карьерных возможностей
Подготовка протокола Расшифровка встречи и рабочие материалы Извлекает решения, сроки и поручения Снижается потеря информации Ошибки интерпретации контекста Утверждение протокола человеком
Анализ коммуникаций Переписка, комментарии и история изменений Находит противоречия, повторные вопросы и незакрытые решения Быстрее устраняются неясности Нарушение приватности и неверное понимание тона Анализировать процесс, а не личность
Сигналы перегрузки Динамика рабочего времени, переносы и срочные задачи Показывает устойчивые изменения показателей Можно своевременно пересмотреть ресурсы Псевдодиагностика выгорания Не использовать для санкций
Прогноз задержки Зависимости, история задач и изменения требований Определяет факторы вероятного срыва Появляется время для профилактики Ложная точность прогноза Проверка причин и нескольких сценариев
ИИ-агент Данные проектной системы и заданные правила Создаёт уведомления, обновляет статусы, готовит действия Сокращается время реакции Агент может выполнить ошибочное действие Ограничение полномочий и подтверждение критических операций
Кадровый рейтинг Скорость работы, сообщения и закрытые задачи Ранжирует сотрудников Получается формальный показатель Дискриминация и манипуляция метриками Не использовать как самостоятельное основание для кадровых решений

Данные таблицы свидетельствуют о том, что ИИ наиболее полезен на подготовительном и диагностическом этапах управления. Он хорошо справляется с обработкой больших массивов информации, фиксацией договорённостей, поиском зависимостей и выявлением отклонений. В этих сценариях результат можно проверить до принятия решения. Опасность возникает тогда, когда системе передают оценку мотивации, лояльности или профессиональной ценности человека, а также решения, влияющие на премирование, продвижение или увольнение.

Для оценки качества ИИ-ассистента следует использовать несколько групп метрик. К показателям точности относятся: доля правильно извлеченных поручений, корректность определения ответственных, количество обнаруженных и пропущенных рисков, а также число ложных предупреждений. Практическую пользу можно оценивать по сокращению времени подготовки отчётов, уменьшению количества повторных вопросов, снижению числа просрочек и скорости устранения блокирующих проблем. Отдельно необходимо проверять справедливость рекомендаций: как распределяются сложные задачи, кто получает возможности обучения и не концентрируется ли критическая экспертиза у ограниченного числа сотрудников.

Не менее важны показатели безопасности: число инцидентов доступа, объём обработанных персональных данных, доля рекомендаций, использованных без проверки, и наличие журнала решений. Каждая рекомендация должна быть объяснимой: руководителю необходимо понимать, какие данные использовались, за какой период, какие факторы повлияли на вывод и насколько результат неопределён.

Внедрение технологии целесообразно начинать с низкорисковых задач: подготовки протоколов, сводок, перечней поручений и проверки согласованности требований. Затем можно подключить оценку загрузки, анализ зависимостей и прогнозирование сроков. Рекомендации по распределению ролей следует вводить только после проверки качества данных и настройки механизмов контроля. Решения о дисциплинарных мерах, увольнении и иных действиях, непосредственно влияющих на права работника, нельзя передавать ИИ.

Заключение

ИИ-ассистент способен повысить эффективность руководителя проекта, если используется для обработки информации, выявления отклонений и подготовки вариантов решений. Наибольшую пользу технология даёт при оценке динамики загрузки, подборе исполнителей на проектные роли, подготовке протоколов, поиске коммуникационных сбоев и прогнозировании возможных задержек.

Анализ признаков перегрузки команды может помочь раньше обратить внимание на неблагоприятную динамику, однако он не должен превращаться в диагностику выгорания или скрытый контроль сотрудников. Любые выводы о состоянии человека требуют непосредственного общения и учёта контекста. Использование рабочих данных должно соответствовать требованиям трудового законодательства и принципам этики ИИ.

Главные риски связаны с алгоритмическими смещениями, неполными данными, ошибками интерпретации, непрозрачностью рекомендаций и нарушением приватности. Для их снижения необходимо ограничивать полномочия ИИ, обеспечивать объяснимость выводов, проводить регулярный аудит и оставлять окончательное решение за человеком.

Оптимальная модель взаимодействия может быть сформулирована следующим образом: ИИ собирает, сопоставляет и предлагает, а руководитель проекта проверяет, обсуждает и принимает решение. В этом случае технология не заменяет управленческую ответственность, а помогает направить внимание менеджера на приоритеты, риски, развитие сотрудников и качество командного взаимодействия.

Список литературы

  1. Асадулина Р.К. Выявление перспектив внедрения искусственного интеллекта в управление проектами // Королёвские чтения: сборник трудов международной молодёжной научной конференции. – Самара: Самарский университет, 2021. – С. 641⁠–⁠642.
  2. ГОСТ Р ИСО 21500⁠–⁠2023. Управление проектами, программами и портфелями проектов. Контекст и основные понятия. Москва: Стандартинформ, 2024.
  3. Гузенко О.И., Балябин Д.С. ИИ-агенты в управлении проектами: возможности, ограничения и стратегии интеграции // Вестник проектного управления. – 2025. – Т. 1, № 2. – С. 71⁠–⁠78.
  4. Кодекс этики в сфере искусственного интеллекта от 26 октября. – 2021.
  5. Мирзаянц К.С., Воробьева О.А., Головина О.Д. Искусственный интеллект в управлении проектами: тренды, возможности, первый опыт // Вестник Удмуртского университета. Серия «Экономика и право». – 2025. – Т. 35.
  6. Овчинникова О.П., Лебедева Д.В. Искусственный интеллект в управлении персоналом: возможности и угрозы // Вопросы управления. – 2024. – Т. 18, № 4. – С. 55⁠–⁠66.
  7. Раменская Л.А. Искусственный интеллект в управлении проектами: возможности и риски // Вестник Воронежского института высоких технологий. – 2024. – Т. 18, № 4.
  8. Трудовой кодекс Российской Федерации от 30.12.2001 № 197-ФЗ. Статья 86. Общие требования при обработке персональных данных работника и гарантии их защиты.
  9. Указ Президента Российской Федерации от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации».
  10. Указ Президента Российской Федерации от 15.02.2024 № 124 «О внесении изменений в Указ Президента Российской Федерации от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации»».