Кейс: оптимизация работы PM с помощью AI-ассистента

Можно ли заменить PM с помощью AI? Ответ — нет. Но можно кратно облегчить ему работу. Об этом поговорим ниже.

Давайте познакомимся: я Максим, технический директор в IT-компании. Работаю в VVERH.DIGITAL. Компания занимается разработкой веб-кабинетов, мобильных приложений и AI-агентов.

У нас, как и у многих компаний, есть проблема — загруженный менеджер проекта. Вроде бы он ведёт только одного большого и одного маленького клиента, но всем от него что-то нужно одновременно. Разработчику надо уточнить детали по задаче, клиент ожидает ответа на свой вопрос в чате в Telegram, а коммерческий директор попросил отчёт и ждёт его «ещё вчера». А самое главное — всем, как назло, всё это нужно в понедельник с утра.

И вот тут я подумал: как я могу помочь своему отделу разработки? Мы уже делали коммерческих AI-агентов: был опыт в сельскохозяйственной сфере — контроль роста растений — и в телекоммуникационной — AI-агент для автопрозвонов. Навыки есть, ресурсы тоже, осталось лишь найти процесс, который можно автоматизировать.

Задача – найти кейс, который можно автоматизировать

В самой автоматизации самое сложное — понять, что именно надо автоматизировать. К сожалению или к счастью, сделать это можно, только зная внутреннюю кухню организации, в которой работаешь.

Это на будущее для всех, кто хочет куда-то что-то внедрить, но не знает, что именно.

Врать не буду: нужное место я нашёл не сразу. Попыток засунуть AI хоть куда-то было несчётное количество, но наконец-то я нашёл нужное.

Узким местом в работе нашего PM была наша ERP-система, в которую мы вносили и где отслеживали задачи. Сам процесс постановки задач — это машинальная и рутинная работа, которая делается по шаблону. Видите ли, к моменту, когда задача должна быть поставлена в ERP, она уже собрана, осмыслена и обсуждена с клиентом. Надо лишь зайти в систему, выбрать клиента и проект, написать текст, приложить все нужные ссылки и файлы, а затем назначить специалиста.

Когда работаешь с правками от клиента, часто получается согласованный файл на 20, 30 или 40 пунктов, которые нужно завести в систему и правильно распределить между специалистами: фронтенд, бэкенд, мобильная разработка. Всё это может занимать до часа. А если проект не один?

Внедряем AI

Поэтому я подумал и решил создать виртуального AI-ассистента (или помощника PM), который будет анализировать рабочий чат, обрабатывать нужные документы и ставить задачи в нашу ERP.

Какие кейсы я хотел обработать через AI

Первый кейс: есть конкретная задача, которая каким-то образом попала в общий Telegram-чат. Например, SEO-специалист или менеджер проекта написал что-то вроде: «Сайт %название% не открывается, Олег, посмотри, в чём дело». После можно тегнуть бота и попросить на основе этого сообщения поставить задачу. Во-первых, чтобы специалист не забыл, а во-вторых, для отчётности перед клиентом все эти вещи лучше сохранять.

Если подвести итог, на выходе я хотел бы иметь готовую задачу в ERP. Также хотелось, чтобы бот по имени сотрудника, его Telegram-логину и названию сайта сам разобрался, куда и на кого ставить задачу.

Второй кейс, основной: есть предварительно согласованный большой документ с задачами, который надо превратить в «виртуальные» задачи в ERP. Данный документ отправляется AI-агенту с промптом типа: «Ознакомься с содержимым документа. Там 10 задач. Поставь их все в работу на команду А, проект %название%. Задачи распредели сам по специалистам из команды А, основываясь на содержании каждой задачи. Задачам 1 и 3 установи самый высокий приоритет. Как закончишь, отправь мне ссылки на задачи на проверку».

Команда А — условное внутреннее название нашей команды. В ней три человека: Илья — бэкендер, Максим — мобильный разработчик и Евгений — фронтендер.

По моей задумке, на выходе AI-агент должен выдать мне ссылки на все задачи для согласования. Он сам должен правильно расставить все приоритеты, выбрать специалистов и проект.

Причём я понимаю, что модель может неправильно трактовать текст задачи и поставить задачу фронтендера на бэкендера. Но это не страшно. Самое главное — получить кучу готовых задач за две минуты вместо часа, а поправить одно поле — дело 15 секунд. Даже если придётся сделать это 40 раз, всё равно будет быстрее, чем 40 раз ставить задачи по одному и тому же шаблону вручную.

Какие технологии я использовал для реализации

Для AI-ассистента я решил использовать OpenClaw и установил его на арендованную VDS. Это как WordPress в мире AI-агентов.

Есть ещё Hermes, но, если коротко, это то же самое, что OpenClaw. Не заморачивайтесь.

OpenClaw умеет использовать любую модель, работающую по протоколу OpenAI (считайте, все известные). Он может интегрироваться в Telegram, Slack, Signal и ещё кучу других мессенджеров с помощью пары команд. Самое сложное — настроить безопасность на сервере, ведь если AI-ассистента взломают… будет плохо. Сами представьте масштаб проблем. Поэтому большую часть времени я потратил именно на обеспечение безопасности своего VDS-сервера от несанкционированного доступа.

OpenClaw может содержать несколько моделей нейросетей и с помощью пары команд в Telegram переключаться между ними. Во время разработки я тестировал GPT-5.4, DeepSeek V4 Flash и V4 Pro, Claude Sonnet 4.6 и Claude Opus 4.7.

В итоге я остановился на DeepSeek V4 Flash и V4 Pro. Во-первых, с поставленной задачей V4 Pro справляется на уровне Claude Sonnet 4.6. Во-вторых, DeepSeek значительно дешевле всех остальных моделей. Ну а V4 Flash я оставил для чата: быстрая и дешёвая модель для вопросов и ответов — самое то.

Как я “обучал” AI-ассистента и что для этого сделал

Чтобы заставить AI-ассистента что-то делать правильно, его надо этому «обучить». Обучается он через систему навыков (skills).

Навыки – это набор инструкций как, что и при каких обстоятельствах нужно делать. Пример навыка можно увидеть тут.

Навык обычно — это просто текстовый документ в формате .md, который содержит текстовую инструкцию. Лежит он в папке skills где-то внутри OpenClaw. Важно: навык может содержать какие-либо скрипты и дополнительные файлы, которые модель может использовать по запросу. Их тоже нужно предварительно разместить на сервере и указать точный путь к ним внутри навыка.

Мною была написана подробная инструкция о том, как работать с сообщениями в Telegram-чате, извлекать нужную информацию из ERP, ставить задачи и уведомлять людей в Telegram о новых задачах. В итоге получилось три отдельных навыка: постановка задач из чата или файла, отправка корректных уведомлений и поиск информации в ERP.

Чтобы научить AI-ассистента ориентироваться в ERP, мне пришлось разработать для него отдельное API и модуль API-ключей:

И сделать карту HTTP-маршрутов в Swagger, чтобы потом собрать Node.js API (библиотеку), которую ассистент будет запускать через терминал.

Если ничего не понятно, то объясню простыми словами: я сделал API для AI-ассистента и научил его с помощью готовых скриптов извлекать нужную информацию из ERP: людей, задачи и статусы задач. А ещё прикрутил права доступа, чтобы не отправлять в нейросеть ничего лишнего.

Результат

Если коротко — я доволен.

Бот умеет всё то, чему я его научил, а именно: просматривать документы, ставить по ним задачи, «предполагать», кто из сотрудников будет выполнять задачу, а самое главное — самостоятельно искать в ERP нужную информацию: от проектов до сотрудников. Добавлю, что он также имеет доступ к графику отпусков, поэтому не поставит задачу на человека, который сейчас недоступен.

Необработанные задачи я отправляю в личный чат с ботом, а уведомления о готовых задачах бот автоматически отправляет нужным людям в общий чат. То есть вся важная коммуникация ведётся в личной переписке.

Минусы или «подводные камни»

Чтобы провернуть такое в вашей CRM- или ERP-системе, тоже нужно сделать API для AI-ассистента. Заставлять его заходить в веб-кабинет через браузер (Chromium) — это кощунство. Это дорого по токенам и очень медленно.

Но самое главное — это даже не API, а данные. В моей системе уже были подробные списки сотрудников, в которых есть нужные поля: команда, должность, Telegram-логин, внутренний ID сотрудника. По ID сотрудника AI-ассистент может узнать, находится ли сотрудник в отпуске, а также посмотреть его загруженность.

Некоторые «расплывчатые» задачи модель не может корректно распределить между сотрудниками. Но я решил это двумя способами: во-первых, все задачи предварительно проверяются; во-вторых, иногда даже я или менеджер из-за недостаточной аналитики не можем определить, в чьей это зоне ответственности, поэтому проще поставить задачу сразу на всю команду. Ну а там ребята сами определят. К слову, AI-ассистент это понимает: у него предусмотрено такое поведение.

У более дорогих моделей риск неверно определить, на кого поставить задачу, ниже. Но это лучше обсудить далее.

Стоимость ежемесячного обслуживание AI-ассистента

Мне всё обходится в 40 долларов в месяц на человека. Используются две модели: DeepSeek V4 Flash и V4 Pro. В основном сижу на Flash, но периодически переключаюсь на Pro, когда сложность входных данных возрастает.

Если использовать GPT-5.4, то качество поставленных задач будет ненамного лучше. Зато цена ежемесячного обслуживания вырастет до 200 долларов.

Причём 40 долларов — это ежедневное использование. В этом месяце я пока даже за 20 долларов не вышел на своём ассистенте, а уже 23-е число. Просто начал для эксперимента давать задачи в md-файле, а не в формате .docx. Формат от Microsoft содержит много лишнего для нейросети, поэтому его разбор занимает больше токенов.

Считаю 40 долларов в месяц отличным вложением, позволяющим экономить около часа работы ежедневно. Как минимум, я стал слушать меньше нытья от менеджера проекта 😂. А как максимум, мне самому стало проще ставить задачи своим ребятам.

P.S: если захотели своего AI-ассистента, то можете написать сюда. Пообщаемся, соберем всю важную информацию и попробуем предложить пару интересных вариантов. По опыту скажу – оптимизировать можно много чего, самое сложно найти баланс между стоимостью разработки и полученным результатом.