Казалось бы, проект — он и есть проект. Есть цели, сроки, ресурсы, ответственность. Команда, бэклог, релизы, метрики.
Но если в проекте появляется компонент на основе ИИ — всё, забудьте привычную механику. Внутри осталась та же конструкция, но логика её работы уже другая.
Я веду AI-проекты не первый год, и могу точно сказать: управление такими системами требует другой оптики. Всё начинается с привычного project/product management — но уже на ранних этапах возникает ощущение, что ты управляешь не только задачами и людьми, а поведением. Плавающим, обучающимся, порой нелогичным.
Что остаётся от классики
Структура: цели, задачи, дедлайны.
Базовая дисциплина: приоритезация, контроль, коммуникации.
Ответственность за результат.
Всё это никуда не делось.
Но изменился фундамент: как мы формулируем задачи, что мы тестируем, и что вообще считать успехом.
Что принципиально меняется в AI-проектах
1. Спецификация больше не конечна
Обычная формулировка задачи — это начало диалога, а не финальный документ. Поведение модели нельзя описать статически: один и тот же prompt в разной среде может дать разные результаты.
Задача теперь — не запрограммировать, а воспитать поведение.
2. R&D — это не этап, а фон всего проекта
Невозможно заранее описать, как будет работать система. Всё — гипотеза. Даже если вы “в продакшене” — модель может вести себя иначе через неделю. Особенно если данные обновляются или логика промпта эволюционирует.
3. Product теперь — это не фича, а поведение
Мы не просто “добавляем возможность”.
Мы формируем, корректируем, оттачиваем поведение.
В продукте с ИИ важно, как он будет себя вести в 1000 разных ситуациях, а не только в демо-сценарии.
4. Планирование рушится на границах предсказуемости
Классическое “оценим и уложим в спринт” не работает. Один спринт может уйти на то, чтобы выяснить, почему модель вдруг стала “переобучаться” на свежем датасете. Velocity здесь — плавающий параметр. Гибкость мышления важнее идеального бэклога.
5. Тестирование превращается в философию
Что такое “правильный ответ”?
Как отличить “баг” от “вариативности”?
Как описать тест-кейс, если модель — это black box, обучающийся в процессе?
QA становится не контролем, а калибровкой.
6. Команды становятся мультифункциональными по-настоящему
Product должен понимать промпт-инженерию.
DevOps — чувствовать логику нагрузочного поведения модели.
Project Manager — фасилитировать не только между людьми, но и между людьми и машинами.
Что это значит для менеджера
Если раньше мы могли строго развести роли и процессы, то сейчас вся команда находится в состоянии адаптации.
Ключевые скиллы менеджера AI-проекта — это:
Умение жить в неопределённости и не паниковать.
Способность держать системную рамку, даже если внутри всё пульсирует.
Навык переводить поведение системы в язык метрик и задач.
Коммуникация с командой: объяснять, почему мы сегодня разворачиваем не просто релиз, а гипотезу с открытым финалом.
Личное наблюдение
В проекте, над которым я работаю сейчас (stealth-режим, но с реальной аудиторией), весь цикл от идеи до внедрения занимает 150 дней.
Но внутри этого цикла — 3-4 пересборки логики, сотни интеракций с моделью, десятки неочевидных поворотов.
Методология? Да, нужна. Но ещё нужнее — мышление конструктора.
Как-то так … пока что.