Постановка Задач

Как ставить задачи разработчикам с помощью ИИ

15 мин чтения

Мы спросили сорок руководителей, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Без вариантов ответа, без подсказок. Самый частый запрос – с большим отрывом – оказался не про красивые презентации и не про автоматизацию переписки. Каждый четвёртый ответ был про одно и то же: помочь поставить задачу разработчикам.

Формулировки разные, боль одна. «Улучшить качество требований в постановках от аналитиков». «Ускорить составление ТЗ разработчикам». «Написать user stories по отрисованным аналитиком схемам». «Проверять описания задач перед передачей в разработку». «Составить тест-план по требованиям». «Стандартизировать постановки бизнес-аналитика». Менеджеры проектов, продакты, аналитики – все упёрлись в один и тот же барьер между «я понимаю, что нужно» и «команда поняла то же самое».

Любопытно, что это ровно та задача, на которой языковые модели работают надёжнее всего. Постановка задачи – это работа с текстом в чистом виде: взять неоформленную мысль и привести её к структуре, которую можно передать дальше. Совпадение спроса и сильной стороны инструмента здесь почти идеальное. Но между «ИИ хорошо структурирует текст» и «ИИ напишет вам ТЗ» лежит пропасть, в которую легко свалиться.

Читать полностью
Как ставить задачи разработчикам с помощью ИИ
Чего менеджеры хотят от ИИ: данные 40 реальных ответов
14 мин

Чего менеджеры хотят от ИИ: данные 40 реальных ответов

Мы редко знаем, чего люди на самом деле хотят от ИИ. Обычно за нас это решают вендоры в презентациях и блогеры в ленте. Поэтому, когда у нас накопились реальные ответы студентов на простой вопрос, мы решили на них посмотреть.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.