Управление рисками: как я попросил ИИ найти слабые места в проекте и не прогадал

Недавно поймал себя на мысли, что наш процесс управления рисками превратился в формальность. У нас был реестр, мы его вели, раз в месяц на проектном комитете пробегали глазами по списку: «А, этот риск уже не актуален, этот мы митигировали, ну а этот... ну, как-нибудь».

Знакомая ситуация? В какой-то момент перестаешь замечать очевидные угрозы, потому что они становятся частью твоей реальности. Ты привыкаешь к тому, что «фронтендер вечно болеет», а «аналитик перегружен». Это кажется данностью, но по факту — это риски, которые мы перестали таковыми считать. Мне пришла идея: а что, если дать нейросети всю доступную информацию о проекте и попросить её найти наши слепые зоны?

Суть проблемы была не в отсутствии дисциплины, а в когнитивных искажениях команды и, в частности, моих собственных. Мы сидим в этом проекте уже полгода. Мы сроднились с его «хроническими болезнями». Все заняты, все в контексте, но именно это «погружение» мешает взглянуть на проект глазами внешнего аудитора.

Я решил провести эксперимент: загрузить в нейросеть максимально возможный срез данных и попросить её выступить в роли «внешнего риск-менеджера».

Я понимал, что просто написать «найди риски» — бесполезно. Нейросеть выдаст общие фразы вроде «нехватка ресурсов» или «риск срыва сроков». Поэтому я подготовил для неё контекст на основе реальных проектных артефактов:

1. Устав проекта (краткий): Чтобы ИИ понимал цели и границы.

2. Структура команды: Просто текстом описал роли

3. Текущий бэклог (основные эпики): Чтобы видеть, что мы делаем.

4. История последних двух спринтов: Что сделали, что пошло не так (например: «забаговали фронт», «аналитик не успевал описать задачи до начала спринта»).

5. Открытые риски из нашего реестра: Чтобы ИИ от чего-то отталкивался и, возможно, указал на нашу близорукость.

Запрос я сформулировал так: «Ты — опытный риск-менеджер с 10-летним стажем в IT. Посмотри на данные проекта. Забудь про риски, которые мы уже записали. Найди 5-7 скрытых, системных угроз, которые мы не видим изнутри. Аргументируй, почему это риск, и предложи метрику, по которой можно отследить его наступление».

Результат меня удивил. Нейросеть не просто перефразировала наши страхи. Она нашла связи там, где мы их не замечали. Например:

- Риск №1 (который мы пропустили): «Узкое горлышко на знаниях». У нас два аналитика. Один сильный, второй — джуниор. ИИ проанализировал историю спринтов и выдал: «В 80% случаев второй аналитик переспрашивает первого, что создаёт риск "теневой перегрузки" лида. Если лид-аналитик уйдет в отпуск или заболеет, скорость входа в задачи упадет на 40%». Мы этого даже не замечали, потому что лид всегда был онлайн.

- Риск №2: «Иллюзия параллельности». ИИ заметил, что дизайнер и фронтендер работают над разными задачами, но их задачи пересекаются по доменам. Риск в том, что дизайнер нарисует красиво, но фронтендер, занятый своим эпиком, не учтет это в архитектуре компонентов, что вызовет техдолг. Мы это называли «обычная работа», а ИИ обозвал это риском рассинхронизации технологического и визуального стека.

- Риск №3 (самый точный): «Эмоциональное выгорание тимлида». Нейросеть посчитала частоту упоминаний тимлида в задачах, коммитах и комментариях (на основе загруженных логов) и выявила, что он ревьюит код, пишет свой код, помогает аналитику и заменяет тестировщика на сложных участках. Вывод: «Роль "тимлид" нестабильна. Риск потери ключевого разработчика выше среднего из-за размытия ответственности».

Если делать такой анализ вручную, пришлось бы нанимать внешнего аудитора на день-два, тратить 50-100 тысяч рублей и полдня на введение его в контекст. Нейросеть сделала это за 15 минут, потратив копейки на токены. Конечно, она не выдала готовый план митигации, но она гениально сработала как катализатор мышления.

Я пришел на планерку с этими выдержками. И команда не спорила, мол, «ты на нас наговариваешь». Они видели: это не моё мнение, это анализ данных, выданный беспристрастной машиной. Это сразу перевело разговор в конструктивное русло. Мы не оправдывались, а начали думать, как разгрузить тимлида и докинуть знания второму аналитику.

Этот опыт натолкнул меня на мысль, что ИИ в управлении рисками — это не про магический хрустальный шар. Это про инструментальную рациональность.

Риск-менеджмент по PMBOK часто страдает от «синдрома эксперта»: чем дольше ты в проекте, тем хуже ты видишь его системные недостатки. Ты начинаешь путать «так сложилось» и «так и должно быть». ИИ в этой ситуации выступает не как угроза, а как носитель «внешней памяти» и «свежего, незамыленного взгляда». Он не знает, что «Вася всегда опаздывает со сроками, потому что он такой человек». Он видит только данные: Вася систематически не успевает к дедлайну, следовательно, это риск, который нужно зарегулировать.

Использование LLM для анализа рисков — это не просто модная фишка. Это инженерная необходимость для Project Manager, который хочет управлять не иллюзиями, а реальностью. Потому что управлять можно только тем, что ты способен увидеть и измерить.