Каждую пятницу наш менеджер проектов тратил полдня на один отчет. Открывал CRM, смотрел новые сделки, переходил в раздел проектов, проверял статусы и дедлайны, затем в финансовый модуль — анализировал поступления и расходы. К концу дня получался набор цифр в Excel, которые еще нужно было привести в читаемый вид и сделать выводы. Данные успевали устареть быстрее, чем отчет дописывался.
Мы разрабатываем систему управления проектами Аспро.Cloud и в какой-то момент решили: с появлением MCP (Model Context Protocol) эту задачу можно решать иначе. Встроили MCP-сервер в продукт, провели внутренний аудит процессов, зафиксировали базовые показатели — и начали передавать рутину ИИ. Вот что из этого получилось.
Что такое MCP и почему это важно
Протокол контекста модели (MCP) — стандарт, который позволяет ИИ-ассистенту получать данные напрямую из внешних систем: CRM, ERP, облачных дисков, поисковиков и других сервисов. Когда вы пишете запрос, модель разбивает его на шаги и последовательно вызывает нужные инструменты — поиск, фильтрацию, создание или обновление объектов.
Модель не имеет прямого доступа к базе данных. Она работает только через инструменты, явно разрешенные в MCP-сервере, и в рамках прав API-ключа, под которым запущен сервер. Это и определяет границы того, что ИИ может делать в вашей системе. Перед выполнением любых изменений — создание задач, смена исполнителей, обновление статусов — модель показывает превью и ждет вашего подтверждения. Вы всегда видите, что именно планирует сделать ИИ, и можете скорректировать до того, как что-то изменится в системе.
Что это дает команде:
- Экономия времени. Отчеты, сводки и проверки занимают меньше времени — не нужно вручную собирать данные из разных разделов системы. То, на что раньше уходило несколько часов, теперь занимает минуты.
- Автоматизация операций. Типовые действия можно поручать ИИ: подготовить задачи по итогам встречи, собрать список просроченных счетов, переназначить задачи при уходе сотрудника в отпуск. В некоторых инструментах — например, Claude — можно настраивать регулярные задачи: отчеты по сделкам и проектам каждую неделю без лишних касаний.
- Работа с большими объемами. Модель обрабатывает сотни и тысячи записей без дополнительного времени на подготовку данных. Что для человека — квест с фильтрами и переходами между разделами, для ИИ — один вызов.
- Обмен данными между сервисами. С помощью MCP можно передавать информацию между системой управления проектами и другими сервисами: автоматически отправлять отчеты на почту или в Telegram.
Как мы выбирали сценарии
Перед внедрением провели внутренний аудит: собрали у команды задачи, где больше всего времени уходит на ручную работу с данными системы. Получилось около 20 процессов. Отфильтровали те, где ИИ может действовать автономно без высокого риска ошибки, и расставили приоритеты по двум критериям: частота задачи и потеря времени. Итог — пять сценариев для первого запуска.
Перед стартом зафиксировали базовые показатели по каждому процессу, чтобы оценить реальный эффект, а не предположения. Это важный момент: без измеримых данных до внедрения сложно понять, действительно ли что-то изменилось или просто кажется. Менеджеры часто говорят «стало лучше», но не могут сказать насколько.
Сценарий 1: еженедельный отчет — с трех часов до 15 минут
Тот самый отчет на полдня. Проблема была не только во времени: к моменту готовности отчета данные часто успевали устареть. Плюс человеческий фактор — при ручном сборе из разных разделов системы легко что-то пропустить или перепутать цифры. Менеджер, который должен анализировать данные, тратил большую часть времени просто на их сбор.
Теперь один запрос: «Составь сводку по состоянию компании — покажи основные показатели CRM». Через пару минут — структурированный отчет со всеми данными. Дальше просим проанализировать: «Проанализируй данные и предложи, что можно улучшить».
ИИ находит закономерности, которые раньше упускались. Например, что в направлении «Медицинское оборудование» 25 сделок в воронке, но динамика снижается — при растущем объеме конверсия падает. Или что VIP-сегмент дает 30% оборота при всего 5% от общего количества сделок — и рекомендует уделить ему больше внимания в маркетинге. При ручном анализе такие паттерны заметны, только если специально искать, а времени на это нет.
Результат: время на еженедельный отчет сократилось с 2–3 часов до 15 минут. Появилась возможность запрашивать актуальную картину в любой момент — перед встречей с инвестором, в ответ на запрос руководителя, в конце любого дня — а не ждать пятницы.
Сценарий 2: задачи после совещания — с часа до 10 минут
После каждой еженедельной планерки оставался протокол с 15–20 договоренностями. Кто-то из команды — чаще всего проектный менеджер — переносил все в систему: создавал задачи, составлял описания, назначал ответственных, ставил дедлайны. На перенос одного совещания уходило 40–60 минут. И это лучший сценарий — когда менеджер садился за это сразу. Если откладывал на день, детали начинали теряться.
Качество задач тоже страдало. Написать нормальное ТЗ для каждой договоренности — еще больше времени, поэтому обычно ограничивались парой слов в названии и надеялись, что исполнитель вспомнит контекст. Исполнители потом переспрашивали детали, и цепочка уточнений занимала больше времени, чем сэкономили на создании задачи.
Теперь загружаем файл с протоколом совещания и пишем запрос: «Проанализируй протокол и создай задачи на основе всех договоренностей. Назначь ответственных согласно обсуждению и поставь дедлайны». Важный момент: перед выполнением ИИ показывает превью — какие задачи планирует создать, кому назначить, какие сроки поставить. Можно проверить и скорректировать. После подтверждения — создает все задачи и присылает краткий отчет о выполненном.
Таким же образом можно работать с проектами, сделками и документами — не только с задачами. Загружаешь структурированный текст — получаешь объекты в системе.
Результат: постановка задач после совещания сократилась с часа до 5–10 минут. Качество ТЗ стало лучше — ИИ структурированно описывает каждую задачу, выделяет критерии готовности и добавляет контекст из протокола. Исполнители стали значительно меньше переспрашивать детали.
Сценарий 3: контроль 25 проектов — за четверть часа
У нас одновременно 25+ проектов в работе. Каждый понедельник старший менеджер делал «обход»: заходил в каждый проект, смотрел критический путь, искал просроченные задачи, проверял, нет ли простоя у исполнителей. На полную проверку всех проектов уходило 2–3 часа. К концу «обхода» ситуация в первых проектах уже могла измениться — данные устаревали в процессе.
Плюс постоянно что-то упускали. Особенно задачи, просроченные на несколько месяцев, но формально еще «в работе» — они не бросались в глаза, и менеджер мог пропустить такую задачу при ручном просмотре. Обнаруживали их случайно или когда клиент сам спрашивал о статусе.
Теперь один запрос: «Проанализируй все активные проекты и покажи проблемные зоны — просроченные задачи, перерасход времени, не начатые». ИИ за минуту собирает данные по всем проектам и группирует проблемы по типам.
В результате видим не просто список задач, а отфильтрованные проблемные зоны. Например, задачи, просроченные на несколько месяцев и до сих пор не начатые, — именно они чаще всего становятся причиной задержек. Сразу видно, в каких проектах накапливаются риски, и можно расставить приоритеты.
Такой подход используем не только для разового анализа, но и для регулярного контроля: быстро проверяем состояние проекта перед встречей с клиентом, находим этапы с регулярными задержками, оцениваем риск срыва сроков до того, как ситуация стала критической.
Результат: контроль всех проектов занимает 10–15 минут вместо трех часов. Реагируем на проблемы быстрее — теперь можем делать такую проверку хоть каждый день, а не раз в неделю.
Сценарий 4: поиск и управление данными
За время работы в системе накопилось 500+ задач по 25+ проектам. Найти нужное превратилось в квест. Типичная ситуация: помнишь, что была задача по тарифной матрице, назначена на Александре, но забыл точное название и в каком проекте. Начинается перебор: открываешь проекты один за другим, настраиваешь фильтры по исполнителям, ищешь по ключевым словам, которые вроде бы должны быть в названии.
Особенно болезненно при срочных изменениях. Например, сотрудник уходит в отпуск — нужно найти все его активные задачи и переназначить. Или клиент просит статус по конкретной доработке, а ты помнишь только суть обсуждения, но не точную формулировку задачи в системе.
Теперь описываем задачу в свободной форме, как объяснили бы коллеге: «На Александре Кузнецове была задача по тарифной матрице, переставь ее на Семена Озерова». ИИ находит задачу по смыслу и сразу выполняет действие — меняет исполнителя. Не нужно отдельно искать, потом отдельно заходить в задачу и менять поле.
Поиск здесь не отдельный шаг, а часть работы с данными. Найденную сущность можно сразу использовать для дальнейших действий: переназначить исполнителя, изменить статус или дедлайн, добавить комментарий.
Результат: поиск нужных данных ускорился с 10–15 минут до 1–2 минут. Появилась возможность сразу выполнять действия с найденными объектами без лишней навигации по системе.
Сценарий 5: счета — с четырех часов до 30 минут в неделю
В месяц мы выставляем 40–60 счетов, и отслеживать статус каждого вручную — трудозатратно. Раз в неделю приходилось проходить по всем: проверять, какие оплачены, какие на подходе к дедлайну, по каким нужно напомнить клиентам. При таком объеме легко что-то упустить — особенно счета на небольшие суммы или выставленные в середине месяца.
Просроченный платеж обнаруживался случайно или когда финансовый директор сам спрашивал о состоянии дебиторки. К тому моменту уже прошло несколько дней, а иногда и неделя-две. Клиенты в таких случаях объясняли задержку тем, что «ждали напоминания» — и это были клиенты, с которыми отношения были хорошими.
Теперь один запрос: «Покажи статус всех счетов за текущий месяц и выдели те, у которых истек срок оплаты». Через минуту — полная сводка. С этими данными сразу работаем: повторно отправить просроченные счета, изменить срок оплаты, создать задачу менеджеру для контроля.
Результат: контроль счетов занимает 30–40 минут в неделю вместо четырех часов. На просроченные платежи реагируем в среднем на 10 дней быстрее, чем раньше.
Что важно при работе с MCP
За время использования мы поняли: как бы хорошо ни работала технология, критическое мышление и контроль никто не отменял. Несколько правил, которые снижают риск нежелательных последствий.
- Проверяйте, к каким данным даете доступ. MCP всегда запрашивает разрешение на доступ к новым данным или на выполнение действий. Можно ответить «Да, всегда» или «Да, только в этом случае». Обдуманно подходите к постоянным разрешениям — особенно когда речь о конфиденциальной информации.
- Всегда проверяйте превью действий. Перед изменениями в системе ИИ показывает, что именно планирует сделать. Это ваша возможность проверить и скорректировать, чтобы избежать непредвиденных изменений. Этот шаг нельзя пропускать, особенно при массовых операциях.
- Проверяйте логику при сложных запросах. Когда просите переназначить все задачи с одного сотрудника на другого — внимательно смотрите на список задач в превью. Среди них могут быть такие, которые лучше передать третьему человеку или вообще закрыть.
- Контролируйте результат выполнения. После действий ИИ показывает краткий отчет: что сделал, сколько задач создал, кому назначил. Стоит пробежаться глазами — особенно при массовых операциях с большим числом объектов.
MCP — мощный инструмент, который меняет работу с данными в системе. Но финальная ответственность за результат остается за вами. Чем лучше вы понимаете, что происходит на каждом шаге, тем увереннее можно передавать ИИ новые задачи.
Какие задачи вы уже пробовали передавать ИИ? И какие сценарии оказались самыми полезными в вашей работе?
MCP меняет не только скорость отдельных операций — он меняет логику управления. Когда отчет занимает 15 минут вместо трех часов, его начинают запрашивать не раз в неделю, а по мере необходимости. Решения принимаются быстрее — и на более актуальных данных.