Александр Ключников – Фокус вместо пожаров: система приоритетов для руководителя и команды (теперь с ИИ) (страница 5)
зависимости и последовательность,
баланс горизонтов (быстрые победы vs системные улучшения),
загрузку команд,
риски и узкие места.
ИИ помогает: выявить «узлы», где маленькая задача разблокирует много других.
3.7. Как ИИ уменьшает субъективность оценок (не убирая её полностью)
ИИ не делает оценки «объективными». Он делает их:
сопоставимыми (одни шкалы и определения),
обоснованными (почему такая цифра),
проверяемыми (как убедимся, что было верно).
Три приёма:
Шкалы вместо свободных чисел
Impact по шкале 0.25/0.5/1/2/3, Confidence 50/70/90, Effort диапазоном.
Аргументы рядом с числом
Каждое число должно иметь ссылку на источник: метрика, тикеты, инциденты, интервью.
Дельта-логика
Оцениваем не «величие задачи», а «разницу между сейчас и после».
3.8. Практика: как выглядит оценка одной задачи «в стиле ИИ»
Задача: убрать дополнительный шаг подтверждения при первом входе.
Reach: 20 000 новых пользователей/мес (данные регистрации)
Impact: 1 (ожидаем +2–3 п.п. активации; прошлые тесты похожих шагов)
Confidence: 70% (воронка показывает отвал, но нет A/B)
Effort: 1 person-week (фронт + бэк, без сложных зависимостей)
RICE ≈ (20 000 × 1 × 0.7) / 1 = 14 000
ИИ дополнительно формулирует:
риск: возможное падение безопасности → компенсировать альтернативной проверкой,
критерий успеха: +2 п.п. activation rate в течение 2 недель,
план проверки: A/B на 50% трафика.
3.9. Артефакт: «Карта моделей» – какую модель включать когда
Если данных мало и нужно быстро: ICE
Если есть аналитика и нужно учитывать масштаб: RICE
Если важна стоимость задержки и зависимости: WSJF
Если много техрисков: риск-скоринг + WSJF
Если задача – исследование: оценка стоимости незнания + timebox
3.10. Мини-плейбук: как внедрить модели за 2 недели (без бюрократии)
выбрать 1 модель для основного типа задач (обычно RICE или ICE),
договориться о шкалах,
привести 20–30 задач к «карточке, пригодной для ИИ»,
прогнать через ИИ ранжирование и сравнить с человеческим.
добавить слой Must-do (риски/обязательства),
ввести простую проверку портфеля (зависимости/баланс),
зафиксировать правила пересмотра (раз в спринт).
ИИ в этой схеме не «рулит». Он ускоряет, структурирует и делает систему повторяемой.
Если продолжать по серии, то (222 4) логично перейти к тому, как именно формулировать промпты и шаблоны, чтобы ИИ стабильно выдавал одинаково качественную приоритизацию (а не «раз на раз»).
Глава 4 – Промпты и шаблоны: как заставить ИИ стабильно приоритизировать, а не «угадывать»
ИИ почти всегда ошибается одинаково, когда ему дают одинаково плохой вход: расплывчатые задачи, цели «в целом», отсутствие шкал и контекста. Хорошая новость: это лечится не “более умной моделью”, а дисциплиной запроса. В этой главе – практические промпты и шаблоны, которые превращают ИИ из генератора мнений в повторяемый инструмент приоритизации.
4.1. Главный принцип: ИИ должен работать как процедура, а не как собеседник
Если вы пишете: «Расставь приоритеты», ИИ начнёт угадывать, чем вы живёте, какие у вас цели и что вы считаете важным. Он будет звучать уверенно – и это опасно.
Правильный стиль запроса: задайте правила игры:
цель периода (2–3),
критерии и шкалы,
типы задач (фича/баг/техдолг/обязательное),
ограничения по ресурсам,
формат вывода.
ИИ должен действовать как “табличный процессор с мозгом”: одинаковый вход → одинаковая логика → понятный выход.
4.2. Каркас «идеального промпта» для приоритизации
Сильный промпт обычно состоит из 7 блоков:
Роль: кем ИИ является в задаче (продукт-аналитик, портфельный менеджер, CTO).
Цели: что оптимизируем в этом периоде.
Контекст: продукт, аудитория, ограничения, сезонность, риски.
Модель: RICE/ICE/WSJF или гибрид + шкалы.
Данные: источники, период, что считать “достаточно надёжным”.
Правила: как обрабатывать неопределённость, конфликты, дубликаты.
Формат ответа: таблица, топ-N, пояснение, вопросы к уточнению.
Если вы держите этот каркас, промпты перестают быть “магией” и становятся шаблонами.