Первый ИИ-проект, который я вёл, развалился на третьей неделе. Не модель подвела. Подвело моё расписание: я разложил задачи по спринтам так, будто мы собираем очередной лендинг. Четыре недели ушли на выяснение простого: какие данные у клиента есть и можно ли их трогать.
С тех пор я объясняю одно и то же. Особенность роли менеджера ИИ-проекта не в том, что он глубже всех знает нейросети. И не в умении писать промпты. Особенность в другом: он управляет работой без готового ответа в конце. И продолжает отвечать за результат бюджетом и репутацией.
Ответственность за результат, которого ещё не существует
Эксперты Atlassian в своём исследовании подчёркивают: эффективный менеджер проектов берёт на себя полную ответственность за успех, от планирования и координации команды до управления рисками и общения с клиентами. В ИИ-проектах эта формулировка бьёт больнее.
В обычном проекте ты обещаешь функцию. Кнопка будет, отчёт сформируется, интеграция заработает. В ИИ-проекте ты обещаешь вероятность. «Модель будет отвечать корректно в 92% случаев» звучит для заказчика как «работает». Для тебя это «8% ошибок, и часть из них будет выглядеть абсолютно убедительно».
Переводить одно в другое приходится вручную, в разговорах, а не в отчётах. И делать это нужно постоянно: ожидание живёт своей жизнью и растёт между встречами.
Восемьдесят процентов времени уходит на людей, а не на модели
Управляющий партнёр ГК «Проектная практика» Алексей Полковников оценивает: около 80% рабочего времени менеджер взаимодействует с людьми. Исполнители, заказчик, заинтересованные стороны. Понимание их мотивации и скрытых интересов пока плохо поддаётся автоматизации.
В ИИ-проекте это заметно сильнее. В одной комнате сидят четыре человека с разными целями. ML-инженеру нужна красивая метрика на валидации. Бизнесу нужна экономия на поддержке. Юристу нужно, чтобы ничего не утекло. Продакту нужно демо в пятницу.
Менеджер здесь работает переводчиком. Инженеру он объясняет, что 96% точности на тесте не спасут, если в реальных диалогах модель отвечает на другой вопрос. Бизнесу - что «просто возьмём модель получше» стоит денег и времени. С юристом договаривается об обезличивании данных, потому что из воздуха они не появляются.
Ты не регулировщик задач, а человек, который решает, что важнее
Есть точная формулировка: менеджеры проектов не регулировщики задач. Они решают, какая работа важнее всего, в каком порядке и почему.
В ИИ-проектах это решение принимается под давлением бесконечного соблазна. Всегда есть модель новее. Всегда есть промпт на ещё два процента. Всегда есть способ пересобрать датасет и попробовать снова.
Проект без менеджера с правом сказать «стоп» уходит в бесконечный тюнинг. На Reddit менеджеры ИИ-проектов описывают ровно эту ловушку: команда полгода доводит метрику с 88% до 91%, а заказчик так и не видит работающего продукта.
Менеджер ИИ-проекта определяет порог достаточности. Заранее, письменно, с заказчиком. Потом спорить бесполезно: 91% всегда будет выглядеть недостаточно на фоне чужого демо в твиттере.
Техническая грамотность без права писать код
Быть дата-саентистом не нужно. Нужно понимать, где именно врёт модель и почему.
Практический минимум: понимать разницу между метрикой на тесте и поведением в проде. Знать, откуда взялись данные и кто за них отвечает. Представлять, во сколько обходится инференс при вашем объёме запросов. Последний пункт убивает больше ИИ-проектов, чем плохое качество.
Пример из практики. Чат-поддержка, 40 тысяч диалогов в месяц, средний диалог шесть реплик. На валидации модель показывает отличное качество. Потом считаем токены и понимаем: экономика уходит в минус на втором месяце. Спасает не «модель получше», а нормальный роутинг. Простые запросы на дешёвой модели, сложные на флагманской.
Такие вещи менеджер обязан видеть раньше, чем они станут проблемой. Иначе он не управляет проектом, а пересылает статусы.
Команда собирается под задачу, а не под модный стек
Соблазн собрать «полноценную ИИ-команду» велик: ML-инженер, дата-инженер, MLOps, исследователь. На практике половина проектов на старте этого не требует.
Менеджер ИИ-проекта начинает с вопроса, что вообще нужно получить. Задача решается вызовом готовой модели через API, нормальным промптом и парой проверок? Тогда три месяца найма и построения инфраструктуры - выброшенные деньги. Нужно дообучение на закрытых данных? Разговор другой.
Разница в цене между этими сценариями измеряется десятками раз. И определяется она не инженером, а менеджером, который задал правильный вопрос до начала работ.
Метрика успеха формулируется до старта, и она не про модель
Accuracy 0,94 никого в бизнесе не вдохновляет. Вдохновляет сокращение времени ответа поддержки с 12 часов до 40 минут или рост конверсии в заявку на 6%.
Менеджер ИИ-проекта переводит техническое качество в бизнес-эффект заранее, до первой строчки кода. Иначе в конце выяснится, что модель отличная, а проект никто не считает успешным.
Метрику нужно мерить на реальных данных, а не на отложенной выборке, собранной вручную. Иначе получится классика: на тесте 95%, в проде 60%. В тесте не было опечаток и злых клиентов.
Управление ожиданиями съедает половину рабочего времени
Демо прошло блестяще. Все в восторге: видели пять заранее подготовленных сценариев. Через месяц приходит сообщение: «а почему он отвечает не как ChatGPT».
Разрыв между демо и продуктом огромен. В демо нет пустых запросов, оскорблений, опечаток, трёх тем в одном сообщении и клиентов, которые пишут в 3 часа ночи. Продукт живёт именно там.
Задача менеджера ИИ-проекта - провести заказчика через этот разрыв без потери доверия. Показать сырое раньше, чем красивое. Собрать список реальных провалов и разобрать их вместе с командой. Зафиксировать, что считается хорошим ответом, а что нет, до начала споров о качестве.
Мне помогает простой приём: каждую неделю отправляю заказчику три реальных диалога, где модель ошиблась, и три, где справилась. Без прикрас. Это снимает половину будущих претензий: человек видит систему, а не витрину.

Риски, которых нет в обычных проектах
Классический треугольник «сроки, бюджет, качество» никуда не девается. Но в ИИ к нему добавляется несколько слоёв, и часть из них менеджер закрывает лично.
- Данные. Откуда взялись, есть ли права на использование, что с персональными данными, можно ли обучать на этом.
- Стоимость инференса. Она плавает вместе с объёмом, и рост нагрузки легко превращает успешный проект в убыточный.
- Деградация качества. Модель обновилась, промпт перестал работать, поведение изменилось. Это происходит без предупреждения.
- Регуляторика. Требования к маркировке ИИ-контента и работе с персональными данными меняются быстрее, чем успевает выйти релиз.
- Репутация. Одна галлюцинация в публичном канале стоит дороже, чем месяц разработки.
Каждый пункт требует не героизма, а регламента. Кто отвечает, что делаем при инциденте, куда пишем. В обычных проектах это скучная формальность. В ИИ-проектах - то, что позволяет спать ночью.
ИИ не заменит менеджера, но изменит его работу
Исследования OpenAI и Anthropic показывают: значительная часть задач менеджера поддаётся автоматизации. Паника в профессии понятная, я видел её вживую.
Автоматизируется не роль целиком, а её рутинная часть. Сбор требований в структуру, черновики отчётов, сводки по встречам, первичный анализ обратной связи. Всё, где нужно читать, сравнивать и оформлять.
Остаётся то, что плохо алгоритмизируется. Глубинные интервью. Разрешение конфликта между инженером и продактом. Разговор с заказчиком, у которого проект третий месяц не даёт результата. Мотивация людей, когда техническая часть буксует.
Полковников прямо говорит: нестандартные вопросы вроде конфликтов интересов, поиска дополнительной информации, управления ожиданиями и мотивации инженеров останутся у человека. Технологии подойдут для другой части задач.
Парадокс в другом. ИИ забирает рутину, но оставляет ответственность. Ответственности становится больше на единицу времени, потому что рутины меньше. Роль не упрощается, она концентрируется.
Рабочий инструмент менеджера ИИ-проекта
Отдельная боль, знакомая всем, кто работает в России: доступ к моделям. Заказчику нужно сравнить три варианта ответа, инженеру нужен быстрый прогон гипотезы. А ты сидишь и думаешь, как оплатить подписку без иностранной карты и не нарушить ничего внутри компании.
Chat GPT 6 и the model 5 за 149₽ в России, без иностранных карт - запустили 3GPT от 3SELLER. 3GPT даёт прямой доступ к флагманским моделям: Chat GPT 6 Astra, the model 5, the model 5.1, the model 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений и генерация видео. Пополнение баланса российской картой, через СБП или криптой.
Для менеджера это ровно то, что нужно: одна точка входа вместо десяти подписок. Сравнить две модели на одном промпте можно за пять минут, не заводя тикет в ИТ-отдел.

Отдельно про готовых ИИ-агентов. Там собраны сценарии под конкретные задачи, а модель внутри агента меняется прямо в чате. Удобно проверить за пять минут, тянет ли задача агентный подход или нужен полноценный пайплайн с разработкой. Прототип вместо недели на согласование.
Картинки и визуал для презентаций заказчику я генерирую через 3GPT Image. Создавайте реалистичные фотографии через лучшие ИИ-инструменты. Иногда быстрее показать три сгенерированных варианта обложки, чем объяснять на словах, чего хочется.


Как выглядит нормальный день
Утро начинается не с моделей. С цифр: сколько диалогов, какой процент эскалаций, что сломалось за ночь.
Дальше встреча с заказчиком. Показываю реальные логи, включая провалы. Договариваемся о критериях приёмки на следующий этап.
Потом спор с инженером про датасет. Он хочет добавить ещё десять тысяч примеров. Я хочу понять, что именно они изменят в метрике, важной для бизнеса.
Ближе к вечеру быстрый прогон промпта в 3GPT, чтобы не дёргать команду по мелочи. Если гипотеза подтвердилась, оформляю задачу с конкретным примером. Если нет, закрываю и иду дальше.
Ни один из этих шагов не про нейросети в чистом виде. Все они про то, чтобы решение принималось быстро и на фактах.
Сильный менеджер ИИ-проекта умеет говорить «нет»
Нет новой модели, когда текущая закрывает задачу. Нет ещё одному месяцу исследований, когда заказчик не видел работающего прототипа. Нет расширению скоупа, которое выглядит как «а давайте ещё вот это попробуем».
И одновременно умеет говорить «да» быстрым проверкам. В ИИ-проектах цена ошибки в гипотезе низкая, а цена медленного решения высокая. Менеджер, который согласовывает эксперимент две недели, обходится дороже, чем сам эксперимент.
Вот в этом и есть главная особенность роли. Ты управляешь не задачами и не моделями. Ты управляешь неопределённостью, переводишь её в решения и держишь за эти решения ответ.
Начать проще, чем кажется. Возьмите один реальный процесс из своей работы и прогоните его через 3GPT. Не для того, чтобы заменить команду, а чтобы понять, где именно ИИ помогает, а где создаёт новую работу для вас.