Возьмём обычный проект на третьей неделе: двенадцать интервью, регламенты, пара выгрузок, фото с обходов, протоколы — около сорока файлов и два десятка чатов с моделью. Всё вроде бы на месте. Но кое-что уже потерялось, и обнаружится это только тогда, когда заказчик задаст неудобный вопрос.
Пример условный, но узнаваемый. Вот что теряется первым, по порядку.
- Версия факта. Цифра простоев в презентации — из первой выгрузки, в Excel у аналитика — из второй, а в чате с моделью обсуждали третью. Все три «правильные».
- Источник. Утверждение «главная причина — запчасти» звучит в трёх документах. Кто это сказал впервые — начальник смены в интервью или модель в резюме, — уже не восстановить.
- Основание решения. Решили не трогать график ППР. Почему — помнит один человек, и он в отпуске.
- Открытый вопрос. Механик упомянул, что журнал заполняют задним числом. Вопрос записали в чат, чат утонул.
- Общий язык. «Простой» у производства и «простой» у логистики считаются по-разному, а в итоговой таблице сложены вместе.
Ни одна из этих потерь не видна в моменте. Каждая всплывает позже — на встрече с заказчиком, при смене человека в команде, при попытке повторить расчёт.
Почему ИИ здесь не спасает сам по себе
Модель отлично работает с тем, что ей дали. Но если ей дали третью версию выгрузки без пометки, она уверенно посчитает по третьей. Если основание решения нигде не записано, она его не вспомнит — она его правдоподобно придумает. Двадцать чатов не складываются в память проекта: каждый помнит только себя.
Лечится это скучно — записями, а не моделью: где живёт контекст проекта, почему приняли решение, откуда цифра и что ещё не выяснено. Как устроить такую память, я разбирал накануне в статье «Почему мы так решили в марте?». Когда записи есть, модель перестаёт быть ещё одним местом, где теряются факты, и становится тем, что помогает их найти.
Вот пример, который был у меня на подготовке тренинга: из-за слишком длинного и неправильно сжатого контекста модель как-то упустила то, что для импортозамещения клиенту важно было разобрать именно определенный продукт и, не спрашивая, предложила другой. И только перепроверяя тренинг уже на этапе подготовке коммуникации, я нашел этот баг и заставил переделать 4-5 слайдов и соответствующее упражнение. В итоге, пришлось фиксировать основные факты о клиенте и запросе в отдельном facts.md
Как это выглядит на настоящем объёме, покажу на бесплатном практикуме 31 октября: реальный обезличенный проект, где на входе было больше сотни рабочих Excel-файлов и документов и интервью с восемью функциями.
Записаться на бесплатный практикум — или в Telegram: @AI_native_reg_bot