Анализ рисков проекта на основе «выученных уроков»

Успех проекта во многом зависит от способности команды заблаговременно распознать потенциальные угрозы и выстроить адекватную стратегию реагирования. Риски различаются в зависимости от отрасли, масштаба и специфики предприятия: в IT – это, прежде всего, технические и кадровые неопределённости, в строительстве – логистические и нормативные, в производстве – технологические и поставочные. Их выявление требует экспертных знаний и затрат времени. Пренебрежение этим этапом чревато задержками, перерасходом бюджета и даже провалом проекта. Поэтому анализ рисков на этапе запуска – стратегическая необходимость.

Современные нейросетевые технологии позволяют автоматизировать и ускорить процесс идентификации рисков. Для эффективной работы ИИ-модели на предприятии необходимо создать и постоянно пополнять «библиотеку выученных уроков». В ней должна содержаться информация о причинах рисков, последствиях к которым это привело и мерам реагирования. Эта библиотека становится «базой данных типовых рисков» и служит нейросети для принятия обоснованных решений.

Пример процесса анализа рисков проекта

1. Руководитель проекта в системе ADVANTA на этапе создания проекта инициирует сценарий «Анализ рисков».
2. ИИ-помощник автоматически анализирует доступную информацию о проекте (название, описание, техническое задание) и сопоставляет данные с базой «типовых рисков». На основе этого сопоставления ИИ выявляет наиболее вероятные угрозы, характерные для подобных инициатив.
3. В результате в системе ADVANTA автоматически создаются объекты типа «Риск», содержащие сведения о потенциальной угрозе, возможные последствия, рекомендации по предотвращению или снижению воздействия.

В итоге, руководитель проекта получает готовый стартовый реестр рисков, который можно использовать для планирования и коммуникации со стейкхолдерами. Такой подход не заменяет человеческую экспертизу, но значительно усиливает её, позволяя командам сосредоточиться на принятии решений, а не на рутинном поиске угроз. В итоге проект стартует не «вслепую», а с чётким пониманием возможных вызовов и готовым планом действий.

• ИИ-помощник работает на основе модуля «Цифровой помощник» («модуль триггеров»).
• В процессе генерации состава проекта ИИ-помощник обращается к языковой модели (LLM). Можно использовать как облачные, так и локально развёрнутые нейросети, включая GigaChat, YandexGPT, Qwen, DeepSeek, GPT-OSS и другие.
• Качество результата зависит от возможностей языковой модели – её обученности, поддержки предметной области и языковых особенностей. На практике наилучшие результаты демонстрируют современные крупные модели, например, Pro-версии GigaChat и YandexGPT.