Habr AI explicó por qué ChatGPT no debería redactar la especificación técnica de una empresa para la implementación de AI

Соблазн поручить ИИ не только внедрение ИИ, но и подготовку технического задания выглядит логично: быстро, дешево и без долгих интервью. Но именно на этом шаге бизнес часто получает красивый документ, который плохо связан с реальной задачей, процессами и ограничениями команды.

Почему шаблон не работает

Когда руководитель или заказчик просит ChatGPT написать ТЗ на внедрение ИИ, модель обычно собирает правдоподобный универсальный шаблон. В нем много правильных слов: анализ данных, подбор модели, безопасность, интеграция, метрики качества. Проблема в том, что такой текст строится по вероятности, а не по знанию конкретной компании.

Он не знает, как устроены согласования, где лежат данные, кто отвечает за поддержку и какие решения уже не прижились внутри бизнеса. Из-за этого документ может выглядеть зрелым, но оставаться пустым на уровне исполнения. В нем часто нет приоритетов, границ проекта, критериев приемки и описания исключений.

Еще хуже, если ТЗ составлено человеком, который сам не до конца понимает предметную область, а ИИ лишь аккуратно упаковывает эти пробелы в официальный стиль. На выходе получается не инженерный документ, а убедительная имитация. Это опасно уже на старте проекта.

Какие проблемы всплывают В материале разбирается, что ИИ-генерация

особенно опасна именно для проектов по внедрению ИИ. Здесь слишком много зависимостей: качество исходных данных, юридические ограничения, стоимость инфраструктуры, интеграции с внутренними системами, требования к объяснимости результата. Универсальный текст почти неизбежно сглаживает эти острые углы и создает иллюзию, что задача уже формализована. А значит, реальные риски проекта всплывают слишком поздно, когда деньги уже потрачены частично.

• Формулировки остаются слишком общими и допускают десятки трактовок Требования к данным и их качеству описываются поверхностно Метрики успеха подменяются абстрактными KPI без привязки к бизнесу Сроки и бюджет выглядят реалистично только на бумаге Сравнение подрядчиков по такому ТЗ искажает картину, потому что все отвечают на размытый запрос Это бьет не только по этапу выбора исполнителя. Если разослать слабое ТЗ нескольким командам и потом еще попросить ИИ оценить их предложения, ошибка масштабируется. Система будет сопоставлять ответы с таким же поверхностным шаблоном и поощрять тех, кто лучше попал в формальные слова, а не тех, кто глубже понял проблему. В итоге можно выбрать подрядчика с красивой презентацией и слабой архитектурой.

Где ИИ полезен Это не означает, что ИИ нужно убрать из процесса подготовки ТЗ.

Полезная роль у него есть, но она вспомогательная. Модель можно использовать для структурирования уже собранной информации: превратить интервью с заказчиком в черновик разделов, предложить список уточняющих вопросов, помочь проверить логические дыры, привести термины к одному стилю. То есть ИИ хорош там, где нужен ускоритель редакторской и аналитической работы, а не заменитель обследования проекта. Рабочий подход выглядит так: сначала команда вручную фиксирует бизнес-цель, текущий процесс, ограничения, доступные данные, владельцев решения и критерии результата. Затем ИИ помогает привести это в понятную форму, но не подменяет экспертизу предметников, аналитиков и технического лидера. Чем дороже ошибка внедрения, тем опаснее доверять модели формулировку исходных требований без человеческой проверки. И только после этого отдает текст модели на доработку и редактуру.

Что это значит

Главный вывод простой: ИИ может ускорить подготовку ТЗ, но не способен сам достоверно определить, что именно нужно внедрять и как это будет работать внутри конкретной организации. Если использовать модель как автора требований, бизнес рискует купить не решение, а красиво оформленную неопределенность. Особенно в проектах, где потом придется менять процессы, бюджет и ответственность людей. Именно это делает такие документы особенно дорогими.