Тарун Мандхана, руководитель отдела продуктовой инженерии в Atlassian, представляет стратегическое видение того, как искусственный интеллект трансформирует фундаментальные процессы командной работы. На примере интеграции ИИ в такие продукты, как Jira, Confluence и Trello, он раскрывает переход от простых чат-ботов к глубоко контекстуальным «виртуальным напарникам», способным радикально ускорить рост бизнеса и продуктивность сотрудников.
🤖 Роль ИИ в современной экосистеме распределенной работы 0:14
Тарун Мандхана подчеркивает, что текущий бум ИИ не случился внезапно, однако появление больших языковых моделей (LLM) и генеративного ИИ знаменует технологический сдвиг, сопоставимый по масштабу с изобретением интернета и мобильной революцией . Этот процесс совпадает с фундаментальным изменением формата труда: мир перешел в эру распределенной, удаленной и гибридной работы.
В таких условиях поиск информации становится главной «головной болью» команд. Мандхана утверждает, что ИИ должен проектироваться не просто для помощи отдельным пользователям, а для улучшения взаимодействия внутри коллектива . Atlassian видит свою миссию в раскрытии потенциала команд через ИИ-инструменты, которые понимают контекст совместной деятельности.
Ключевым инструментом компании стал Atlassian Intelligence — виртуальный участник команды, интегрированный во всю линейку продуктов . Система использует как внешние модели (например, от OpenAI), так и собственные разработки компании. Главным преимуществом Atlassian гость называет Teamwork Graph — граф командной работы, накопленный за 20 лет . Он позволяет ИИ понимать:
- связи между людьми и проектами;
- текущее состояние задач в Jira, Trello, а также в сторонних инструментах вроде Figma или Slack ;
- соответствие работы высокоуровневым целям бизнеса.
🔍 Три столпа трансформации командной работы 4:41
Мандхана выделяет три критические области, где генеративный ИИ принесет наибольшую пользу в ближайшее время.
1. Поиск бизнес-контекста
По мнению эксперта, традиционный поиск по ключевым словам устарел. Эволюция поиска проходит три стадии:
- Качественный поиск по данным: Использование готовых облачных блоков и семантического поиска для быстрого нахождения релевантной информации .
- Системы «Вопрос-Ответ» (Q&A): Переход от ввода тегов к естественному языку. ИИ анализирует вопрос, подбирает нужные ключевые слова для поиска в базе, изучает результаты и формулирует связный ответ .
- Многошаговые диалоги: Возможность вести уточняющую беседу с данными, сохраняя историю контекста, что позволяет пользователю докапываться до сути проблемы в режиме чата .
2. Проектное планирование
Второй важный аспект — превращение неструктурированных брейнштормов в четкие планы. Тарун Мандхана приводит пример: после совещания ИИ может автоматически синтезировать заметки, выделить принятые решения и создать задачи в Work Management инструментах .
- ИИ способен предлагать ответственных за задачи на основе графа совместной работы .
- В инженерной практике ИИ может писать черновики «посмертных» отчетов (post-mortems) после инцидентов, превращая обсуждение в конкретные тикеты в Jira .
3. Отслеживание и ускорение темпа работ
ИИ выступает в роли «ускорителя», помогая быстрее входить в рабочий ритм:
- Суммаризация пропущенного: После отпуска ИИ может подготовить сводку по всем каналам связи (почта, чаты, задачи), выделив ключевой прогресс по проекту .
- Передача дел (handoffs): При передаче тикета от одного агента поддержки другому ИИ кратко излагает всю предысторию проблемы и уже принятые меры .
- Устранение блокировок: Лидеры команд могут быстрее находить «узкие места» в разработке, не перечитывая сотни PR в GitHub или страниц в Confluence, а просто спросив агента о текущих заторах .
🚀 Практические советы по разработке ИИ-продуктов 11:55
Основываясь на опыте запуска Atlassian Intelligence, Тарун Мандхана дает пять рекомендаций для инженерных и продуктовых команд:
- Начинайте с проблемы пользователя, а не с технологий. Не стоит внедрять ИИ ради самого ИИ. Сфокусируйтесь на том, как технология сделает процесс быстрее или приятнее .
- Оптимизируйте скорость сборки. В Atlassian сначала использовали универсальные LLM с промпт-инжинирингом (few-shot prompting), чтобы быстро запустить продукт в тест, и лишь затем перешли к тонкой настройке (fine-tuning) собственных моделей для оптимизации стоимости и качества .
- Получайте фидбек как можно раньше. Программа раннего доступа (Beta) помогла Atlassian собрать идеи от сотен активных пользователей еще до официального релиза .
- Используйте уникальные данные. Простая «обертка» над GPT-4 не создает долгосрочного преимущества. Дифференциация продукта возможна только на основе данных, которых нет в публичном доступе .
- Развивайте технологии ответственно. Тарун подчеркивает, что ИИ не нейтрален. В Atlassian каждый инженер заполняет специальный чек-лист по этике и безопасности перед началом работы над ИИ-фичей .
🛡️ Безопасность и этика: три измерения контроля 14:41
Мандхана считает критически важным внедрение принципов ответственной технологии. Он выделяет три столпа:
- Тестирование: Необходимо создавать представительные наборы тестов и прорабатывать сценарии наихудшего использования (exploitation) .
- Человеческий фактор: Поскольку точность LLM никогда не будет 100%, в интерфейс должны быть встроены механизмы обратной связи (например, кнопки «палец вверх/вниз») .
- Конфиденциальность: Нужно четко понимать, как сторонние поставщики LLM обрабатывают и хранят ваши данные .
В завершение Тарун Мандхана отмечает, что мы находимся лишь на «первой волне» изменений. Хотя предсказать облик второй волны трудно, он уверен, что ИИ кардинально изменит понятие продуктивности и командного взаимодействия в ближайшие годы .
