Рынок прикладного ПО для ИИ в России достиг 18,9 млрд руб. в 2025 году — это 76% всего рынка ИИ-софта, согласно обзору ComNews. Цифра абстрактная — пока не посмотришь на типичный рабочий день проектного менеджера.
Открыто четыре вкладки: таск-трекер с задачами, ChatGPT для черновиков описаний, отдельный сервис для расшифровки встреч, Google Sheets с аналитикой по загрузке команды. Каждый инструмент работает. Между ними — разрыв: контекст проекта не переходит автоматически из одного окна в другое. После встречи задачи создаются вручную. Аналитика строится на данных, которые кто-то перенёс руками. Ассистент не знает, что Иванов уже перегружен, а дедлайн у Петрова горит.
Это операционная фрагментация — конкретная потеря времени и контекста между инструментами.
В 2026 году вопрос уже не «нужен ли ИИ в управлении задачами». Нужен. Вопрос в том, где именно он встроен и что реально делает. Статья поможет разобраться, какие AI-функции в российских системах управления проектами уже работают, какие остаются маркетинговой обёрткой, и по каким критериям выбирать трекер с ассистентом — без того, чтобы тратить квартал на сравнение лендингов.
От чат-бота сбоку к ассистенту внутри системы
Три года назад «AI в таск-трекере» означало кнопку «Улучшить текст» над полем описания задачи. Сегодня это другое.
Весь рынок ПО для ИИ в России (включая инфраструктурные решения) за три года почти удвоился — с 13,5 млрд руб. в 2022 году до 25 млрд руб. в 2025-м, по данным того же обзора ComNews. Крупные вендоры систем управления проектами начали инвестировать в собственные AI-модули вместо того, чтобы предлагать «подключите GPT через API и сами разберётесь».
Что изменилось на практике: ассистент получил доступ к графу задач — он может менять статусы, назначать исполнителей, создавать задачи из внешних источников. Появилась автосуммаризация встреч с автоматическим созданием задач из протокола. Первые системы начали предлагать прогнозирование сроков на основе исторических данных проекта — пока незрелое, но уже заявленное как продуктовое направление. Параллельно российский рынок BPM-систем растёт на 15–25% ежегодно, и AI-трансформация выделена как один из трендов этого роста, по данным CNews.
Если хотите глубже разобраться в технической стороне — как именно обучить языковую модель на данных вашего проекта — есть отдельный материал: как обучить LLM-ассистента на данных компании.
Оговорка: большинство публичных заявлений об AI-функциях в российских таск-трекерах — это анонсы и дорожные карты, а не задокументированные кейсы с метриками. Разрыв между «заявлено на лендинге» и «работает в продакшне» пока велик. Критерии выбора важнее, чем список фич на сайте вендора.
Пять классов AI-функций, которые уже есть в российских таск-трекерах
Не все AI-функции одинаково меняют работу. Их можно разделить на пять классов — от тех, что экономят минуты, до тех, что меняют сам процесс. Первые три класса — зрелые, с рабочими реализациями у нескольких вендоров. Последние два — формирующиеся: заявлены, но публичных данных о точности и эффекте почти нет.
Генерация текста: описания задач, чек-листы, шаблоны
Самый распространённый класс. Есть почти у каждого вендора, потому что дёшев в разработке и хорошо выглядит на демо. Если убрать эту функцию из трекера, её заменит внешний ChatGPT за две минуты. Ценность минимальна — но именно этот класс чаще всего выносят на лендинг как «AI-ассистент».
Суммаризация встреч и извлечение задач из обсуждений
Более ценный класс, потому что работает с информацией, которая существует только в момент разговора и нигде не зафиксирована. Если её не захватить сразу — она исчезает. После встречи протокол создаётся автоматически, задачи — тоже. Разница с генерацией текста здесь в том, что ассистент обрабатывает уникальный контент, а не переформулирует то, что пользователь мог бы написать сам.
В июле 2026 года МТС Линк анонсировал AI-ассистента, который составляет список задач по итогам встречи, согласно сообщению ComNews. Функция переходит из «экспериментальной» в «ожидаемую».
Операционные действия: смена статусов, назначение исполнителей, массовые изменения
Здесь ассистент перестаёт быть генератором текста и начинает действовать внутри системы. YouGile реализовал такую модель: ассистент создаёт и редактирует задачи, меняет статусы, строит графики, принимает голосовые команды — всё через self-hosted модель без отправки данных наружу, по описанию из публикации на Habr. В реализованных сценариях ассистент выполняет действия сам, без подтверждения пользователя на каждом шаге.
Прогнозирование сроков и рисков
Самый незрелый класс. Project Lad заявляет анализ исторических данных и прогноз будущих результатов проекта. Оценить точность невозможно — публичных данных нет. Тестировать нужно на своих исторических данных: только так можно понять, насколько прогноз системы соответствует реальной динамике именно вашего проекта.
Классификация и маршрутизация входящих запросов
Ближе к ITSM, но напрямую применимо к управлению задачами: ассистент определяет тип входящего запроса, назначает приоритет и направляет нужному исполнителю. По сути это автоматизация логики матрицы Эйзенхауэра без ручного разбора. Именно здесь есть измеримые результаты — о них в следующем разделе.
Кейс «Технологии Доверия»: 100 человеко-часов в месяц на AI-классификации заявок
Это единственный публичный российский кейс с конкретными цифрами по AI в управлении потоком задач — и он из ITSM, а не из классического проектного управления.
После интеграции AI-ассистента через него проходило около 20% общего потока обращений ИТ-поддержки. Из них примерно 80% решались без участия специалиста. Итоговое снижение нагрузки — около 100 часов специалистов в месяц. Данные опубликованы в подборке кейсов на Habr.
Перенос на управление проектами возможен, но не буквален. В ITSM каждая заявка относительно изолирована: у неё есть тип, приоритет, исполнитель. В проектном управлении задачи связаны зависимостями, сроками и ресурсами — ассистент должен учитывать не только «что это за запрос», но и «как он влияет на остальные задачи в спринте». Базовый принцип — автоматическая классификация входящего потока — переносим. Входящий баг-репорт, запрос на изменение требований, вопрос от заказчика — всё это поток, который можно обрабатывать автоматически.
Полноценных публичных кейсов с ROI именно по AI в российских таск-трекерах пока нет. Вендоры анонсируют функции, но цифры эффекта остаются внутри компаний.
Почему больше AI-функций — не значит лучше
Здесь стоит притормозить перед тем, как открывать таблицу сравнения вендоров.
Команды, которые выбирают таск-трекер по количеству AI-функций, часто получают инструмент с длинным списком возможностей — и нулевым использованием большинства из них через три месяца. Причина не в лени команды. Причина в том, что функции не встроены в реальный рабочий процесс.
On-premise остаётся доминирующей моделью поставки AI-ПО в России — 62,3% рынка. Для многих компаний это означает, что облачный ассистент с десятком функций просто недоступен по требованиям безопасности. Одна функция, которая работает в контуре компании, ценнее десяти, которые требуют отправки данных на внешние серверы.
Есть и другой угол. Вендоры добавляют генерацию описаний задач, потому что это дёшево в разработке и красиво выглядит на лендинге. Проектному менеджеру не нужен красивый текст задачи. Ему нужно понимать, кто перегружен, где срыв сроков и какие зависимости горят прямо сейчас.
Антон Бевзюк, руководитель продуктовой разработки и автор публикаций на Habr о практике внедрения AI в проектные процессы, формулирует это так: «ИИ уже забирает часть рутины — расшифровку встреч, заполнение карточек, сводки. Управлять проектами вместо человека он не умеет. И не должен». Для зрелых команд с выстроенными процессами генерация описаний задач — шум, а не помощь. Им нужна аналитика загрузки, прогноз срыва дедлайна, автоматическая маршрутизация входящих.
Из опыта работы с командами Shtab: самый частый запрос — не «дайте нам больше AI-функций», а «сделайте так, чтобы ассистент знал контекст нашего проекта, а не требовал каждый раз объяснять с нуля».
Глубина интеграции важнее ширины функционала.
Семь критериев выбора таск-трекера с AI-ассистентом
Чек-лист для руководителя, который хочет принять решение за неделю, а не за квартал. Если нужны критерии шире — смотрите расширенный чек-лист выбора системы управления проектами из 27 критериев.
1. Где обрабатываются данные: облако, on-premise или гибрид?
Это первый фильтр, а не последний. Для компаний с требованиями к локализации данных или работающих с государственными заказчиками облачный ассистент может быть просто недоступен. YouGile предлагает self-hosted модель, где данные не покидают контур компании. Одна команда из финтеха потратила шесть недель на оценку облачного продукта, прежде чем ИБ-отдел отклонил его по требованиям 152-ФЗ. Проверяйте модель развёртывания до демо, а не после.
2. Ассистент действует или только советует?
Ассистент, который только пишет описания задач, заменяется внешним ChatGPT. Ассистент, который меняет статусы, назначает исполнителей и создаёт задачи из протокола встречи — уже нет. Спрашивайте вендора конкретно: что ассистент делает сам, без участия пользователя? Попросите показать сценарий, где ассистент выполняет цепочку из трёх действий подряд — создаёт задачу, назначает исполнителя, ставит срок. Если может только одно из трёх, это генератор текста с косметическими дополнениями.
3. Работает ли ассистент с контекстом проекта?
Знает ли он о текущих задачах, сроках, загрузке команды — или это обёртка над языковой моделью, которой нужно каждый раз объяснять ситуацию заново? Простой тест: спросите ассистента «кто сейчас перегружен?» без дополнительных пояснений. Если он не может ответить — контекста у него нет.
4. Есть ли прогнозирование и аналитика?
Пока незрелый класс функций в российских системах, но именно он создаёт ценность для проектного менеджера — не экономию минут на описании, а предотвращение срыва проекта. Если вендор заявляет прогнозирование — попросите показать на исторических данных вашего проекта, насколько прогноз совпадает с реальностью.
5. Сколько реально стоит AI с учётом скрытых расходов?
AI-функции могут быть включены в базовый тариф, продаваться отдельным модулем или тарифицироваться по токенам. Считайте полную стоимость владения: базовый тариф + стоимость AI-модуля + стоимость токенов при реальном объёме использования + стоимость развёртывания (для on-premise). Скрытые расходы способны удвоить цену, которую вы видите на лендинге.
6. Заменяет ли система связку «трекер + отдельный AI-сервис»?
Если ассистент встроен и работает с данными системы, отдельный ChatGPT для описаний, отдельный сервис для протоколов встреч и отдельная аналитика в таблицах — уже не нужны. В Shtab задачи, цели компании и отчёты по загрузке находятся в одном контуре. Для AI-ассистента это означает, что он видит полную картину: кто чем занят, какие цели стоят, где зависимости. Внешний GPT этого не знает — ему каждый раз нужно объяснять контекст с нуля.
7. Функция работает или анонсирована?
Проверяйте: есть ли документация на AI-функции, можно ли протестировать на реальных данных до покупки, есть ли независимые отзывы пользователей. Если вендор не может предоставить ни документацию, ни тестовый доступ — функция скорее в бета-версии. YouGile публикует подробные описания работы ассистента на Habr с конкретными сценариями. Digital Q.PM описывает AI-модуль в контексте enterprise-процессов. Зрелость продукта видна по готовности вендора показать его в деле.
Какие российские таск-трекеры уже предлагают AI-ассистентов: карта рынка
Кто уже выпустил рабочий AI-ассистент, кто анонсировал, а кто пока ограничивается интеграцией с внешними LLM. Для каждого вендора указан класс AI-функций из раздела выше.
Дисклеймер: Shtab — наш продукт. Остальные системы описаны на основе публичных источников.
Работает в продакшне
Shtab — задачи, цели компании (OKR/KPI) и отчётность по загрузке находятся в одном контуре. На текущий момент реализована генерация описаний задач и суммаризация обсуждений. В ближайших релизах — операционные действия и аналитика загрузки. Архитектура единого пространства даёт ассистенту доступ к полному контексту проекта — от стратегических целей до конкретной задачи в спринте. Подробнее о возможностях — на странице тарифов Shtab.
YouGile — рабочий встроенный AI-ассистент среди российских таск-трекеров с публичной документацией и описанными сценариями. Классы функций: операционные действия + генерация текста. Ассистент работает через self-hosted модель, данные не уходят на внешние серверы. Подходит командам с требованиями к безопасности и потребностью в голосовом управлении задачами.
Digital Q.PM (Диасофт) — enterprise-уровень. Классы функций: операционные действия в управленческих сценариях. Рассчитан на крупные организации с интеграцией в финансовое и портфельное управление. Публичных метрик эффекта нет — кейсы нужно запрашивать у вендора напрямую. Источник: Habr.
Kaiten — в дорожной карте на 2026 год заявлены AI-ассистент в чате, транскрибация встреч и поддержка через MCP. Функции анонсированы, не выпущены. Источник: kaiten.ru/roadmap-2026.
Анонсировано
PM.planner (PMSoft) — в августе 2026 года анонсирован AI-помощник для управления проектами, согласно РБК Компании. Пока без ROI-данных и публичных отзывов.
Узкая ниша или смежный сегмент
ПМ Форсайт 3.0 — класс функций: онбординг и подсказки по бизнес-задачам. Фокус не на операционных действиях, а на помощи пользователю в освоении продукта. Подробнее на ai.pmpractice.ru.
Project Lad — класс функций: прогнозирование сроков и ресурсов. Публичных кейсов с цифрами точности прогнозов нет.
MWS DevRails (МТС) — AI-трекер задач в составе платформы для разработчиков. Заявлена автоматизация до 50% рутинных задач и генерация до 30% кода. Рассчитан на инженерные команды, а не на проектное управление в широком смысле. Источник: Telecompaper.
Сравнивать продукты стоит по двум осям: встроенный ассистент против внешней интеграции и генерация текста против операционных действий. Модель развёртывания (облако / on-premise) — это не ось сравнения, а фильтр: если on-premise обязателен, половина вариантов отпадает сразу.
Встроенный ассистент против связки «трекер + отдельный AI-сервис»: регуляторный контекст
Государство приоритизирует применение ИИ в документообороте и риск-менеджменте, согласно обзору Library of Congress. Для компаний, работающих с государственными заказчиками или в регулируемых отраслях, требования 152-ФЗ и приказов ФСТЭК фактически закрывают облачные AI-сервисы с зарубежной инфраструктурой.
Встроенный ассистент в российской системе с on-premise развёртыванием закрывает этот вопрос на уровне архитектуры. Не «мы надеемся, что ИБ-отдел не заметит», а «данные физически не покидают контур».
Shtab изначально строился как единое пространство, где стратегические цели связаны с задачами и загрузкой команды. Для AI-ассистента это означает доступ к полному контексту — от OKR до конкретной задачи в спринте — без необходимости объяснять систему заново при каждом запросе.
Как протестировать AI-ассистент до покупки
Практический план для руководителя, который хочет проверить AI-функции на реальных данных, а не верить лендингу.
Шаг 1. Сформулировать рутинные сценарии своей команды.
Не абстрактное «хочу AI», а конкретное: «каждый понедельник трачу 40 минут на сводку по статусам задач», «после каждой встречи вручную создаю 5–8 задач из протокола», «не вижу, кто перегружен, пока не спрошу лично». Записать эти сценарии — они станут критериями теста.
Ещё один сценарий, который часто забывают: «сколько времени уходит на объяснение контекста проекта новому инструменту или коллеге». Если ассистент требует такого же онбординга, он не экономит время, а перераспределяет его.
Если ассистент не закрывает хотя бы два сценария из вашего списка, он не решает вашу задачу.
Шаг 2. Запросить у вендора демо именно на этих сценариях.
Не общую презентацию «вот наш AI умеет», а конкретную проверку: загрузить реальные задачи, провести тестовую встречу, попросить ассистента сделать сводку по загрузке команды. Если вендор не может показать это на демо — функция скорее не дозрела до стабильного продукта.
Шаг 3. Посчитать экономику замены.
Сложить текущие расходы: подписка на таск-трекер + подписка на AI-сервис + подписка на сервис протоколов + время на ручной перенос данных между ними (в часах, умноженных на ставку). Сравнить с тарифом системы, где ассистент встроен. Связка «бесплатный трекер + бесплатный ChatGPT + бесплатный сервис протоколов» при ставке проектного менеджера 3000 руб./час и 30 минутах ежедневного переключения контекста обходится в ~45 000 руб./мес. только на потерянном времени — без учёта ошибок из-за ручного переноса данных.
Шаг 4. Проверить на реальном спринте.
Не верьте демо целиком. Возьмите тестовый период (у большинства вендоров — 14 дней) и проведите один полный спринт с ассистентом. Замерьте: сколько задач создано автоматически, сколько ручных действий исчезло, сколько раз ассистент ошибся. Только живой спринт покажет, работает ли функция в вашем процессе.
Начните с двух-трёх конкретных сценариев из шага 1 и запросите демо у вендоров из карты рынка. Это займёт меньше времени, чем ещё один месяц с четырьмя открытыми вкладками. Если ваша команда работает в Shtab — посмотрите текущие тарифы и проверьте, какие AI-функции уже доступны на вашем плане.
