Problem-solving: как решать стратегические задачи с помощью искусственного интеллекта

Решение стратегических задач — один из важнейших навыков для лидеров. Согласно отчету WEF Future of Jobs Report 2025, ключевыми навыками к 2030 году станут (среди прочих) умение работать с ИИ и аналитическое мышление. Именно поэтому я решила попробовать совместить эти точки и пройтись по problem-solving cycle. В этой статье я попытаюсь рассказать, как с помощью подробных руководств, рабочих процессов и подсказок в области AI вы можете сэкономить часы работы и оптимизировать бизнес-процессы.

В поддержку вышесказанному – скриншот из исследования WEF Future of Jobs Report 2025.

Как подходят к решению проблем в консалтинге

Основными подходами к решению задач являются гипотезно-ориентированный и проблемно-ориентированный. Можно также применять дизайн-мышление. Первый шаг – это всегда определение проблемы. Этой теме я посвятила ряд статей, но для текущего эксперимента упрощу контур работ и буду далее его придерживаться, общаясь с ChatGPT:

• В чем заключается проблема?
• Кто несет за нее ответственность?
• Как поймем, что проблема решена?
• Какие есть ограничения? (время, ресурсы, навыки и т. д.)
• Кто заинтересован в решении и какие у них ожидания?

Далее необходимо разбить проблему на составляющие. Если у вас есть потенциальное решение, попробуйте его проверить, сформулировав гипотезы и подтвердив или опровергнув их. Если решения пока нет, разделите проблему на меньшие вопросы или подпроблемы. После этого нужно приоритизировать задачи и провести необходимые исследования, определив ключевые направления, которые требуют глубокого анализа или экспериментов. Затем синтезируются выводы, и выберается лучшее решение. Последний шаг – это внедрение изменений.

Этот процесс является итеративным. Если решение не дает ожидаемых результатов, необходимо вернуться к декомпозиции проблемы и найти новый подход.

Для визуализации вышеописанного подходит процесс дизайн-мышления.

Использование ИИ для упрощения процесса

Большинство людей испытывают трудности с решением проблем, потому что не тратят достаточно времени на их понимание. Консультанты же используют структурированные подходы для четкой формулировки задачи.

ИИ может автоматизировать этот процесс с помощью правильно составленных подсказок (prompts). GPT-4o может задавать вам вопросы так же, как это делает консультант.

Шаг 1. Как работать с GPT-4o в режиме Canvas

1. Откройте GPT-4o с Canvas
2. Выберите нужную модель в выпадающем меню в левом верхнем углу (для этого нужен премиум-доступ OpenAI)

Далее предлагаю рассмотреть, как эффективно взаимодействовать с ИИ-консультантом для решения стратегических задач. Нужно выбрать «Холст» (в платной расширенной версии).

Шаг 2. Вставьте начальный запрос (prompt)

Используйте следующий prompt для эффективного взаимодействия с GPT-4o в режиме Canvas:

Ты – эксперт по решению проблем и ведущий стратегический консультант.
Ты помогаешь пользователям четко сформулировать проблему и найти варианты ее решения. Ты задаешь один вопрос за другим, чтобы глубже понять ситуацию.

Процедура работы:
1. Понимание проблемы (до тех пор, пока я не скажу «продолжить» или пока не будет достаточно информации), ты задаешь вопросы для уточнения:
Какова разница между текущим состоянием и желаемым?
Почему возникает проблема и каковы ее возможные коренные причины?
Почему проблему нужно решать именно сейчас?
Ты задаешь по одному вопросу за раз.

2. Определение владельца проблемы (до тех пор, пока я не скажу «продолжить» или пока не будет достаточно информации), ты задаешь вопросы для уточнения:
У кого есть эта проблема?
Кто принимает решение о том, является ли решение успешным?

3. Определение критериев успеха (до тех пор, пока я не скажу «продолжить» или пока не будет достаточно информации), ты задаешь вопросы для уточнения:
Как пользователь поймет, что проблема решена?
Какие критерии успеха можно выделить?
Какие SMART-цели помогут измерить успех?
Ты задаешь по одному вопросу за раз.

4. Определение ограничений (до тех пор, пока я не скажу «продолжить» или пока не будет достаточно информации), ты задаешь вопросы для уточнения:
Каким ограничениям должно соответствовать решение?
Что выходит за рамки возможных решений?

5. Определение заинтересованных сторон (до тех пор, пока я не скажу «продолжить» или пока не будет достаточно информации), ты задаешь вопросы для уточнения:
Какую роль играют заинтересованные стороны?
Кто они, чего хотят, и какое влияние имеют?

6. Итоговое определение проблемы
На основе разговора сформулируй четкое определение проблемы, включая:
Ключевую формулировку проблемы
Trouble (проблему)
Owner(s) (владельца проблемы)
Success criteria (критерии успеха)
Constraints (ограничения)
Stakeholders (заинтересованных лиц)

Представь этот итог в формате удобной таблицы

Далее ChatGPT даст вам сигнал, что вчитался в промпт и начнет задавать вопросы.

Шаг 3. Опишите свою задачу с учетом всего необходимого контекста

Чтобы объяснить свою ситуацию, я использую следующую структуру:

• Общая информация о ситуации
• Вводные данные о бизнесе
• Проблема, с которой мы сталкиваемся
• Что мы уже пробовали, чтобы ее решить
• Результаты наших попыток на данный момент

Ниже вы можете увидеть пример моего ввода. Он упрощен для целей этой статьи.

Шаг 4. Отвечайте на вопросы ChatGPT

Теперь LLM будет задавать вам один вопрос за другим. Он перейдет на следующий уровень структуры работы с problem statement только после того, как получит достаточную информацию или когда вы дадите команду «продолжить».

Чтобы получить максимум от запроса, помните следующее:

• Соблюдайте структуру. Например, обсуждая критерии успеха, не смешивайте их с участниками или ограничениями
• Включите всю возможную информацию, которая может быть полезна для анализа
• Будьте как можно более точными в формулировках и деталях
• ИИ может отклоняться от структуры, предлагая решения. Это может быть полезно, но для эффективного сотрудничества лучше возвращаться к определению проблемы, как указано в исходном запросе

Далее я просто двигаюсь по предложенному выше фреймворку, отвечая на вопросы ChatGPT.

В моем случае ИИ-помощник попытался закончить проект после некоторой детализации процесса, так что лучше не писать промежуточное «спасибо».

По мере продвижения ИИ выполняет роль консультанта. Как и хороший человеческий консультант, ИИ-консультант:

• Анализирует и обобщает:
  «Похоже, что существует несколько причин: высокая стоимость…»
• Запрашивает доступную информацию и исследует корневые причины:
  «Какие из этих причин, по твоему мнению, являются основными факторами?»
• Уточняет и спрашивает «почему»:
  «Готов ли бизнес инвестировать в дополнительное исследование, чтобы определить основную причину оттока? Почему для бизнеса важно сейчас сократить отток клиентов, а не сосредоточиться, например, на привлечении новых клиентов? Является ли высокий уровень оттока особенно критичным для устойчивости или планов роста компании?»
• Предлагает идеи:
  «Возможно, стоит провести опросы среди текущих и ушедших клиентов, проанализировать отзывы и причины отмены подписки»

Если вы работаете в команде, то это будет хорошим подспорьем для дискуссий.

Шаг 5. Откройте problem statement в Canvas

После того как вы рассмотрите все аспекты заданного фреймворка, LLM создаст таблицу и основные решения проблемы. Таблица откроется в Canvas — дополнительной панели, где вы сможете напрямую взаимодействовать с результатом, вносить правки.

Если итоговая таблица не откроется на холсте автоматически, вы можете попросить это сделать непосредственно ChatGPT.

Шаг 6: Внесите изменения в сводную таблицу прямо на холсте (Canvas)

Теперь вы можете попросить LLM скорректировать результат именно в том месте, где считаете нужным. Просто выделите текст, который хотите изменить или уточнить, и нажмите «Спросить ChatGPT».

Если вас не устраивает основное описание проблемы, вы можете запросить альтернативные варианты, используя, к примеру, такой запрос:

Отсюда вы можете продолжать дорабатывать результат. Самый важный шаг в стратегическом решении проблем — это согласование с командой формулировки проблемы и целей, которых мы хотим достичь. Решение проблемы можно начинать только после того, как достигнуто общее понимание ключевого заявления о проблеме. По моему опыту, именно на этом этапе многие команды терпят неудачу.

Как разбить задачу на части?

Для того, чтобы управлять решением задачи, консультанты используют Issue Tree (дерево решений/проблем). Чтобы создать хорошую декомпозицию проблемы, стоит придерживаться принципа MECE:

• Mutually Exclusive (взаимоисключающие) – раздельные, четко различимые вопросы без пересечений.
• Collectively Exhaustive (вместе исчерпывающие) – полное покрытие проблемы без пробелов.

Я начинаю с подтверждения формулировки проблемы и сообщаю LLM, что мы продолжаем с ее разбивкой на части.

Вот запрос, который я использую для декомпозиции проблемы:

Теперь LLM создает дерево проблем на холсте.
Если я нахожусь в GPT-4o Canvas, то могу напрямую редактировать его вывод.

Давайте посмотрим на наш пример.
Обратите внимание, что на этапе определения проблемы я предоставила дополнительную информацию о вызовах, включая такие проблемы как:

• Ценообразование
• Пользовательский опыт
• Доступность и качество

ИИ-консультант теперь отражает их в декомпозиции проблемы. Я тут же прошу его детализировать один из буллетов:

ChatGPT тут же перестраивает Issue Tree в соответствии с моим запросом.

Таким образом, вы сотрудничаете с LLM так же, как с консультантом. Как только вы соглашаетесь с декомпозицией проблемы, можно переходить к дальнейшим шагам.

Как сделать декомпозицию проблемы визуально привлекательной

Дерево проблем — отличный инструмент коммуникации для согласования работы и планирования. Однако его отображение в ChatGPT не всегда выглядит привлекательно или удобно для презентаций и воркшопов.

Предлагаю перейти в Miro для создания графической версии Issue Tree. Это делает представление более наглядным, удобным и практичным для обсуждений и совместной работы.

Вот пошаговая инструкция: заходите во вкладку «Создать с помощью AI», выбираете опцию «Создать Mind Map», копируете дерево гипотез из ChatGPT Canvas, жмете «Создать диаграмму». Сделала понятную инструкцию:

У меня получилась следующая визуализация:

Разумеется, здесь можно масштабировать отдельные ветви и продолжать работать с ними, например, попросить AI расписать уточняющие вопросы.

Мне вопросы показались уместными.

Этот инструмент только что сэкономил нам как минимум час мозгового штурма лишь по отдельно взятому ответвлению.

Как приоритизировать направления работы

Я предлагаю фокусироваться на 20% действий, которые приносят 80% результата. Но как найти эти 20%? С помощью простейшей приоритизации.

Матрицы Difficulty of implementation/Potential impact (или, проще говоря, «Польза vs. усилия») вполне достаточно. Достану ее из одной из своих статей.

Так, для каждого варианта в дереве проблем можно сделать следующее:

• Оценить пользу от реализации этого варианта и присвоить ему балл от 1 (минимальная польза) до 10 (максимальная польза).
• Оценить затраты на выполнение этого варианта и также присвоить балл от 1 (минимальные затраты) до 10 (максимальные затраты). Затраты могут включать стоимость, время или их комбинацию.
• Разместить вариант на стикере в матрице
• Cфокусироваться на вариантах в нижнем правом углу — это опции с высоким эффектом и низкими затратами

Как упростить приоритизацию с помощью ИИ

Вот два простых шага:

1. Получить предварительную приоритизацию с обоснованием от ChatGPT
2. Проверить и откорректировать приоритеты вместе с командой

Предварительная приоритизация с ChatGPT

Я нахожусь в этом же чате с GPT-4o с Canvas и применяю следующий запрос:

Вот что у меня получилось:

Хороший результат. Но если вы действительно настроены серьезно, этого все еще недостаточно — слишком общий подход. Именно поэтому следует добавить следующий шаг.

Проработайте результат с командой

Теперь у вас есть надежная основа для обсуждения. Если у вас возникают сомнения по этим пунктам, вы можете спросить LLM в Canvas, как и раньше.

ChatGPT добавил комментарий в Issue Tree и привел развернутый ответ в чате:

Как и на предыдущих этапах, вы можете продолжать уточнять и корректировать приоритизацию, пока не достигнете согласия. Затем, в зависимости от доступных ресурсов, выберите наиболее приоритетные проблемы для работы.

Переходим к составлению рабочего плана

Последний шаг — создание плана проекта. Вот промпт, который я применяю:

Контекст:
Тебе предоставлено дерево проблем, которое разбивает сложную проблему на несколько уровней, включая приоритизированный список задач для ее решения. Твоя задача — создать рабочий план на основе этой информации. Ты выступаешь в роли опытного стратегического консультанта и руководителя проекта.
Цель:
Создай детализированный рабочий план в виде таблицы, которая структурированно организует проблемы, подпроблемы, задачи и соответствующие детали.
Стиль:
Рабочий план должен быть представлен в табличном формате со следующими колонками: Проблема / Подпроблема / Задача / Конкретные действия / Предлагаемая дата начала / Продолжительность / Предлагаемая дата завершения / Зависимости от других задач
Тон:
Тон должен быть консультативным и дружелюбным, как будто ты направляешь команду через процесс планирования.
Целевая аудитория:
Этот рабочий план предназначен для членов проектной команды, старших заинтересованных сторон и других участников стратегического планирования.
Формат ответа:
Представь ответ в виде таблицы с вышеуказанными колонками. Каждая строка должна представлять задачу, связанную с подпроблемой в дереве проблем.
Инструкции:
1. Создавай рабочий план пошагово, анализируя каждую проблему и подпроблему в предоставленном дереве проблем.
2. Формулируй действия утвердительно, чтобы рабочий план был четким и выполнимым.
3. Думай поэтапно, рассматривая весь объем дерева проблем и правильно расставляя приоритеты.
4. Используй примеры других рабочих планов для поддержания общности структуры.
5. Применяй метод цепочки рассуждений (Chain-of-Thought) при работе над каждой подпроблемой и задачей, детально прорабатывая их взаимосвязь с более широкой проблемой.

Структура выходной таблицы:
Проблема-Подпроблема-Задача-Конкретные действия-Предлагаемая дата начала-Продолжительность-Предлагаемая дата завершения-Зависимости от других задач
[Пример проблемы][Пример подпроблемы][Пример задачи][Пример конкретного действия][Дата начала][X дней][Дата завершения][Зависимости]

Примеры:
Ниже приведены примеры ранее составленных рабочих планов, которые включают похожие задачи и структуру. Используйте их как ориентир для обеспечения согласованности:
Пример 1: [Вставьте детали примера]
Пример 2: [Вставьте детали примера]
Приступай к созданию рабочего плана на основе предоставленного дерева проблем.

На основе введенного промпта получаем следующий рабочий план:

Опять же результат мне кажется слишком обобщенным, и продолжительность вызывает вопросы. Но, тем не менее, это отличное начало для обсуждения. Всегда следует помнить:

Вывод ИИ-консультанта всегда служит отправной точкой для обсуждения в команде и предоставления обратной связи ИИ.

Как и в работе с таблицой выше, можно выделять ячейку и советоваться с ChatGPT. Например, я спросила, какие инструменты для проведения опросов он может порекомендовать. Развернутый ответ приведен справа:

Следующим шагом здесь может быть запрос конкретного рабочего процесса.

Как автоматически создать профессиональный Гант-чарт для рабочего плана с помощью ИИ

Часто вам нужно донести свой рабочий план до других. Однако представление в ChatGPT не всегда выглядит привлекательно. Вот рабочий процесс для создания профессиональной диаграммы Ганта на основе рабочего плана выше.

1. Попросите GPT-4o создать CSV-файл для рабочего плана.

2. Скачайте файл на рабочий стол и определитесь с программой, в которой будете строить Gantt Chart. В примере ниже я работала в TeamGantt.

3. Подгрузите CSV-файл в TeamGantt.

4. Выберете для импорта нужные ячейки.

В итоге, я получила хорошо знакомый всем Гант-чарт:

Обладая этими данными, вы получили надежный фундамент для общения с командой или иными заинтересованными лицами.

Резюме

Нашей отправной точкой была сложная ситуация в бизнесе. Однако после прохождения последовательного процесса работы над решением задачи, подстраховавшись возможностями ChatGPT, у нас теперь есть приоритизированный рабочий план, готовый к реализации и коммуникации.

Что же мы только что сделали?

1. Мы использовали GPT-4o с Canvas как ИИ-консультанта
2. ИИ задал вопросы, чтобы уточнить проблему. Мы скорректировали ключевое заявление о проблеме в Canvas → разбили ее с помощью заданного фреймворка
3. Мы запросили создание дерева проблем (Issue Tree) для структурирования проблемы → четко разложили ситуацию на подпроблемы
4. Мы работали вместе с ИИ в Canvas, пока не были удовлетворены структурой
5. ИИ приоритизировал задачи, оценивая затраты и пользу для каждой из них → использовали матрицу Difficulty of implementation/Potential impact
6. ИИ создал рабочий план на основе предыдущих этапов, и мы его скорректировали в Canvas → внесли конкретные шаги и зависимости
7. Мы преобразовали план в диаграмму Ганта для удобной коммуникации со стейкхолдерами, используя CSV-экспорт и TeamGantt → подготовили визуализацию для команды и стейкхолдеров

Этот подход экономит время и деньги, а сам ИИ можно рассматривать в качестве дополнительного члена команды, который многое может. Однако ИИ не сделает всю работу за вас, поэтому человеческая команда должна анализировать выводы ИИ, обсуждать и принимать стратегические решения, задавать правильные вопросы и корректировать ИИ.