Claude Code, ИИ-агенты в 1С, проектный радар, голосовой ИИ и MDM: собрали 28 выступлений про ИИ с датами и залами, чтобы вы выбрали темы под свои задачи и составили маршрут по A&PM EVENT 2026.
Почти каждый разговор об искусственном интеллекте рано или поздно упирается в один вопрос: а что конкретно он уже может сделать в моей работе?
Аналитики подключают Claude Code к трекеру и кодовой базе 1С, превращают профессиональные методики в командные AI-инструменты и используют ИИ для проверки требований. Руководители проектов ищут слабые сигналы до статус-митинга, оценивают трудозатраты и автоматизируют проектный контроль. Архитекторы встраивают агентов в 1С, а команды запускают голосовой ИИ, локальные модели и корпоративные базы знаний.
Но программа не обещает, что нейросеть решит все по одной кнопке. Спикеры будут говорить и о другом: как измерить эффект, проверить результат, защитить данные и понять, какую задачу ИИ лучше вообще не отдавать.
В подборке есть доклады, воркшопы и мастер-классы. Разделили их по рабочим задачам, чтобы вы могли собрать не абстрактный маршрут «про нейросети», а программу под собственный проект.
Если рабочий день съедают переписка, документация, постановки, согласования и подготовка инструкций, начните с этого блока. Здесь ИИ становится не отдельным чатом, а частью ежедневного инструментария аналитика.
На проектирование остается хорошо, если треть рабочего дня. Остальное забирают трекер, переписка, ТЗ и согласования.
Сергей разберет рабочий контур вокруг Claude Code: документацию как код, Git, MCP поверх выгрузки 1С, интеграцию с трекером и робота-аналитика, который помогает вести задачу от заявки до постановки разработчику.
Что делать, если простая бизнес-гипотеза проходит длинный путь от аналитика до разработчика и возвращается слишком поздно?
На мастер-классе участники пройдут путь от идеи до работающего прототипа и разберут, как использовать ИИ и вайбкодинг, не теряя контроль над качеством решения.
Хорошая методика часто остается в голове одного специалиста, а команда не может стабильно повторить его результат.
Анна покажет, как формализовать профессиональную логику аналитика, выбрать между промптом, skill и агентом, собрать тесты и превратить личный подход в прозрачный инструмент для всей команды.
Между «прочитал про ИИ» и «работает на моем проекте» обычно лежит пропасть: непонятно, с чего начать, где взять контекст и как не закончить эксперимент на третьем промпте.
Участники соберут рабочее место ИИ-аналитика и прогонят через агентов реальные задачи из бэклога — от сырой постановки до декомпозиции, требований, кода и других проектных артефактов.
Когда требования неполны, ИИ начинает достраивать контекст сам — и уверенно реализует не то, что имел в виду заказчик.
На мастер-классе участники настроят OpenSpec и ИИ-агента, чтобы находить открытые вопросы, противоречия и расхождения между требованиями и конфигурацией 1С еще до начала разработки.
На входе — аудиозапись встречи и заполненный клиентом опросник. На выходе — паспорт проекта, BPMN-схема, архитектура, макеты форм и готовое ТЗ.
Участники увидят полный путь получения проектных артефактов за 30–40 минут и разберут, как использовать результат для согласования и дальнейшей разработки с ИИ.
Сколько полезных статей, видео и голосовых сообщений уже исчезло в папке «посмотреть позже»?
На практикуме участники соберут систему, куда достаточно отправить материал, а ИИ сам распознает его, классифицирует и разложит по разделам: инструменты, технологии, заготовки докладов и договоренности.
Запрос «напиши пользовательскую инструкцию» редко дает стабильный результат: модели не хватает знаний о процессе, терминах и интерфейсе.
В основе доклада — управляемая методика: глоссарий, описание процесса, структура инструкции, скриншоты и проверка после каждого шага.
Не общие рассуждения о возможностях нейросетей, а сквозной алгоритм работы с требованиями.
На мастер-классе разберут безопасность данных, выбор модели, последовательность обработки информации и конкретные промпты, которые можно перенести в свой проект уже после конференции.
Самая ценная функция ИИ для руководителя проекта — не сгенерировать очередной отчет, а помочь вовремя увидеть то, что команда могла пропустить.
В этом блоке — проектный радар, оценка трудозатрат, анализ рисков и реальные метрики внедрения.
Если разложить управление проектом на отдельные операции, место для ИИ найдется почти на каждом этапе — от требований и встреч до контроля исполнения и ретроспективы.
Но главный вопрос доклада не в том, что нейросеть умеет, а в том, какую работу ей разумно доверить и где ответственность должна остаться за человеком.
Обычно команды сначала выбирают ИИ-инструмент, а затем пытаются найти ему применение. Здесь все будет наоборот.
Участники сформулируют реальную проблему, выберут сценарий с измеримым эффектом и спроектируют короткий эксперимент, чтобы проверить гипотезу до большого внедрения.
Проблемы редко возникают внезапно. Их следы уже есть в протоколах, задачах, сроках и изменившихся договоренностях — но руководитель замечает их слишком поздно.
«Проектный радар» сопоставляет эти данные и ищет противоречивые статусы, незакрытые решения и другие слабые сигналы до того, как они превратятся в кризис.
План-график, критический путь, реестр рисков и матрица компетенций — реальные проектные артефакты вместо абстрактных советов.
Спикер разберет, где ИИ помогает найти зависимости и узкие места, а где привычные инструменты остаются надежнее.
Кейс команды, которая уже использует ИИ в системной аналитике, Jira, Confluence, проектных коммуникациях и контроле.
В докладе будут конкретные результаты: сокращение времени аналитики и планирования, экономия человеко-часов и высвобождение времени руководителя проекта — вместе с ограничениями, которые обнаружились на практике.
Можно ли доверить нейросети трудооценку и прогноз сроков, если исходные данные неполны, а каждый проект отличается от предыдущего?
Кирилл разберет, на что опираться при расчетах, как проверять логику модели и что делать руководителю, если он не согласен с прогнозом ИИ.
ИИ ускоряет создание кода и спецификаций, но вместе со скоростью возникает обратная проблема: команда перестает успевать проверять созданные артефакты и понимать последствия изменений.
Доклад — о новых инженерных ограничениях, необходимой степени формализации и границе между автономией ИИ и человеческим контролем.
Следующий уровень зрелости — не задавать ИИ вопросы в отдельном окне, а дать ему контекст, доступ к данным и возможность выполнять действия внутри системы.
Здесь начинается разговор об агентах, цифровых ролях и новой ответственности аналитика.
В центре мастер-класса — переход от чат-бота к цифровой роли внутри реального процесса.
Участники разберут, какие данные агент может читать, что ему разрешено менять, где он обязан запросить человека и как принять результат пилота.
Cash flow, закупки, производственные спецификации и нормализация номенклатуры — сразу несколько прикладных сценариев агента внутри 1С.
Он получает запрос на естественном языке, работает с фактическими данными информационной базы и может перейти от анализа к действию — с учетом прав, подтверждений и журналирования.
Что меняется, когда функциональный архитектор начинает работать напрямую с AI-разработчиком на реальном проекте 1С:ERP?
Приходится проектировать уже не только требования к системе, но и правила работы агента, проверки результата и границы его самостоятельности. Фактически у аналитика появляется новая компетенция — управление контуром цифровых исполнителей.
LLM-бот встроен прямо в интерфейс 1С и отвечает на вопросы пользователей с учетом контекста объекта системы.
Кроме архитектуры решения, спикер представит результаты: доля консультационных заявок, которые обрабатывают люди, сократилась с 50% до 5%, а нагрузка на первую линию уменьшилась вдвое.
История внутреннего продукта, который вырос из разрозненных процессов в Bitrix24, таблицах и чатах.
Команда сравнивала варианты реализации, выбрала 1С:Элемент и подключила API-интеграции и асинхронные ИИ-сервисы там, где стандартных возможностей платформы оказалось недостаточно.
Это не обычный робот, который идет по жесткому скрипту. Модель умеет поддерживать развивающийся диалог, получает контекст клиента из 1С и возвращает результат разговора обратно в систему.
В докладе — путь от обучения на тысячах звонков до 10 000 реальных разговоров и оценка экономического эффекта.
С данными сложнее, чем с текстом. Здесь уверенный ответ модели может стоить ошибок в учете, миграции или управленческой отчетности.
Поэтому главная тема этого блока — не только автоматизация, но и степень доверия к результату.
Команде предстояло сопоставить более 100 тысяч номенклатурных позиций из разных баз.
Сергей разберет, почему стандартные эмбеддинги не сработали на производственной номенклатуре и как собственный пайплайн позволил повысить точность сопоставления с 30% до 98%.
Когда данные приходят из нескольких систем, ни один источник нельзя считать безусловно достоверным.
В кейсе вместо простого «валидно / невалидно» используется многоступенчатая оценка качества записи. LLM подключается только к неоднозначным случаям, а при недостаточной уверенности система останавливается и передает решение специалисту.
Когда ИИ получает доступ к коду, документации, данным сотрудников и коммерческой информации, выбор модели становится только частью задачи.
Нужны инфраструктура, правила работы, ответственность и система знаний, которой команда действительно будет пользоваться.
Публичные облака не знают контекста проекта и не всегда подходят для кода и закрытой документации.
На live-demo участники соберут локальную ИИ-среду, подключат базу знаний и разберут, когда выбирать облачное решение, а когда собственный корпоративный контур.
Проблема базы знаний обычно двойная: ее либо не заполняют, либо не используют.
На мастер-классе разберут личные, проектные и корпоративные базы, агентов для автоматического наполнения, RAG, связь с service desk и переход от разрозненных документов к системе, которой пользуется команда.
Что можно отправлять в модель? Кто обязан проверять результат? Как не выдать заказчику галлюцинацию за готовое профессиональное решение?
Здесь цена ошибки — уже не неудачный промпт, а утечка данных, репутационный риск и договорные обязательства.
До 60% проблем после внедрения могут быть связаны не с настройками, а с недостаточной компетентностью пользователей.
Анна представит модель «института знаний»: ролевое обучение, карту компетенций, инструменты 1С и ИИ-ассистентов для подготовки тестов, сценариев и адаптивных материалов.
Все 28 выступлений можно условно разложить по уровням зрелости.
На первом ИИ помогает отдельному специалисту: готовит вопросы, структурирует ТЗ или пишет инструкцию.
На втором становится частью командного процесса: работает с трекером, требованиями, проектным контролем и базой знаний.
На третьем превращается в агента внутри 1С, получает доступ к данным и начинает выполнять действия.
И чем дальше продвигается команда, тем важнее становятся не возможности модели, а другие вопросы: кто проверяет результат, как измеряется эффект, что произойдет при ошибке и где должен остановиться ИИ.
Именно поэтому на A&PM EVENT стоит посмотреть не одно случайное выступление «про нейросети», а собрать маршрут по своей задаче — от первого эксперимента до полноценного рабочего контура.
Выступления распределены по трем дням и нескольким параллельным потокам. В программе есть доклады, мастер-классы и воркшопы, где можно не только услышать о готовом подходе, но и попробовать его самостоятельно.
Если вам удобнее смотреть новости в телеграме, то вот наша группа – ИНФОСТАРТ.
вчера в 20:00 65 ebaskakova 0
1
18.11.2026 424 ebaskakova 44
16
14.11.2026 735 AnastasiaKl 0
16
13.11.2026 1126 sulimoff 0
17
13.11.2026 1030 AnastasiaKl 0
16Комментарии