ИИ-АГЕНТЫ КАК КОМПОНЕНТ ГИБРИДНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЕКТАМИ В НАУКОЁМКОМ СЕКТОРЕ: ТЕОРЕТИЧЕСКИЙ АСПЕКТ

AI AGENTS AS A COMPONENT OF A HYBRID PROJECT MANAGEMENT SYSTEM IN A KNOWLEDGE-INTENSIVE SECTOR: THEORETICAL ASPECT

Babichev Daniil Romanovich

Postgraduate student, Moscow Polytech University,

Russia, Moscow

АННОТАЦИЯ

Статья посвящена теоретическому осмыслению роли ИИ-агентов в гибридных системах управления проектами применительно к наукоёмкому сектору экономики. Рассмотрена эволюция проектных методологий от классических и гибких подходов к гибридным моделям, создающим предпосылки для включения искусственного интеллекта в качестве самостоятельного участника проектной деятельности. Особое внимание уделено специфике наукоёмкого сектора: высокой научно-технической неопределённости, междисциплинарности, длительным циклам НИОКР, многосубъектности научно-технологических цепочек, повышенным требованиям к документированию и защите знаний. На основе манифеста и концепции агентного управления проектами (AgPM) выделены сущностные признаки ИИ-агента, отличающие его от традиционных средств автоматизации. Предложена теоретическая модель интеграции агентов в гибридную систему управления, в которой агентный слой связывает стратегический контур контроля и тактический контур адаптивного выполнения работ. Обосновано, что в наукоёмких проектах ИИ-агент выступает не заменой менеджера, а механизмом усиления аналитических, координационных и прогностических функций управления. Сформулированы ключевые риски и условия эффективного применения агентно-гибридного подхода в высокотехнологичных отраслях.

ABSTRACT

The article is devoted to the theoretical understanding of the role of AI agents in hybrid project management systems as applied to the knowledge-intensive sector of the economy. The evolution of project methodologies from classical and agile approaches to hybrid models is considered, creating prerequisites for the inclusion of artificial intelligence as an independent participant in project activities. Special attention is paid to the specifics of the knowledge-intensive sector: high scientific and technological uncertainty, interdisciplinarity, long R&D cycles, multi-actor scientific and technological chains, and increased requirements for documentation and knowledge protection. Based on the manifesto and the concept of agentic project management (AgPM), the essential features of an AI agent are identified, distinguishing it from traditional automation tools. A theoretical model of integrating agents into a hybrid management system is proposed, in which the agent layer connects the strategic control contour and the tactical adaptive execution contour. It is substantiated that in knowledge-intensive projects an AI agent does not replace the manager, but strengthens analytical, coordination and predictive management functions. Key risks and conditions for the effective application of the agent-hybrid approach in high-tech industries are formulated.

Ключевые слова: ИИ-агент; гибридное управление проектами; наукоёмкий сектор; агентное управление проектами; AgPM; искусственный интеллект; НИОКР; неопределённость.

Keywords: AI agent; hybrid project management; knowledge-intensive sector; agentic project management; artificial intelligence; R&D; uncertainty.

Современное управление проектами развивается под влиянием двух взаимосвязанных тенденций. Первая связана с возрастающей сложностью проектной среды, необходимостью быстро реагировать на изменения требований, технологий и ограничений, что стимулирует переход от жёстких каскадных моделей к гибким и гибридным подходам [1; 2; 3; 4]. Вторая тенденция обусловлена быстрым развитием искусственного интеллекта и переходом от использования изолированных цифровых инструментов к применению ИИ-систем, способных действовать непрерывно, проактивно и в пределах заданной автономии [8; 9; 10; 11].

Наиболее выраженно пересечение этих тенденций проявляется в наукоёмком секторе. В отличие от типовых коммерческих проектов, наукоёмкие проекты разворачиваются в среде повышенной научно-технической неопределённости, требуют постоянного согласования исследовательской и производственной логики, опираются на уникальные знания и реализуются в рамках сложных кооперационных цепочек [5; 6; 7]. В таких условиях управление не может быть одинаково эффективным ни при полном доминировании классических процедур, ни при безусловной ориентации на гибкие практики. Именно поэтому гибридная модель становится наиболее адекватной организационной формой, а ИИ-агенты - потенциально важным её компонентом.

Цель настоящей работы - провести теоретический анализ интеграции ИИ-агентов в гибридную систему управления проектами в наукоёмком секторе. Для достижения поставленной цели решаются следующие задачи: проследить эволюцию от классических и гибких подходов к гибридным моделям;раскрыть особенности наукоёмкого сектора как специфической среды проектного управления; определить сущность ИИ-агента в логике агентного управления проектами; предложить концептуальную модель включения ИИ-агентов в гибридную систему управления наукоёмкими проектами; обозначить ключевые риски и ограничения такого подхода.

Развитие проектного управления традиционно описывается как переход от преобладания жёстко структурированных каскадных моделей к широкому распространению гибких подходов. Классические методологии обеспечивают формальную определённость, прозрачность этапов, удобство бюджетного и календарного контроля. Гибкие методы, напротив, усиливают адаптивность, ускоряют получение промежуточных результатов и позволяют оперативно реагировать на изменение требований [2; 3; 4].

Однако накопленный опыт показывает, что ни одна из крайних моделей не является универсальной. Гибридизация возникает как ответ на ограниченность «чистых» подходов и как попытка соединить предсказуемость и адаптивность в рамках единой управленческой архитектуры [1]. Гибридная методология представляет собой не механическое совмещение инструментов, а проектирование системы управления с учётом контекста проекта, отрасли, уровня неопределённости, состава участников и требований к результату [2; 3].

В гибридной логике стратегический уровень проекта обычно сохраняет элементы классического управления: фазовую структуру, контроль вех, бюджетные лимиты, процедуры согласования и отчётности. Тактический и операционный уровни при этом могут строиться на основе Scrum, Kanban, итеративных циклов разработки, коротких контуров обратной связи и регулярной переоценки приоритетов [4]. Подобное сочетание особенно востребовано в проектах, где необходимо одновременно соблюдать формальные ограничения и оставлять пространство для исследовательского поиска.

Именно эта характеристика делает гибридный подход наиболее релевантным для наукоёмкого сектора. Здесь проект с самого начала редко обладает полной определённостью: часть требований формируется по мере получения новых знаний, технические решения уточняются в ходе экспериментов, а критерии успеха могут включать не только экономические, но и научно-технологические результаты. Следовательно, гибридная система управления выступает не компромиссом между двумя школами, а естественной формой организации управления сложным проектом, требующим большого объема компетенций и знаний.

Наукоёмкий сектор обладает совокупностью характеристик, которые отличают его от большинства проектных сред массового или сервисного типа. По данным исследований, посвящённых управлению инновационными проектами наукоёмких организаций, для данного сектора типичны высокая роль НИОКР, междисциплинарность, зависимость от научно-технологических цепочек, необходимость взаимодействия с внешними партнёрами и постоянная проблема согласования исследовательских, инженерных и управленческих процессов [5; 6; 7].

Наукоёмкие проекты отличаются повышенной неопределённостью целей и способов их достижения. На ранних этапах не всегда ясно, будет ли получен требуемый научно-технический результат, возможно ли масштабирование решения, какие ограничения проявятся в процессе испытаний и как изменится рыночная или технологическая среда к моменту завершения проекта [5; 7]. Это означает, что значительная часть проектного содержания формируется не до начала работ, а в ходе их выполнения.

Специфика сектора выражается в междисциплинарности. В одном проекте часто взаимодействуют исследователи, инженеры, ИТ-специалисты, технологи, производственные подразделения, испытательные лаборатории, патентные специалисты и представители заказчика. Такое многообразие компетенций создаёт не только синергетический потенциал, но и серьёзную координационную нагрузку [5].

Для наукоёмких организаций характерна встроенность в научно-технологические цепочки. Проект редко реализуется в границах одной организации: он требует участия научных коллективов, поставщиков специализированных компонентов, индустриальных партнёров, цифровых платформ, регуляторов, а в ряде случаев и государственных заказчиков [5; 6]. Следовательно, управление должно учитывать не только внутренние, но и внешние зависимости.

Наукоёмкие проекты связаны с ценностью знаний и интеллектуальных результатов. В подобных проектах важен не только конечный продукт, но и накопленная база знаний, экспериментальные данные, проектная документация, технические решения, результаты моделирования, патентные наработки и экспертные интерпретации [6]. Потеря такой информации означает утрату части ценности проекта.

Существенно выше значение документирования, прослеживаемости и соответствия регуляторным требованиям. Даже при использовании адаптивных методов проект не всегда может отказаться от журналов изменений, протоколов испытаний, технических спецификаций, требований к безопасности, качеству и воспроизводимости решений [5; 7]. Это особенно заметно в фармацевтике, авиационно-космической, атомной, приборостроительной и оборонной сферах.

Характерны длинные циклы коммерциализации при одновременном ускорении технологических изменений. Возникают ограничения: проект может быть длительным по содержанию, но окно рыночной актуальности конкретного решения при этом сокращается [6; 7]. Отсюда возрастает потребность в таких управленческих механизмах, которые позволяют одновременно удерживать долгосрочную траекторию и быстро корректировать тактические решения.

В обобщённом виде особенности наукоёмкого сектора и их управленческие следствия представлены в таблице 1.

Таблица 1.

Особенности наукоёмкого сектора и их значение для управления проектами

Таким образом, специфика наукоёмкого сектора предопределяет высокую востребованность гибридных моделей управления. Более того, она формирует объективный запрос на новый уровень цифровой поддержки управления - не только на уровне автоматизации операций, но и на уровне постоянной интеллектуальной координации проекта.

До недавнего времени цифровизация управления проектами чаще всего сводилась к использованию отдельных инструментов: систем аналитики, чат-ботов, планировщиков, роботов автоматизации процессов и BI-решений. Такие инструменты, несмотря на высокую полезность, обычно сохраняли реактивную природу: они выполняли запрос, но не выступали самостоятельным участником управленческого контура [8; 9].

Ситуация изменилась с появлением ИИ-агентов. ИИ-агент - это не просто программный интерфейс, а цифровой участник, которому делегируется определённая управленческая функция и который действует в рамках установленных целей, ограничений и правил [10; 11]. В отличие от традиционного инструмента, агент способен: работать непрерывно (по заданному циклу); самостоятельно отслеживать релевантные сигналы(в случае предоставления доступа к данным сигналам); формировать управленчески значимую информацию для человека; инициировать действия в цифровой среде проекта в пределах допустимой автономии.

Сущностная новизна ИИ-агента состоит в том, что он занимает промежуточное положение между программным средством и проектной ролью. С одной стороны, он встроен в ИТ-ландшафт проекта и использует данные из цифровых систем. С другой стороны, он функционально близок к участнику проектной команды, поскольку дополняет мониторинг, координацию, предупреждение, аналитическую интерпретацию и поддержку принятия решений [10].

Если классический контур управления отвечает за структуру, ответственность, вехи и ограничения, а гибкий контур - за адаптацию, итерации и быстрые корректировки, то ИИ-агент может выполнять роль связующего интеллектуального слоя между ними. В этой роли агент не подменяет руководителя проекта, но сокращает издержки на сбор, очистку, сопоставление и первичную интерпретацию данных.

Важным обстоятельством является то, что в концепции AgPM автономия агента изначально ограничена. Все ключевые решения сохраняются за человеком, а работа агента должна быть подотчётной, объяснимой и обратимой [11]. Для наукоёмкого сектора это принципиально: здесь критические решения затрагивают вопросы безопасности, качества, научной достоверности, интеллектуальной собственности и долгосрочных технологических последствий. Следовательно, теоретически корректно рассматривать ИИ-агента не как замену менеджера, а как усилитель его управленческой способности в условиях сложной, информационно перегруженной и быстро меняющейся среды.

Гибридная система управления проектом в наукоёмком секторе может быть представлена как сочетание двух базовых контуров:

1. стратегического контура, включающего фазовую структуру, бюджетные ограничения, контроль вех, соответствие требованиям и управление портфелем;

2. тактического контура, включающего итерации, исследовательские спринты, экспериментальные циклы, быстрые согласования и адаптацию приоритетов.

Предлагается дополнить данную конструкцию агентным слоем, который обеспечивает постоянную циркуляцию информации между контурами, выявляет отклонения, сопоставляет слабые сигналы и пытается превращать разрозненные данные в управленчески значимую картину проекта. В этом состоит основной теоретический тезис статьи: в наукоёмком проекте ИИ-агент выступает не отдельным инструментом автоматизации, а интеграционным компонентом гибридной системы управления.

С учётом специфики сектора агентный слой целесообразно проектировать по трём взаимосвязанным направлениям.

На ранних стадиях проекта и в зонах высокой научной неопределённости агент может выполнять функции анализа гипотез, отслеживания результатов экспериментов, сопоставления версий технических решений, выявления повторяющихся проблем и подготовки кратких аналитических сводок для научного руководителя или руководителя проекта. Здесь особенно ценна способность агента работать с большим массивом слабо структурированных данных: заметками, протоколами, перепиской, промежуточными отчётами, результатами моделирования.

На этапе опытно-конструкторской и производственной проработки значимыми становятся зависимости между задачами, ресурсами, поставками, испытаниями, ограничениями по срокам и интерфейсами между участниками кооперации. В этой зоне агент может выявлять рассогласования между заявленным статусом и фактическими данными, фиксировать риски задержек, отслеживать критические зависимости и формировать сигналы раннего предупреждения. Для наукоёмких организаций это особенно важно, поскольку слабая координация исследовательского и производственного направлений названа одной из типичных проблем управления инновационными проектами [5].

Для наукоёмких отраслей принципиально важно, чтобы каждая итерация адаптации не разрушала прослеживаемость решений. Поэтому отдельной функцией агента становится поддержка документирования: контроль полноты проектных артефактов, напоминание о необходимых согласованиях, проверка связности версий документов, подготовка материалов для комитетов, заказчиков и аудита. Если в типичных agile-проектах подобная функция часто воспринимается как вспомогательная, то в наукоёмком секторе она может являться частью самого механизма устойчивости управления.

Содержание предлагаемой модели может быть соотнесено с четырьмя областями практик AgPM [10; 11]:

- целеполагание - определение допустимой автономии агента, его целевой функции, порогов эскалации, источников данных и запретов;

- реализация - постоянные циклы наблюдения, анализа, обнаружения отклонений, формирования рекомендаций и координационных сигналов;

- обучение - накопление паттернов по завершённым этапам и проектам, формирование организационной памяти;

- интеграция - сопряжение агентного слоя с существующими ИТ-системами, проектным офисом, командами, подрядчиками и заказчиком.

С теоретической точки зрения именно наукоёмкий сектор позволяет полно раскрыть потенциал такой модели. Здесь агент полезен не только потому, что ускоряет обработку информации, а потому что помогает управлять структурным противоречием наукоёмкого проекта: проект должен быть одновременно исследовательски открытым и организационно контролируемым.

Несмотря на перспективность рассматриваемого подхода, его внедрение связано с рядом существенных ограничений.

Условием эффективности ИИ-агента является качество проектных данных. В наукоёмком секторе данные часто распределены между подразделениями и организациями, хранятся в разных форматах, содержат неявные знания и не всегда пригодны для автоматизированной интерпретации. При слабой цифровой дисциплине агент будет воспроизводить не реальное состояние проекта, а искажённую картину [8].

Сохраняется риск утечки конфиденциальной информации, включая результаты НИОКР, сведения ограниченного доступа, параметры технологических решений и данные о партнёрах. Для наукоёмких организаций этот риск особенно чувствителен, так как цифровая утрата знаний может иметь не только экономические, но и стратегические последствия [8; 9].

Существует опасность снижения аналитической самостоятельности управленца. Если руководитель проекта начинает воспринимать выводы агента как безусловно корректные, формируется зависимость от системы и уменьшается способность к экспертной проверке нестандартных ситуаций. Для наукоёмких проектов это критично, поскольку именно они чаще других сталкиваются с задачами, не имеющими исторических аналогов [11].

Агент может ошибочно интерпретировать. В наукоёмком проекте аномалия не всегда означает проблему: она может быть признаком появления нового научного эффекта, нового технологического решения или смены логики разработки. Поэтому настраивать агента только на минимизацию отклонений недостаточно; необходимо учитывать ценность исследовательского поиска как такового.

Сложность вызывает распределение ответственности в сложных средах. Если проект реализуется в рамках научно-технологической цепочки, то необходимо заранее определить, кто отвечает за настройки агента, корректность его выводов, правомерность его действий в цифровой среде и последствия неверных рекомендаций. Без такого разграничения агентный слой может не снижать, а увеличивать управленческую неопределённость.

Следовательно, для наукоёмкого сектора эффективное использование ИИ-агентов возможно только при соблюдении ряда принципов: человек сохраняется в контуре критических решений; цели и ограничения агента формализованы; решения агента объяснимы; журнал его действий доступен для аудита; данные проекта стандартизированы и защищены; обучение агента контролируется; результаты его работы регулярно сопоставляются с экспертной оценкой.

Заключение

Проведённый анализ позволяет сделать вывод, что ИИ-агенты следует рассматривать как перспективный структурный компонент гибридной системы управления проектами в наукоёмком секторе. Их значение определяется не только возможностью автоматизировать рутинные операции, но прежде всего способностью соединять стратегический контур контроля и тактический контур адаптивного выполнения работ в условиях высокой неопределённости, междисциплинарности и распределённой кооперации.

Специфика наукоёмкого сектора придаёт данной интеграции особую управленческую логику. В таких проектах агент востребован как механизм: мониторинга исследовательских, инженерных и организационных сигналов; координации и навигации в организационной памяти и интеллектуального капитала; координации участников научно-технологической цепочки; поддержания документарной и регуляторной дисциплины без отказа от адаптивности.

Научная новизна предложенного подхода заключается в трактовке ИИ-агента как интеграционного слоя гибридной системы управления, а не как изолированного цифрового сервиса. Для наукоёмких проектов это особенно значимо, поскольку именно здесь необходимо не просто автоматизировать операции, а удерживать баланс между исследовательской свободой и управленческой упорядоченностью.

Вместе с тем агентно-гибридная модель не является универсальным решением и требует соблюдения целого комплекса условий: цифровой инфраструктуры, качественных данных, формализации границ автономии, наличия человека в контуре принятия ключевых решений и настройки механизмов аудита.

Список литературы:

1. Двирняк Л.Ю., Шишкина В.А. Обзор современных подходов к гибридным формам управления проектами // Академическая наука. – 2025. – № 4. – С. 83–91.
2. Бельский И.Н., Климова Т.Б. Комплексный анализ методологий управления проектами: оценка эффективности гибридных подходов и адаптационных стратегий // Научный результат. Технологии бизнеса и сервиса. – 2024. – Т. 10, № 4. – С. 110–119.
3. Лукьянова А.В., Суртаева А.В. Гибридные методологии управления проектами: синтез гибких (Agile) и классических (Waterfall) подходов в IT-сфере // Образование. Наука. Научные кадры. – 2026. – № 1. – С. 210–218.
4. Осипов В.М. Жесткие и гибкие методики управления проектами как основа для формирования индивидуальных гибридных подходов в проектном менеджменте // Вестник Академии права и управления. – 2023. – № 1 (71). – С. 117–124.
5. Орлова О.П. Разработка алгоритма управления инновационными проектами наукоемких организаций // Экономика и управление. – 2024. – Т. 30, № 9. – С. 1138–1145. – URL: https://cyberleninka.ru/article/n/razrabotka-algoritma-upravleniya-innovatsionnymi-proektami-naukoemkih-organizatsiy (дата обращения: 24.04.2026).
6. Орлова О.П., Репкин А.И. Анализ методов управления инновационными проектами наукоемких компаний // Экономика и экологический менеджмент. – 2022. – № 2. – С. 105–111. – URL: https://cyberleninka.ru/article/n/analiz-metodov-upravleniya-innovatsionnymi-proektami-naukoemkih-kompaniy (дата обращения: 24.04.2026).
7. Калко А.А. Разработка алгоритма управления сквозным процессом создания и вывода на рынок наукоемкой продукции на основе Smart-Stage-Gate // Экономика и управление. – 2024. – Т. 30, № 11. – С. 1405–1415. – URL: https://cyberleninka.ru/article/n/razrabotka-algoritma-upravleniya-skvoznym-protsessom-sozdaniya-i-vyvoda-na-rynok-naukoemkoy-produktsii-na-osnove-smart-stage-gate (дата обращения: 24.04.2026).
8. Мызрова К.А., Захарова Ю.Н., Фадеева И.П., Качагина О.В. Особенности применения искусственного интеллекта в управлении проектами // Креативная экономика. – 2025. – Т. 19, № 4. – С. 1019–1036.
9.  Мирзаянц К.С., Воробьева О.А., Головина О.Д. Искусственный интеллект в управлении проектами: тренды, возможности, первый опыт // Вестник Удмуртского университета. Серия «Экономика и право». – 2025. – Т. 35, вып. 4. – С. 615–621.
10. Манифест Агентного Управления Проектами (AgPM). Апрель 2026 г. [Электронный ресурс]. – URL: https://agenticpm.pro/agpm-manifesto (дата обращения: 26.04.2026).
11. AGPM. Концепция. Агентное управление проектами: принципы, правила, модель. Версия 1.0. Апрель 2026 г. [Электронный ресурс]. – URL: https://agenticpm.pro/agpm-concept (дата обращения: 26.04.2026).