Перейти до вмісту
Product managers teach one another to build AI agents

Microsoft: Industry: Technology, United States

Компанія Microsoft, команда Infrastructure Engineering Services (IES) всередині Microsoft Digital, використовує AI-агенти для підвищення продуктивності продуктових менеджерів. Вони автоматизували звітність, планування, контроль якості даних та прототипування, що дозволило скоротити підготовку місячного звіту з тижнів до одного дня. Людський нагляд залишається обов'язковим, особливо при оцінці продуктивності та перевірці фактів.

Контекст

Компанія
Microsoft
Галузь
Product managers teach one another to build AI agents

Компанія працює як Customer Zero — власна ІТ-організація Microsoft, яка тестує AI на собі. Продуктові менеджери підтримують інструменти та послуги глобальної мережі. Проблема полягала в тому, що дані розкидані по системах (наприклад, Azure DevOps), а збирання їх у звіти для керівництва займало тижні. Це стало терміновим, оскільки інженерні ресурси обмежені, а керівництву потрібна постійна видимість того, куди вони витрачаються.

Обмеження

Дані в Azure DevOps були неповними або неконсистентними, що призводило до неточних інсайтів. Потрібна була інтеграція з існуючими системами планування та звітності. Залишається потреба в людському нагляді, оскільки агент не враховує всі нюанси оцінки продуктивності (хто виконує завдання і з якою швидкістю).

Що зробили

Команда побудувала AI-асистовану звітність, яка збирає scenарії за місяць, організовує їх за стратегічними пріоритетами та створює звіти для керівництва. Пізніше додано другий агент «гігієни», який перевіряє scenарії за правилами і вказує на пропуски в даних. Людський перегляд залишений важливою частиною процесу, але обсяг ручної роботи значно зменшився. Для навчання команда зняла короткі інструкційні відео з встановлення Visual Studio Code, входу в GitHub Copilot та доступу до MCP сервера. Створено репозиторій для багаторазового використання навичок (skills), щоб уникнути дублювання рішень.

Що могло провалитись

На початковому етапі AI-звіти не завжди були точними або повними. Пропущені або непослідовні дані в Azure DevOps призводили до неповних інсайтів. Агент може оцінити час виконання завдання, але не враховує, хто саме його виконує і з якою швидкістю, тому потрібна перевірка фактами та людський нагляд.

Що з цього переноситься

AI-агенти ефективні, коли вони будуються на чистих існуючих даних і використовуються для повторюваних workflow, але людський нагляд залишається обов'язковим для прийняття кінцевих рішень та перевірки якості.

Як повторити в себе

Перший крок цього тижня: оберіть одну повторювану рутину (наприклад, місячний звіт або збір контексту з документів) і спробуйте зібрати для неї контекст за допомогою Copilot або аналогічного інструменту, чітко вказавши, хто аудиторія, які джерела є правдою і як оформляти результат. Чек-лист: 1) виберіть завдання, яке займає кілька годин на тиждень; 2) знайдіть, де лежать вихідні дані; 3) напишіть промт з роллю («Думай як мережевий інженер»), аудиторією і джерелами правди; 4) перевірте результат людиною перед надсиланням.

Джерела

  1. 1
    microsoft.com ↗

    microsoft.com

Щотижневі кейси на пошту

Нові кейси з цифрами й посиланнями на джерела.