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
- 1microsoft.com ↗
microsoft.com