Привет, Хабр!

Меня зовут Василий, я директор SaaS-направления в Аспро — мы разрабатываем систему управления проектами Аспро.Cloud. В этой статье расскажу, зачем мы интегрировали MCP в собственный продукт, как определяли сценарии для внедрения и что из этого получилось.

Если вы работаете с системой управления проектами, то наверняка сталкивались с ситуацией: нужно быстро собрать данные по проектам, задачам или сделкам. Дальше начинается ручная работа: фильтры, отчеты, сводки. Чем больше данных в системе, тем сложнее быстро собрать их в понятную картину и проанализировать.

С появлением MCP (Model Context Protocol) эту задачу можно решать иначе. ИИ получает доступ к данным системы и может сам собирать отчеты, анализировать их и выполнять часть операций по управлению.

Что такое MCP, и в чем его польза для бизнеса

Протокол контекста модели (MCP) — это стандарт, который позволяет ИИ-ассистенту получать данные напрямую из внешних систем. Например, из CRM, ERP, облачных дисков, поисковиков и других сервисов.

Технически MCP-сервер предоставляет модели набор инструментов — функций для вызова API системы. Когда вы пишете запрос, модель разбивает его на шаги и последовательно вызывает нужные инструменты: поиск, фильтрацию, создание или обновление объектов. Модель не имеет прямого доступа к базе данных — она работает только через инструменты, которые явно разрешены в MCP-сервере, и в рамках прав того API-ключа, под которым запущен сервер. Это и определяет границы того, что ИИ может делать в вашей системе.

Что это дает:

1. Экономия времени. Отчеты, сводки и проверки занимают меньше времени, потому что не нужно вручную собирать данные из разных сервисов.

2. Автоматизация операций. ИИ можно поручать типовые действия: подготовить задачи по итогам встречи или собрать список просроченных счетов. А в некоторых инструментах, например, Claude, можно настраивать регулярные задачи. Модель формирует отчеты по сделкам и проектам каждый день или неделю, что также экономит время.

3. Работа с большими объемами данных. Модель может обрабатывать сотни и тысячи записей без дополнительного времени на подготовку данных.

4. Обмен данными между несколькими сервисами. С помощью MCP можно настраивать передачу информации между системой управления проектами и другими сервисами. Например, ИИ может автоматически отправлять составленные отчеты на почту или в Telegram.

Зачем мы внедрили MCP и какие первые результаты получили

Наша команда тратила слишком много времени на подготовку регулярных отчетов и анализ проектов. Типичный пример — подготовка еженедельного отчета для руководства: менеджер открывает систему, настраивает фильтры по нескольким разделам, выгружает данные, сводит в таблицу и анализирует. На отчет по 10–15 проектам уходило 2–3 часа.

Еще одна болевая точка — постановка задач после совещаний. Протокол с 15–20 договоренностями переносился в систему вручную: создание задач, подготовка ТЗ, назначение ответственных. Процесс занимал до часа и часто выполнялся формально.

Мы хотели передать эту рутину ИИ, но не просто попросить его зафиксировать детали из совещания в текстовом виде, а дать возможность сразу создавать задачи в системе на основе обсуждения. Поэтому мы решили интегрировать нашу систему управления проектами напрямую с ИИ-моделью. Для этого добавили MCP-сервер, который позволяет ИИ не только читать данные из системы, но и выполнять в ней действия: создавать задачи, изменять статусы, назначать исполнителей.

Перед внедрением MCP-сервера мы зафиксировали базовые показатели по ключевым процессам, чтобы оценить реальный эффект от автоматизации. И вот такие первые результаты мы уже получили:

1. Время на подготовку еженедельного отчета — было 2–3 часа, стало 15–20 минут.

2. Скорость постановки задач после совещаний — было 40–60 минут, стало 5–10 минут.

3. Время на контроль всех активных проектов — было 2–3 часа, стало 10–15 минут.

4. Время на поиск конкретных данных в системе — было 10–15 минут, стало 1–2 минуты.

И это только начало, дальше мы хотим еще больше бизнес-процессов отдать ИИ-моделям.

А сейчас мы подробнее расскажем, как мы поручаем ИИ-модели работу в нашей системе управления проектами Аспро.Cloud.

5 бизнес-сценариев использования MCP в системе управления проектами

Прежде чем внедрять MCP, мы провели внутренний аудит: собрали у команды задачи, где больше времени уходит на ручную работу с данными системы. Получилось около 20 процессов. Отфильтровали те, где ИИ может действовать автономно без высокого риска ошибки, и приоритизировали по двум критериям: частота и потеря времени. В итоге выделили 5 сценариев для первого запуска.

1 сценарий: аналитика и отчетность

Как было у нас. Каждую пятницу наш менеджер проектов тратил полдня на подготовку сводки для руководителя. Процесс выглядел так: открываем CRM, смотрим новые сделки за неделю, переходим в раздел проектов — проверяем статусы и дедлайны, затем в финансовый модуль — анализируем поступления и расходы. К концу дня получается набор цифр в Excel, которые еще нужно привести в читаемый вид и сделать выводы.

Проблема была не только во времени — к моменту готовности отчета данные часто успевали устареть. Плюс человеческий фактор: легко что-то пропустить при ручном сборе данных из разных модулей.

Как решили с MCP. Теперь тот же отчет готовится за 15 минут одним запросом: «Составь сводку по состоянию компании — покажи основные показатели CRM».

Через пару минут получаем структурированный отчет со всеми данными:

Далее мы попросим ИИ проанализировать отчет: «Проанализируй данные и предложи, что можно улучшить в работе».

ИИ может находить закономерности, которые мы раньше не замечали. Например, увидеть, что в направлении «Медицинское оборудование» 25 сделок в воронке, но динамика снижается. Или что VIP-сегмент дает 30% оборота при 5% от общего количества сделок.

На основе этого ИИ может формировать рекомендации, например: «Рекомендую уделить внимание VIP-сегменту — высокая конверсия, но мало сделок в воронке. Возможно, стоит усилить маркетинг в этом направлении».

Что получили. Время на еженедельный отчет сократилось с 3 часов до 15 минут. Появилась возможность делать такие сводки чаще — теперь можем запросить актуальную картину в любой момент и не ждать пятницы.

2 сценарий: создание задач и других сущностей

Как было у нас. После каждой еженедельной планерки у нас оставался протокол со списком договоренностей — обычно 15–20 пунктов. Дальше кто-то из команды (чаще всего проектный менеджер) садился переносить все это в систему: создавать задачи, составлять описания, назначать ответственных, ставить дедлайны.

Процесс был болезненным: на перенос одного совещания уходило 40–60 минут, а задачи часто получались формальными. Написать нормальное ТЗ для каждой задачи — еще больше времени, поэтому часто ограничивались парой слов в названии. Результат — исполнители потом переспрашивали детали.

Как решили с MCP. Теперь просто загружаем файл с протоколом совещания и пишем запрос: «Проанализируй протокол и создай задачи на основе всех договоренностей. Назначь ответственных согласно обсуждению и поставь дедлайны».

Важный момент. Перед выполнением ИИ показывает превью — какие задачи планирует создать, кому назначить, какие сроки поставить. Можем проверить и скорректировать, если что-то не так.

После подтверждения модель создает все задачи и отправляет краткий отчет о проделанной работе.

Что получили. Постановка задач после совещания сократилась с часа до 10 минут. Качество ТЗ стало лучше — ИИ структурировано описывает каждую задачу, выделяет критерии готовности. Исполнители стали меньше переспрашивать детали.

Таким же образом можно работать и с другими сущностями системы: проектами, сделками и документами.

3 сценарий: массовый контроль и анализ проектов

Как было у нас. У нас в работе одновременно 25+ проектов, и контролировать их все стало головной болью. Раньше наш старший менеджер каждый понедельник делал обход: заходил в каждый проект, смотрел на критический путь, искал просроченные задачи, проверял, нет ли простоя у исполнителей.

На полную проверку всех проектов уходило 2–3 часа. К концу «обхода» ситуация в первых проектах уже могла измениться. Плюс постоянно что-то упускали — особенно проблемы, когда задача просрочена, но формально еще в работе.

Как решили с MCP. Теперь делаем один запрос: «Проанализируй все активные проекты и покажи проблемные зоны — просроченные задачи, перерасход времени, не начатые». ИИ за минуту собирает данные по всем проектам и группирует проблемы по типам. 

Важно, что в результате мы видим уже отфильтрованные проблемные зоны. Например, задачи, которые просрочены на несколько месяцев и до сих пор не начаты: именно они чаще всего становятся причиной задержек.

Что получили. Контроль всех проектов занимает теперь 10–15 минут вместо 3 часов. Реагируем на проблемы быстрее — можем делать такую проверку хоть каждый день.

Такой подход мы используем и для регулярного контроля проектов. Например:

• быстро проверяем состояние проекта перед встречей;

• находим этапы, на которых возникают задержки;

• оцениваем, есть ли риск срыва сроков.

4 сценарий: поиск и управление данными

Как было у нас. За время работы в нашей системе накопилось 500+ задач по 25+ проектам. Найти нужную информацию превратилось в квест. Типичная ситуация: помнишь, что была задача по тарифной матрице, назначена на Александре, но забыл точное название и в каком проекте. Начинается перебор: открываешь проекты один за другим, настраиваешь фильтры по исполнителям, ищешь по ключевым словам.

Особенно болезненно это было при срочных изменениях. Например, сотрудник уходит в отпуск — нужно найти все его активные задачи и переназначить. Или клиент просит показать статус по конкретной доработке, а ты помнишь только суть, но не точную формулировку.

Как решили с MCP. Теперь описываем задачу в свободной форме, как объяснили бы коллеге. Пример запроса: «На Александре Кузнецове была задача по тарифной матрице, переставь ее на Семена Озерова».

ИИ-модель находит нужную задачу в системе и сразу выполняет действие — в данном случае меняет исполнителя. 

Важно, что поиск здесь — не отдельный шаг, а часть работы с данными. Найденную сущность мы можем сразу использовать для дальнейших действий. Например:

• переназначить исполнителя;

• изменить статус или дедлайн;

• добавить комментарий.

Что получили. Поиск нужных данных ускорился с 10–15 минут до 1–2 минут. Появилась возможность сразу выполнять действия с найденными объектами и не тратить время на навигацию по системе.

5 сценарий: анализ статусов и отправка счетов

Как было у нас. В месяц мы выставляем 40–60 счетов, и отслеживать статус каждого вручную — довольно трудозатратно. Раз в неделю приходилось проходить по всем счетам: проверять, какие оплачены, какие на подходе к дедлайну, по каким нужно напомнить клиентам. При таком объеме легко что-то упустить — особенно счета на небольшие суммы или те, что выставлены в середине месяца.

Как решили с MCP. Теперь наш менеджер делает один запрос: «Покажи статус всех счетов за текущий месяц и выдели те, у которых истек срок оплаты». Через минуту получает полную сводку.

Дальше с этими данными мы можем сразу работать. Например, попросить ИИ:

• повторно отправить просроченные счета;

• изменить срок оплаты;

• создать задачу менеджеру для контроля оплаты.

Что получили. Контроль счетов занимает теперь 30–40 минут в неделю вместо 4 часов. Просроченные платежи выявляем оперативно — в среднем реагируем на 10 дней быстрее, чем раньше.

На что обращать внимание при работе с MCP

За время использования MCP мы поняли: как бы хорошо ни работала технология, критическое мышление и контроль никто не отменял. ИИ может неправильно интерпретировать запрос или сделать не совсем то, что вы имели в виду.

Проверяйте, к каким данным даете доступ ИИ. MCP всегда запрашивает разрешение на доступ к новым данным или на выполнение каких-либо действий. Можно ответить «Да, всегда» или «Да, только в этом случае». Обдуманно подходите к выдаче таких разрешений, особенно когда речь идет о конфиденциальной информации.

Всегда проверяйте превью действий. Перед любыми изменениями в системе ИИ показывает превью — что именно планирует сделать. Это ваша возможность проверить и скорректировать действия, чтобы избежать непредвиденных изменений.

Проверяйте логику ИИ при сложных запросах. Когда просите ИИ выполнить массовые операции — например, переназначить все задачи с одного сотрудника на другого — внимательно смотрите на список задач в превью. Возможно, среди них есть такие, которые лучше назначить на кого-то третьего.

Контролируйте результат выполнения. После выполнения действий ИИ показывает краткий отчет — что сделал, сколько задач создал, кому назначил. Стоит пробежаться глазами по этому списку, особенно при массовых операциях.

Помните: MCP — это мощный инструмент, который экономит время, но финальная ответственность за результат остается за вами.

Итоги

С MCP-подключением работа с данными в системе меняется. ИИ берет на себя сбор, анализ и часть операций без перехода между модулями.

ИИ-модель может:

• собирать сводки по проектам, задачам, сделкам и счетам;

• анализировать данные и находить проблемные зоны;

• создавать и редактировать задачи, проекты и другие сущности;

• искать нужные объекты по описанию, а не только по точному названию;

• контролировать статусы и сразу выполнять действия — например, переназначать задачи или повторно отправлять счета.

В результате работа с системой сводится к формулировке задачи: модель находит нужные данные, обрабатывает их и выполняет действия в рамках заданных прав доступа. 

Интерес к MCP-подключениям растет, и такие сценарии постепенно появляются в разных инструментах. В статье мы показали, как эта технология работает в нашей системе Аспро.Cloud и какие задачи мы передаем ИИ. Большинство описанных сценариев применимы в любом инструменте с MCP-поддержкой — принцип один, различается только набор доступных инструментов и глубина интеграции.

А для каких задач вы используете MCP? Делитесь сценариями и результатами работы в комментариях!