Оценка больших ТЗ для пресейла в связке с LLM и MCP — быстрее и без потери рисков

Оценка объёмного ТЗ на этапе presale — задача, которая плохо масштабируется вручную: документ нужно вычитать целиком, удержать в голове сотни требований, найти противоречия и неявные допущения, прикинуть трудозатраты — и всё это в сжатые сроки, когда внимание быстро выгорает. На мастер-классе разберём, как нейросеть берёт на себя черновую часть этой работы — первичную вычитку, структурирование и поиск рисков, — оставляя за человеком решение, оценку и финальный контроль. Ключевая идея — не «вставить ТЗ в чат», а подключить модель к рабочим системам через MCP: к самому документу, к базе знаний о продукте и к истории прошлых оценок. Покажу на реальном кейсе, как извлекать из крупного ТЗ ключевые требования, неявные допущения и риски, находить противоречия и «серые зоны», которые помогают точнее оценить трудозатраты и аргументировать оценку перед заказчиком. Разберём конкретные промпты и их эволюцию, стратегии разбиения больших входных данных под ограничения контекста, способы проверки результата на адекватность и типичные грабли, которые приводят к ложной уверенности в ответе модели. Отдельно — два вопроса, которые на практике решают всё: куда уходят данные и где проходит граница доверия к модели. ТЗ заказчика почти всегда под NDA, поэтому весь сценарий построен на локальной модели в закрытом контуре — данные не покидают периметр. Подход не привязан к конкретной модели, языку или стеку и работает поверх артефактов, с которыми лид имеет дело каждый день. Слушатели уйдут с набором приёмов, применимых в своей команде уже на следующий день, без специальной инфраструктуры и опыта в ML. Основные материалы доклада вместе с кодом MCP-интеграции будут выложены в открытый доступ для скачивания.