ШТУЧНИЙ ІНТЕЛЕКТ В УПРАВЛІННІ ІТ-ПРОЄКТАМИ: СИСТЕМАТИЗАЦІЯ ПІДХОДІВ ЗА СТАНДАРТАМИ PMI
DOI:
https://doi.org/10.25313/3083-7782-2026-4-4Ключові слова:
штучний інтелект, управління проєктами, PMBOK, групи процесів, сфери виконання, машинне навчання, великі мовні моделіАнотація
Вступ. Стрімке впровадження технологій штучного інтелекту (ШІ) в практику управління проєктами супроводжується значним розривом між темпами адаптації та рівнем стратегічного осмислення цих технологій. Галузеві звіти засвідчують, що більшість організацій використовують ШІ-інструменти фрагментарно, без узгодження з процесною логікою управління проєктами, що обмежує потенційну цінність цих технологій. Попри зростаючий обсяг наукових публікацій, питання систематизації підходів використання ШІ за групами процесів управління проєктами згідно з Process Groups: A Practice Guide (PMI, 2022) залишається недостатньо розкритим. Наявні систематичні огляди або не охоплюють повного технологічного спектру від традиційного машинного навчання до агентного ШІ, або не використовують процесну класифікацію як аналітичну рамку, що створює потребу в комплексному міждисциплінарному дослідженні.
Мета. Класифікувати технології ШІ за п'ятьма групами процесів (Process Groups: A Practice Guide, PMI, 2022) з наскрізним аналізом покриття сфер виконання PMBOK Guide 7-го видання, оцінити рівень зрілості досліджень у кожній групі та ідентифікувати ключові прогалини.
Матеріали і методи. Систематичний огляд літератури за період 2021–2026 рр. із залученням наукових баз Scopus, Web of Science та галузевих звітів PMI, McKinsey, Deloitte. Класифікаційною рамкою обрано п'ять груп процесів Process Groups: A Practice Guide (PMI, 2022): ініціація, планування, виконання, моніторинг та контроль, закриття.
Результати. Побудовано авторську матрицю «технологія ШІ × група процесів управління проєктами». Виявлено нерівномірність дослідницького покриття: переважна більшість досліджених публікацій зосереджено на плануванні та моніторингу, тоді як закриття залишається критичною прогалиною. Ідентифіковано інверсію «зрілість–вплив»: групи з найбільшою кількістю публікацій стикаються з бар'єрами впровадження, тоді як виконання лідирує практично завдяки генеративному ШІ. Зафіксовано три хвилі технологічної еволюції: традиційне машинне навчання (ML, machine learning) (2011–2022), глибоке навчання (2020–2024), генеративний та агентний ШІ (2023–теперішній час). Проєкція результатів на сфери виконання PMBOK 7 виявила критичні прогалини у людиноорієнтованих сферах виконання (зацікавлені сторони, команда, підхід до розробки).
Перспективи. ШІ-рішення для автоматизації процесів закриття проєктів, моделі врядування (governance) для агентного ШІ, стандартизовані метрики ефективності генеративного ШІ.
Посилання
PMI Pulse of the Profession 2025 : Navigating complexity. Project Management Institute. 2025. URL: https://www.pmi.org/-/media/pmi/documents/public/pdf/learning/thought-leadership/pulse/pulse_of_the_profession_2025-1.pdf (дата звернення: 25.02.2026).
The state of AI: How organizations are rewiring to capture value. McKinsey & Company. 2025. URL: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai (дата звернення: 25.02.2026).
18th Annual State of Agile Report. Digital.ai. 2025. URL: https://digital.ai/resource-center/analyst-reports/state-of-agile-report (дата звернення: 25.02.2026).
Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Gartner. 2025. URL: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027 (дата звернення: 25.02.2026).
State of AI in the Enterprise: The untapped edge. Deloitte. 2026. URL: https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/consulting/2026/state-of-ai-2026.pdf (дата звернення: 25.02.2026).
Process Groups: A Practice Guide. Newtown Square, PA : Project Management Institute, 2022. 402 p.
A Guide to the Project Management Body of Knowledge (PMBOK Guide). 7th ed. and The Standard for Project Management. Newtown Square, PA : Project Management Institute, 2021. 370 p.
Fridgeirsson T. V., Ingason H. T., Jonasson H. I., Jonsdottir H. An Authoritative Study on the Near Future Effect of Artificial Intelligence on Project Management Knowledge Areas. Sustainability. 2021. Vol. 13, No. 4. P. 2345. DOI: https://doi.org/10.3390/su13042345
Taboada I., Daneshpajouh A., Toledo N., de Vass T. Artificial Intelligence Enabled Project Management: A Systematic Literature Review. Applied Sciences. 2023. Vol. 13, No. 8. P. 5014. DOI: https://doi.org/10.3390/app13085014
Nenni M. E., De Felice F., De Luca C., Forcina A. How artificial intelligence will transform project management in the age of digitization: a systematic literature review. Management Review Quarterly. 2025. Vol. 75. P. 1669–1716. DOI: https://doi.org/10.1007/s11301-024-00418-z
Müller R., Locatelli G., Holzmann V., Nilsson M., Sagay T. Artificial Intelligence and Project Management: Empirical Overview, State of the Art, and Guidelines for Future Research. Project Management Journal. 2024. Vol. 55, No. 1. P. 9–15. DOI: https://doi.org/10.1177/87569728231225198
Bushuyev S., Chumachenko I., Galkin A., Bushuiev D., Dotsenko N. Sustainable Development Projects Implementing in BANI Environment Based on AI Tools. Sustainability. 2025. Vol. 17, No. 6. P. 2607. DOI: https://doi.org/10.3390/su17062607
Almeida P. M., Fernandes G., Santos J. M. R. C. A. Artificial intelligence tools for project management: A knowledge-based perspective. Project Leadership and Society. 2025. Vol. 6. P. 100196. DOI: https://doi.org/10.1016/j.plas.2025.100196
Cheligeer C., Huang J., Wu G., Bhuiyan N., Xu Y., Zeng Y. Machine learning in requirements elicitation: a literature review. Artificial Intelligence for Engineering Design, Analysis and Manufacturing. 2022. Vol. 36. P. e32. DOI: https://doi.org/10.1017/S0890060422000166
Radliński Ł., Swacha J. Large Language Models for Early-Stage Software Project Estimation: A Systematic Mapping Study. Applied Sciences. 2025. Vol. 15, No. 24. P. 13099. DOI: https://doi.org/10.3390/app152413099
Uddin S., Ong S., Lu H. Machine learning in project analytics: a data-driven framework and case study. Scientific Reports. 2022. Vol. 12. P. 15252. DOI: https://doi.org/10.1038/s41598-022-19728-x
Narbaev T., Hazir Ö., Khamitova B., Talgat S. A machine learning study to improve the reliability of project cost estimates. International Journal of Production Research. 2024. Vol. 62, No. 12. P. 4372–4388. DOI: https://doi.org/10.1080/00207543.2023.2262051
Shetty P. P., Balakrishnan A., Xu M., Xi X., Yu Z. Story Point Estimation Using Large Language Models. 2026. URL: https://arxiv.org/abs/2603.06276 (дата звернення: 25.02.2026).
Ashtari M. A., Ansari R., Hassannayebi E., Jeong J. Cost Overrun Risk Assessment and Prediction in Construction Projects: A Bayesian Network Classifier Approach. Buildings. 2022. Vol. 12, No. 10. P. 1660. DOI: https://doi.org/10.3390/buildings12101660
Schröder M. AutoScrum: Automating Project Planning Using Language Model Programs. 2023. URL: https://arxiv.org/abs/2306.03197 (дата звернення: 25.02.2026).
Peng S., Kalliamvakou E., Cihon P., Demirer M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. 2023. URL: https://arxiv.org/abs/2302.06590 (дата звернення: 25.02.2026).
Cinkusz K., Chudziak J. A., Niewiadomska-Szynkiewicz E. Cognitive Agents Powered by Large Language Models for Agile Software Project Management. Electronics. 2025. Vol. 14, No. 1. P. 87. DOI: https://doi.org/10.3390/electronics14010087
Campbell C., Boscoe B., Do T. AquiLLM: a RAG Tool for Capturing Tacit Knowledge in Research Groups. 2025. URL: https://arxiv.org/abs/2508.05648 (дата звернення: 25.02.2026).
Dhar R., Kakran A., Karan A., Vaidhyanathan K., Varma V. DRAFT-ing Architectural Design Decisions using LLMs. 2025. URL: https://arxiv.org/abs/2504.08207 (дата звернення: 25.02.2026).
Kirstein F., Ruas T., Gipp B. What’s Wrong? Refining Meeting Summaries with LLM Feedback. 2024. URL: https://arxiv.org/abs/2407.11919 (дата звернення: 25.02.2026).
Schlegel D., Rosenberg B., Fundanovic O., Kraus P. How to conduct successful business process automation projects? An analysis of key factors in the context of robotic process automation. Business Process Management Journal. 2024. Vol. 30, No. 8. P. 99–119. DOI: https://doi.org/10.1108/BPMJ-06-2023-0465
Sriraman G., Shriram R. A machine learning approach to predict DevOps readiness and adaptation in a heterogeneous IT environment. Frontiers in Computer Science. 2023. Vol. 5. P. 1214722. DOI: https://doi.org/10.3389/fcomp.2023.1214722
Santos J. I., Pereda M., Ahedo V., Galán J. M. Explainable machine learning for project management control. Computers & Industrial Engineering. 2023. Vol. 180. P. 109261. DOI: https://doi.org/10.1016/j.cie.2023.109261
Burdakov A., Ahn M. J. Is PMBOK Guide the Right Fit for AI? Re-evaluating Project Management in the Face of Artificial Intelligence Projects. 2025. URL: https://arxiv.org/abs/2506.02214 (дата звернення: 25.02.2026).
Assalaarachchi L. I., Masood Z., Hoda R., Grundy J. Toward Agentic Software Project Management: A Vision and Roadmap. 2026. URL: https://arxiv.org/abs/2601.16392 (дата звернення: 25.02.2026).
Xu N., Zhou X., Guo C., Xiao B., Wei F., Hu Y. Text Mining Applications in the Construction Industry: Current Status, Research Gaps, and Prospects. Sustainability. 2022. Vol. 14, No. 24. P. 16846. DOI: https://doi.org/10.3390/su142416846
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Галина Йосипівна Лучко, Роман Ярославович Франків
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Сторінка у Facebook