Внедрённый OpenTasker позволяет локальному AI работать с корпоративными задачами через MCP: читать разрешённые проекты, готовить план дня и предлагать изменения в рамках прав конкретного сотрудника. Модель не подключается к базе напрямую и не получает универсальный пароль от всей системы.
Для пользователя это выглядит просто: можно спросить, что важно сегодня, где есть риск просрочки, кому обещан ответ и какие задачи стоит создать по итогам разговора. Сложная часть скрыта внутри – система должна дать AI достаточно контекста, но не больше полномочий, чем нужно.
Какую проблему решает AI-помощник
Рабочий день редко находится в одном списке. Есть задачи, встречи, комментарии, ожидания от коллег, обещания клиентам и сообщения из корпоративных чатов.
Даже аккуратный сотрудник тратит время на сбор картины:
- что просрочено;
- что блокирует других;
- сколько встреч уже заняло календарь;
- какие задачи требуют длинного непрерывного времени;
- кому нужно ответить сегодня;
- какие договорённости ещё не превратились в действия.
OpenTasker хранит проекты, этапы, зависимости, сроки, повторения, календарь и загрузку. AI использует эти данные, чтобы подготовить понятную сводку, а не угадывать приоритеты по одному названию задачи.
Что такое MCP простыми словами
MCP – стандартный способ сообщить AI-приложению, какие данные оно может прочитать и какие действия вызвать. В официальной спецификации выделены три основные группы:
- ресурсы – данные и контекст;
- инструменты – разрешённые операции;
- подсказки – подготовленные сценарии взаимодействия.
Для системы задач ресурсом может быть план проекта, инструментом – создание черновика задачи, а подсказкой – утренняя сводка руководителя.
MCP не заменяет права и безопасность. Он стандартизирует интерфейс между AI и приложением. Решение о том, что именно разрешено пользователю, всё равно принимает OpenTasker.
Как проходит запрос «Что мне делать сегодня»
- сотрудник входит в OpenTasker под своей учётной записью;
- AI-клиент получает ограниченное подключение от его имени;
- система отдаёт задачи, встречи и зависимости, доступные этому сотруднику;
- модель готовит план и отмечает конфликты;
- пользователь проверяет рекомендации;
- подтверждённые изменения проходят через обычные правила OpenTasker.
Ответ может учитывать не только срок. Например, пять мелких задач и одна работа на четыре часа требуют другого плана, если между ними уже стоят три встречи.
Как звонки и чаты превращаются в задачи
Локальная система распознавания звонков выделяет обещания и следующие действия. Корпоративный чат можно периодически сводить в список договорённостей. Но сама модель не должна без разбора создавать десятки задач.
Практический процесс выглядит так:
- AI находит явное обязательство;
- показывает исходную фразу или сообщение;
- предлагает проект, исполнителя и срок;
- сотрудник исправляет или отклоняет предложение;
- OpenTasker создаёт подтверждённую задачу и сохраняет источник.
Если клиент сказал «пришлю документ на следующей неделе», системой может быть предложено напоминание менеджеру. Если срок не был назван точно, модель не должна придумывать понедельник.
Почему локальная модель особенно уместна
Задачи содержат имена клиентов, планы, договорённости, внутренние проблемы и будущие решения компании. При локальном размещении OpenTasker и модели этот контекст не нужно передавать внешнему AI-провайдеру.
Открытые модели можно запускать через, например, Ollama на сервере организации. Но место запуска – только один уровень защиты. Нужны также:
- корпоративный вход;
- разделение рабочих областей;
- права на проекты;
- журнал действий;
- ограничение доступных инструментов;
- подтверждение значимых изменений.
Как решение адаптируется под компанию
Готовая система настраивается вокруг рабочего языка заказчика:
- структура проектов и этапов;
- роли, команды и видимость;
- обязательные поля и статусы;
- правила повторяющихся задач;
- календарь и рабочее время;
- связь с CRM, телефонией и чатами;
- перечень действий, доступных AI.
У бухгалтерии, сервисной службы и отдела продаж будут разные подсказки, поля и правила подтверждения. Ядро задач и прав остаётся рабочим, а конфигурация отражает процессы клиента.
Техническим специалистам
OpenTasker построен на Go, PostgreSQL и React. Один слой авторизации обслуживает обычный интерфейс, API и MCP, поэтому отдельный AI-канал не обходит правила рабочей области.
MCP-сервер публикует ресурсы проектов и задач, а также ограниченные инструменты для поиска, планирования и изменений. Каждый вызов связан с пользователем и проверяется сервером до выполнения.
Спецификация MCP отдельно подчёркивает необходимость согласия пользователя и понимания доступных операций. Поэтому подтверждение должно существовать не только в тексте подсказки модели, но и в исполняемом процессе приложения.
Итог
AI-помощник для задач полезен не потому, что умеет красиво пересказать список. Он связывает сроки, встречи, зависимости и обещания, а затем помогает превратить информацию в управляемые действия.
MCP делает интеграцию стандартной, OpenTasker задаёт права и рабочий процесс, а локальная модель позволяет сохранить корпоративный контекст внутри инфраструктуры компании.
Источники
- Model Context Protocol server overviewModel Context Protocol
- Model Context Protocol specificationModel Context Protocol
- Ollama documentationOllama