# OKR с AI: от размытых целей к измеримым Key Results за 30 минут

> Как использовать LLM для генерации OKR: промпты, шаблоны, примеры хороших и плохих Key Results. Процесс от стратегических приоритетов к готовому набору OKR за одну сессию.
> Author: Roman Belov · Published: 2026-04-07 · Source: https://futurecraft.pro/ru/blog/okr-setting-ai/

Компании, внедрившие OKR, регулярно не достигают заявленных Key Results. Главная причина чаще всего не в исполнении, а в формулировках. Key Results либо неизмеримы ("улучшить пользовательский опыт"), либо подменяют метрику активностью ("провести 10 встреч с клиентами"), либо оторваны от Objective настолько, что выполнение всех KR не приближает к цели.

Традиционный процесс постановки OKR занимает 2-4 недели: стратегическая сессия, каскадирование по командам, согласование между отделами, несколько раундов правок. Квартал начинается с устаревшими целями, а формулировки отражают компромисс между участниками, а не реальные приоритеты.

LLM сжимают цикл постановки OKR с недель до минут. Не потому что модель "умнее" команды, а потому что она делает три вещи быстрее человека: генерирует варианты, проверяет формулировки на типичные ошибки и предлагает метрики, о которых команда не подумала. Тот же принцип переиспользования контекста, что и в [context engineering](/ru/blog/context-engineering-guide/) — только применённый к целеполаганию.

## Анатомия хорошего OKR

Objective отвечает на вопрос "куда движемся". Key Results отвечают на вопрос "откуда узнаем, что пришли". Два правила нарушают чаще всего.

**Objective — качественный, амбициозный, вдохновляющий.** Без цифр. Objective — это направление, не метрика. "Стать лидером по скорости доставки в регионе" — Objective. "Сократить время доставки до 2 часов" — уже Key Result.

**Key Result — количественный, ограниченный по времени, проверяемый.** Формула: глагол + метрика + от [текущее значение] до [целевое значение]. Результат, который проверяется без субъективной оценки.

### Плохие OKR vs хорошие OKR

| Плохой OKR | Проблема | Хороший OKR |
|-----------|----------|-------------|
| **O:** Улучшить продукт | Размыто, нет направления | **O:** Сделать онбординг настолько простым, что пользователи не обращаются в поддержку |
| **KR:** Провести 15 пользовательских интервью | Активность, не результат | **KR:** Снизить количество тикетов поддержки по онбордингу с 120 до 30 в месяц |
| **KR:** Улучшить UX | Неизмерим | **KR:** Увеличить completion rate первой сессии с 34% до 70% |
| **KR:** Запустить новую фичу | Бинарный output | **KR:** Достичь 40% adoption rate новой фичи среди активных пользователей за 6 недель |

Три паттерна плохих Key Results:

1. **Activity-based.** "Провести 10 встреч", "написать 20 постов", "запустить 3 кампании". Это задачи, не результаты. Встречи можно провести впустую, посты могут не принести трафик.
2. **Binary.** "Запустить мобильное приложение", "внедрить CRM". Либо да, либо нет. Нет шкалы прогресса, нет сигнала о частичном достижении.
3. **Vanity metrics.** "Увеличить просмотры страницы до 100K". Просмотры без привязки к конверсии или retention — шум, не сигнал.

## Промпт для генерации OKR из стратегического контекста

Первый шаг — подать LLM максимум контекста о бизнесе. Чем точнее входные данные, тем релевантнее выход. Минимальный набор: текущие метрики, стратегические приоритеты, ограничения.

```
Роль: ты — опытный OKR-коуч с 10-летним стажем в технологических компаниях.

Контекст компании:
- Продукт: [описание продукта, стадия, бизнес-модель]
- Размер команды: [число людей, структура]
- Текущие метрики: [MRR, MAU, churn, NPS, conversion — всё что есть]
- Стратегические приоритеты на квартал: [1-3 приоритета]
- Ограничения: [бюджет, технический долг, зависимости от других команд]

Задача: сгенерируй 3 Objectives с 3-4 Key Results каждый на [Q_ 20__].

Требования к Objectives:
- Качественные, без цифр
- Амбициозные, но достижимые (70% вероятность выполнения)
- Привязаны к стратегическим приоритетам
- Формулировка от первого лица команды ("Мы...")

Требования к Key Results:
- Формат: [глагол] + [метрика] + от [текущее] до [целевое]
- Каждый KR измерим без субъективной оценки
- Никаких activity-based KR (не "провести", "запустить", "написать")
- Никаких бинарных KR (не "да/нет")
- Baseline (текущее значение) обязателен — если неизвестен, укажи "[уточнить]"
- Для каждого KR укажи источник данных (где проверить метрику)

Антипаттерны (избегай):
- KR, которые контролируются внешними факторами (курс валют, действия конкурентов)
- KR без связи с Objective
- Больше 4 KR на один Objective
- Метрики тщеславия (vanity metrics)

Формат вывода:
## Objective 1: [формулировка]
- KR 1.1: [формулировка] | Baseline: [X] → Target: [Y] | Источник: [где проверить]
- KR 1.2: ...
- KR 1.3: ...
Связь со стратегией: [какой приоритет закрывает]
```

### Пример заполненного промпта

```
Контекст компании:
- Продукт: B2B SaaS для управления проектами, стадия growth, подписная модель
- Размер команды: 18 человек (8 инженеров, 3 продукт, 4 маркетинг, 3 саппорт)
- Текущие метрики: MRR $85K, MAU 2,400, churn 6.2%/мес, NPS 38, trial-to-paid 12%
- Стратегические приоритеты на квартал: снижение оттока, рост конверсии триала
- Ограничения: нет бюджета на paid acquisition, техдолг в модуле интеграций

Задача: сгенерируй 3 Objectives с 3-4 Key Results каждый на Q2 2026.
```

Типичный результат после этого промпта:

**Objective 1: Мы превращаем триальных пользователей в лояльных клиентов**
- KR 1.1: Увеличить trial-to-paid конверсию с 12% до 20% | Источник: Stripe Dashboard
- KR 1.2: Сократить time-to-first-value с 4.2 дней до 1.5 дней | Источник: Mixpanel
- KR 1.3: Достичь 60% activation rate (создание первого проекта + приглашение коллеги) с текущих 28% | Источник: Product analytics

**Objective 2: Мы делаем продукт настолько полезным, что клиенты не уходят**
- KR 2.1: Снизить monthly churn с 6.2% до 3.5% | Источник: Stripe/ChartMogul
- KR 2.2: Увеличить NPS с 38 до 50 | Источник: квартальный NPS-опрос
- KR 2.3: Увеличить weekly active usage с 3.1 до 4.5 сессий/пользователь | Источник: Amplitude
- KR 2.4: Снизить время ответа саппорта с 4 часов до 1 часа (медиана) | Источник: Intercom

**Objective 3: Мы выстраиваем органический growth engine, который работает без рекламного бюджета**
- KR 3.1: Увеличить органический трафик с 8,200 до 15,000 визитов/мес | Источник: Google Analytics
- KR 3.2: Достичь 15% referral rate (приглашения от существующих пользователей) с текущих 4% | Источник: Product analytics
- KR 3.3: Опубликовать 8 кейсов с клиентами, каждый с конверсией в trial > 2% | Источник: GA + UTM

## Промпт для проверки существующих OKR

Команды, которые уже составили OKR вручную, получают больше пользы от ревью-промпта, чем от генерации с нуля. LLM находит слабые формулировки за секунды.

```
Роль: OKR-аудитор. Проверь следующие OKR по критериям качества.

OKR для проверки:
[вставить текущие OKR]

Проверь каждый Key Result по чеклисту:
1. Измеримость: можно ли проверить без субъективной оценки? (да/нет)
2. Тип: outcome (результат) или output (активность)?
3. Baseline: указано текущее значение? (да/нет/неизвестно)
4. Амбициозность: вероятность достижения ~70%? (заниженный/нормальный/нереалистичный)
5. Связь с Objective: достижение всех KR = достижение Objective? (да/частично/нет)
6. Контролируемость: команда контролирует результат? (полная/частичная/внешняя)
7. Конфликты: противоречит ли какому-то другому KR? (нет/указать какому)

Для каждого слабого KR предложи улучшенную формулировку.

Итого:
- Оценка набора OKR: [1-10]
- Критические проблемы: [список]
- Рекомендации: [список]
```

Этот промпт выявляет четыре типичные проблемы.

**Activity-based KR, замаскированные под результаты.** "Внедрить систему автоматического онбординга" звучит как результат, но это output. LLM предложит замену: "Увеличить долю пользователей, завершивших онбординг без обращения в поддержку, с X% до Y%".

**Отсутствие baseline.** KR "увеличить конверсию до 25%" бесполезен без текущего значения. Если сейчас 24% — это не амбициозная цель. Если 5% — нереалистичная.

**Несвязанность KR с Objective.** Objective про удержание клиентов, а один из KR про количество публикаций в блоге. LLM отмечает разрыв и предлагает связать через метрику: "Увеличить repeat visit rate из блога с X% до Y%".

**KR-конфликты.** "Сократить time-to-market" и "увеличить test coverage до 90%" в одном наборе создают напряжение. LLM не решит, что важнее, но покажет конфликт.

## Промпт для каскадирования OKR по командам

Компания поставила верхнеуровневые OKR. Каждая команда создаёт свои, поддерживающие общие. Этот процесс согласования — самое затратное место во всём OKR-цикле.

```
Контекст:
Компания поставила следующие OKR на [квартал]:
[вставить company-level OKR]

Команда: [название, функция, размер]
Зона ответственности команды: [что контролирует команда]
Текущие метрики команды: [специфичные метрики]

Задача: сгенерируй 2 Objectives с 3 Key Results для этой команды,
которые поддерживают company-level OKR.

Требования:
- Каждый team-level Objective должен явно поддерживать один company-level Objective
- KR должны быть в зоне контролируемости команды
- Укажи связь: Team KR → Company KR (какой именно)
- Избегай дублирования с другими командами

Формат:
## Team Objective 1: [формулировка]
Поддерживает: Company Objective [N]
- KR 1.1: [формулировка] | → влияет на Company KR [X.Y]
```

## 30-минутный процесс OKR-сессии

Полный процесс от стратегических приоритетов до готовых OKR укладывается в 30 минут.

### Минуты 0-5: сбор контекста

Зафиксировать входные данные для LLM:

- Стратегические приоритеты (не больше 3)
- Текущие метрики (все доступные)
- Ограничения и зависимости
- Результаты прошлого квартала (что достигнуто, что нет)

Сбор этих данных автоматизируется. Если метрики хранятся в дашбордах, их экспорт и подача в промпт занимают минуту. Тот же подход, что используется при [создании SOP из существующих артефактов](/ru/blog/sop-generator-ai-documentation/) — не генерировать из головы, а перерабатывать то, что уже есть.

### Минуты 5-15: генерация черновика

Использовать промпт генерации из раздела выше. Запустить 2-3 раза с разной температурой или переформулированными приоритетами. Это даст 6-9 Objectives и 18-27 Key Results. Избыток намеренный.

### Минуты 15-25: фильтрация и доработка

Из сгенерированных вариантов выбрать 2-4 Objective. Для каждого оставить 3 KR. Критерии отбора:

1. **Стратегическое соответствие.** KR приближает к стратегическому приоритету напрямую, а не через три посредника.
2. **Измеримость на практике.** Метрика существует в текущих инструментах. KR "увеличить customer lifetime value" бесполезен, если CLV не считается.
3. **Контролируемость.** Команда может повлиять на метрику своими действиями за квартал.
4. **Отсутствие конфликтов.** KR не противоречат друг другу внутри набора.

Прогнать финальный набор через промпт аудита. Исправить найденные проблемы.

### Минуты 25-30: финализация

Зафиксировать итоговые OKR с baseline, target и источником данных. Определить частоту check-in (еженедельно или раз в две недели). Назначить ответственного за каждый KR.

## Промпт для mid-quarter ревью OKR

OKR без регулярной проверки — декорация. Mid-quarter check-in определяет, нужна ли коррекция курса.

```
Текущие OKR и прогресс:
[вставить OKR с текущими значениями метрик]

Прошло [X] недель из [Y] (квартал).

Для каждого Key Result определи:
1. Статус: on track / at risk / off track
2. Прогноз: текущая траектория приводит к [X]% выполнения к концу квартала
3. Если at risk или off track:
   - Возможные причины (сформулируй как гипотезы)
   - 2-3 конкретных действия для коррекции курса
   - Стоит ли пересмотреть target (и почему)

Общая оценка набора OKR:
- Какие OKR стоит сохранить без изменений?
- Какие стоит скорректировать?
- Есть ли новые приоритеты, которые не отражены в текущих OKR?
```

## Типичные ошибки при генерации OKR с AI

**Принимать первый результат без фильтрации.** LLM генерирует правдоподобные формулировки, но не знает реального контекста бизнеса. KR "достичь NPS 70" звучит хорошо, но если текущий NPS — 25, это нереалистично за квартал. Каждый KR требует проверки на адекватность.

**Подавать слабый контекст.** "Сгенерируй OKR для SaaS-стартапа" даёт generic результат. Чем конкретнее метрики, ограничения и приоритеты на входе, тем точнее OKR на выходе.

**Игнорировать baseline.** LLM часто генерирует KR без текущего значения: "увеличить retention до 85%". Без baseline невозможно оценить амбициозность. Всегда требуйте формат "от X до Y".

**Использовать AI для замены обсуждения.** OKR — инструмент alignment. Если команда не обсуждает цели, а получает готовые OKR из ChatGPT, теряется главная ценность: общее понимание приоритетов. AI генерирует черновик и проверяет формулировки. Решение о приоритетах остаётся за командой.

**Ставить слишком много OKR.** LLM легко генерирует 10 Objectives с 40 Key Results. Это не помогает. Оптимум для команды: 2-4 Objectives, 3 KR на каждый. Больше — потеря фокуса.

## Чеклист качества OKR

Финальная проверка перед фиксацией OKR. Каждый пункт бинарный (да/нет). Если хотя бы один "нет" — доработать.

**На уровне Objective:**
- [ ] Формулировка качественная (без цифр)
- [ ] Понятно направление движения
- [ ] Амбициозный, но достижимый
- [ ] Привязан к стратегическому приоритету

**На уровне Key Result:**
- [ ] Формат "глагол + метрика + от X до Y"
- [ ] Измерим без субъективной оценки
- [ ] Указан baseline (текущее значение)
- [ ] Указан источник данных
- [ ] Результат, не активность
- [ ] Команда контролирует метрику
- [ ] Не конфликтует с другими KR

**На уровне набора:**
- [ ] 2-4 Objectives, 3 KR на каждый
- [ ] Выполнение всех KR = достижение Objective
- [ ] Нет дублирования между Objectives
- [ ] Назначены ответственные
- [ ] Определена частота check-in

## Интеграция с существующими процессами

**Quarterly planning.** OKR ставятся в начале квартала. AI-генерация ускоряет процесс, но не отменяет стратегической сессии. Промпт генерации используется до сессии (подготовка черновика) или во время (быстрая итерация).

**Sprint planning.** Задачи спринта привязываются к KR. Каждая задача отвечает на вопрос "какой KR это приближает?". Задачи без привязки к KR — сигнал о рассинхронизации.

**Weekly check-in.** Обновление прогресса по KR. Автоматизируется: метрики подтягиваются из аналитических инструментов и подаются в промпт mid-quarter ревью.

**Retrospective.** В конце квартала — скоринг OKR (0-1.0) и анализ. Промпт для ретроспективы:

```
Результаты квартала:
[OKR с финальными значениями метрик, скоринг 0-1.0]

Проанализируй:
1. Паттерны: какие типы KR систематически перевыполняются / не достигаются?
2. Причины: что помогло / помешало?
3. Рекомендации для следующего квартала:
   - Какие KR стоит продлить
   - Какие OKR закрыты и не нуждаются в продолжении
   - Какие новые приоритеты появились
```

## Что дальше

OKR — один элемент операционной системы компании. Генерация целей с помощью AI работает лучше в связке с другими процессами: [SOP-документацией](/ru/blog/sop-generator-ai-documentation/) для фиксации процессов, которые поддерживают KR, и [context engineering](/ru/blog/context-engineering-guide/) для подачи правильного контекста в каждый промпт.

Промпты из этой статьи — отправная точка. Адаптируйте их под контекст: добавляйте специфику отрасли, метрики продукта, историю предыдущих OKR-циклов. Чем точнее контекст, тем меньше ручной доработки на выходе.

---

*Нужна помощь с настройкой OKR-процесса и внедрением AI в операционные процессы? Я помогаю стартапам внедрять AI-решения и строить продукты — [belov.works](https://belov.works).*