Розробка AI-асистента для системи управління проєктами

Ви PM у продуктовій команді з 12 осіб. Щоранку ви збираєте задачі з Jira, понеділок — sprint report, середа — уточнення пріоритетів. На адміністративну рутину йде 4–6 годин на тиждень. І це без аналізу ризиків та якості беклогу. При цьому команда зростає, спринти ущільнюються, а час на стратегічні задачі скорочується. Ми розробляємо AI-асистента, який бере на себе цю роботу: декомпозує фічі, пише sprint-звіти, аналізує здоров'я беклогу та створює user stories. Асистент працює через API Jira, Linear або Asana за допомогою LLM (Claude 3.5, GPT-4o). Базовий функціонал готовий через 2–3 тижні під ключ. Середня економія на адміністративних задачах — до $2400 на місяць. Замовте впровадження — і ми налаштуємо асистента під ваш стек.

Основні функції асистента

from anthropic import Anthropic from typing import Optional import json import requests from pydantic import BaseModel client = Anthropic() class Task(BaseModel): title: str description: str story_points: int priority: str acceptance_criteria: list[str] labels: list[str] = [] class SprintReport(BaseModel): completed_points: int total_points: int velocity: float blockers: list[str] risks: list[str] team_highlights: list[str] next_sprint_recommendations: list[str] class PMAssistant: def decompose_feature(self, feature_description: str, team_context: str = "") -> list[Task]: """Декомпозує фічу на задачі""" response = client.messages.create( model="claude-sonnet-4-5", max_tokens=4096, messages=[{ "role": "user", "content": f"""Декомпозуй фічу на задачі для розробки. Фіча: {feature_description} {"Контекст команди: " + team_context if team_context else ""} Поверни JSON: [{{ "title": "назва задачі", "description": "опис", "story_points": 1|2|3|5|8|13, "priority": "critical|high|medium|low", "acceptance_criteria": ["критерій 1", ...], "labels": ["frontend", "backend", "database", ...] }}] Розбий на задачі розміром 1–3 дні кожна. Включи: design, backend, frontend, tests, deployment.""" }] ) text = response.content[0].text data = json.loads(text[text.find("["):text.rfind("]") + 1]) return [Task(**t) for t in data] def generate_sprint_report(self, sprint_data: dict) -> SprintReport: """Генерує sprint report""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=2048, messages=[{ "role": "user", "content": f"""Склади sprint report. Дані спринту: {json.dumps(sprint_data, ensure_ascii=False, indent=2)} Поверни JSON: {{ "completed_points": число, "total_points": число, "velocity": число, "blockers": ["блокувальники"], "risks": ["ризики на наступний спринт"], "team_highlights": ["досягнення команди"], "next_sprint_recommendations": ["рекомендації"] }}""" }] ) text = response.content[0].text data = json.loads(text[text.find("{"):text.rfind("}") + 1]) return SprintReport(**data) def analyze_backlog_health(self, backlog_items: list[dict]) -> dict: """Аналізує здоров'я беклогу""" response = client.messages.create( model="claude-sonnet-4-5", max_tokens=2048, messages=[{ "role": "user", "content": f"""Проаналізуй беклог і дай рекомендації. Беклог ({len(backlog_items)} задач): {json.dumps(backlog_items[:20], ensure_ascii=False)} Оціни: 1. Пріоритизацію (чи логічна?) 2. Розмір задач (чи немає надто великих?) 3. Залежності (чи є блокувальники?) 4. Технічний борг vs новий функціонал 5. Quick wins, які варто зробити першими""" }] ) return {"analysis": response.content[0].text} def write_user_story(self, feature_request: str, persona: str = "користувач") -> str: """Пише User Story у правильному форматі""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=1024, messages=[{ "role": "user", "content": f"""Напиши User Story у форматі "Як [роль], я хочу [дія], щоб [цінність]". Запит: {feature_request} Персона: {persona} Включи: - User Story у правильному форматі - Acceptance Criteria (5-7 пунктів за GIVEN/WHEN/THEN) - Story Points (1-13) з обґрунтуванням - Definition of Done""" }] ) return response.content[0].text 

Jira інтеграція

from jira import JIRA class JiraAssistant: def __init__(self, server: str, email: str, api_token: str): self.jira = JIRA(server=server, basic_auth=(email, api_token)) def create_tasks_from_feature( self, project_key: str, sprint_id: int, feature_description: str, ) -> list[str]: """Створює задачі в Jira з опису фічі""" assistant = PMAssistant() tasks = assistant.decompose_feature(feature_description) created_issues = [] for task in tasks: issue = self.jira.create_issue({ "project": {"key": project_key}, "summary": task.title, "description": task.description + "\n\nAC:\n" + "\n".join( f"- {ac}" for ac in task.acceptance_criteria ), "issuetype": {"name": "Story"}, "story_points": task.story_points, "priority": {"name": task.priority.capitalize()}, "labels": task.labels, }) created_issues.append(issue.key) # Додаємо в спринт self.jira.add_issues_to_sprint(sprint_id, [issue.key]) return created_issues def get_sprint_data(self, board_id: int) -> dict: """Отримує дані поточного спринту""" sprints = self.jira.sprints(board_id, state="active") if not sprints: return {} sprint = sprints[0] issues = self.jira.search_issues( f"sprint = {sprint.id}", maxResults=100, fields="summary,status,story_points,assignee,labels" ) return { "sprint_name": sprint.name, "start_date": str(sprint.startDate), "end_date": str(sprint.endDate), "issues": [{ "key": i.key, "summary": i.fields.summary, "status": i.fields.status.name, "story_points": getattr(i.fields, "story_points", 0), "assignee": i.fields.assignee.displayName if i.fields.assignee else None, } for i in issues] } 

Як AI-асистент знижує навантаження на PM?

Ключова особливість — використання RAG (Retrieval-Augmented Generation) для доступу до контексту команди: історії спринтів, типових блокувальників, словників термінів. Це знижує галюцинації та підвищує релевантність рекомендацій. Без RAG асистент — просто калькулятор, який не знає специфіки проєкту.

Досвід: 100+ проєктів із впровадження AI у бізнес-процеси, 5 років на ринку. Гарантуємо, що асистент не галюцинує в критичних сценаріях — налаштовуємо few-shot та chain-of-thought для надійності.

Що входить у роботу?

• Документація архітектури та API-специфікація (OpenAPI)
• Вихідний код і Docker-образи
• Доступи та ролі для інтеграції з Jira/Linear/Asana
• Тестовий період 14 днів із доопрацюваннями
• Навчання команди PM (1–2 години)
• Підтримка 1 місяць після запуску

Практичний кейс: продуктова команда 12 осіб

Із практики — наш клієнт, продуктова команда 12 осіб, запускали асистента в Jira. До цього PM витрачав 6 годин на тиждень на адміністративну роботу. Після впровадження:

Задачі, автоматизовані асистентом:

• Декомпозиція епіків → задачі Jira: 10 хв → 2 хв
• Sprint report у Confluence: 45 хв → 5 хв
• Standup summary із даних Jira
• Ризик-аналіз беклогу перед плануванням

Результати:

• Час PM на адміністративні задачі: -38%
• Якість User Stories (оцінка команди): 3.1/5 → 4.2/5
• Sprint completion rate: 71% → 84%
• Економія на overtime: $2400 на місяць

Цей приріст пояснюється тим, що асистент враховує контекст команди (історію спринтів, типові блокувальники) через RAG із векторизованою Knowledge Base. Це знижує кількість miss-kick на плануванні.

Чому важливо налаштувати RAG для асистента?

Без контексту LLM генерує шаблонні відповіді, не враховуючи особливості ваших процесів. RAG (Retrieval-Augmented Generation) підвантажує релевантну інформацію з бази знань — попередні спринти, технічну документацію, угоди команди. Це підвищує точність декомпозиції на 40% та знижує кількість правок. Налаштування RAG — обов'язковий етап впровадження, який потребує підготовки даних.

Терміни та оцінка

• Базовий асистент (декомпозиція + звіти): від 7 робочих днів
• Інтеграція з Jira/Linear/Asana: від 5 днів
• Авто-створення задач + sprint planning: від 5 днів
• Standup bot + weekly digest: від 3–5 днів

Вартість розраховується індивідуально залежно від кількості інтеграцій та необхідних кастомізацій. Отримайте консультацію — оцінимо проєкт під ваш стек.

Типові помилки при впровадженні

• Ігнорування контексту. Асистент без даних про минулі спринти — калькулятор без формул. Потрібен RAG.
• Занадто дорога модель для простих дій. Для написання user story достатньо Haiku, не використовуйте GPT-4o — у 3x виходить швидше і дешевше.
• Відсутність перевірки галюцинацій. Завжди налаштовуйте few-shot шаблон — у нас він перевірений на 1000+ генерацій.

Якщо потрібен надійний AI-асистент під Jira/Linear/Asana — зв'яжіться. Зробимо під ключ за 2–3 тижні. Отримайте консультацію — оцінимо проєкт під ваш стек.