AI Проект-менеджер — цифровий працівник
AI Project Manager автономно керує адміністративним вимірюванням проектів: декомпозиція завдань, ведення бэклога, відстеження прогресу, генерування звітів, моніторинг ризиків, координація командних зустрічей. PM-агент не приймає стратегічні рішення, але знімає з реальних PM операційне навантаження — те, що займає 40–50% часу роботи.
Декомпозиція вимог в завдання
from openai import AsyncOpenAI
from pydantic import BaseModel
from typing import Literal, Optional
client = AsyncOpenAI()
class ProjectTask(BaseModel):
title: str
description: str
acceptance_criteria: list[str]
story_points: int # Fibonacci: 1, 2, 3, 5, 8, 13
task_type: Literal["feature", "bug", "tech_debt", "research", "devops"]
required_skills: list[str]
dependencies: list[str] # Назви залежних завдань
priority: Literal["critical", "high", "medium", "low"]
risk_notes: Optional[str]
async def decompose_requirement(
requirement: str,
team_skills: list[str],
existing_codebase_context: str = "",
) -> list[ProjectTask]:
response = await client.beta.chat.completions.parse(
model="gpt-4o",
messages=[{
"role": "system",
"content": f"""Ти — досвідчений техлід та PM.
Розкладай вимогу на конкретні завдання для команди.
Принципи декомпозиції:
- Кожне завдання виконуване за 1-3 дні одним розробником
- Acceptance criteria — конкретні, перевіряємі
- Вказуй залежності між завданнями
- Story points: використовуй Fibonacci, базуй на складності
Компетенції команди: {team_skills}
Контекст кодової бази: {existing_codebase_context[:500] if existing_codebase_context else 'не надано'}"""
}, {
"role": "user",
"content": f"Вимога: {requirement}",
}],
response_format=list[ProjectTask],
temperature=0.2,
)
return response.choices[0].message.parsed
Agent Sprint Planning
class SprintPlanningAgent:
async def plan_sprint(
self,
backlog: list[dict],
team_capacity: dict, # {developer: available_hours}
sprint_goal: str,
velocity_history: list[int],
) -> dict:
"""Складає план спринту з урахуванням ємності команди"""
available_sp = self.estimate_capacity(team_capacity, velocity_history)
sprint_plan = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": """Ти — Scrum Master, плануєш спринт.
Вибери завдання з бэклога в спринт, дотримуючись:
1. Мета спринту — завдання мають їй відповідати
2. Ємність команди не повинна бути перевищена
3. Врахуй залежності — не можна брати завдання, якщо його dependency не завершена
4. Баланс: не беремо тільки баги або тільки фічі"""
}, {
"role": "user",
"content": f"""Мета спринту: {sprint_goal}
Доступна ємність: {available_sp} SP
Команда та доступність: {team_capacity}
Бэклог (топ-30 по пріоритету):
{json.dumps(backlog[:30], ensure_ascii=False, indent=2)}
Поверни JSON: {{"selected_tasks": [...task_ids], "assignments": {{developer: [task_ids]}}, "sprint_risk": "низький/середній/високий", "risk_explanation": "..."}}"""
}],
response_format={"type": "json_object"},
)
return json.loads(sprint_plan.choices[0].message.content)
def estimate_capacity(self, team_capacity: dict, velocity_history: list[int]) -> int:
avg_velocity = sum(velocity_history[-5:]) / len(velocity_history[-5:])
total_hours = sum(team_capacity.values())
standard_sprint_hours = 8 * 10 * len(team_capacity) # 2 тижні
capacity_ratio = total_hours / standard_sprint_hours
return int(avg_velocity * capacity_ratio)
Автоматизація Daily Standup
class StandupBot:
async def collect_and_summarize(self, project_id: str) -> str:
"""Збирає дані про прогрес та генерує standup digest"""
# Дані з Jira/GitHub
jira_updates = await jira.get_yesterday_updates(project_id)
github_commits = await github.get_commits(project_id, since="yesterday")
blockers = await jira.get_current_blockers(project_id)
open_prs = await github.get_open_prs(project_id)
digest = await client.chat.completions.create(
model="gpt-4o-mini",
messages=[{
"role": "system",
"content": "Створи лаконічний standup digest. Формат: ✅ Виконано, 🔄 В роботі, 🚧 Блокери. Конкретно, без води."
}, {
"role": "user",
"content": f"""Оновлення з Jira:
{json.dumps(jira_updates, ensure_ascii=False, indent=2)}
Коммити:
{json.dumps(github_commits[:10], ensure_ascii=False, indent=2)}
Блокери:
{json.dumps(blockers, ensure_ascii=False, indent=2)}
Відкриті PR: {len(open_prs)}, чекають > 24ч: {sum(1 for p in open_prs if p['waiting_hours'] > 24)}"""
}],
)
return digest.choices[0].message.content
async def post_to_slack(self, digest: str, channel: str):
await slack_client.chat_postMessage(
channel=channel,
text=f"*Standup Digest — {datetime.now().strftime('%d.%m.%Y')}*\n{digest}",
)
Risk Monitor
class ProjectRiskMonitor:
async def assess_risks(self, project_data: dict) -> list[dict]:
"""Автоматично виявляє та оцінює проектні ризики"""
# Числові сигнали ризику
numeric_risks = []
sprint = project_data.get("current_sprint", {})
velocity_trend = project_data.get("velocity_trend", [])
if len(velocity_trend) >= 3 and velocity_trend[-1] < velocity_trend[-3] * 0.7:
numeric_risks.append({
"type": "velocity_decline",
"severity": "high",
"data": f"Velocity: {velocity_trend[-3]} → {velocity_trend[-1]} SP",
})
team_absences = project_data.get("planned_absences", [])
sprint_end = project_data.get("sprint_end_date")
critical_absence = any(
a for a in team_absences
if a.get("days") >= 3 and a.get("person") in sprint.get("key_developers", [])
)
if critical_absence:
numeric_risks.append({
"type": "key_person_absence",
"severity": "medium",
"data": "Ключовий розробник відсутній в критичний період",
})
# LLM аналізує паттерни ризиків
risk_assessment = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": "Виявляй приховані ризики в даних проекту. Поверни JSON-список ризиків з severity і mitigation."
}, {
"role": "user",
"content": json.dumps({**project_data, "known_risks": numeric_risks}, ensure_ascii=False),
}],
response_format={"type": "json_object"},
)
ai_risks = json.loads(risk_assessment.choices[0].message.content).get("risks", [])
return numeric_risks + ai_risks
Практичний кейс: Digital Product Studio, 6 паралельних проектів
Ситуація: 2 PM керували 6 проектами. 35% часу йшло на статус-звіти, планування спринтів, комунікацію про блокери.
AI PM взяв на себе:
- Автоматичний standup digest в Slack кожного ранку
- Щотижневий stakeholder-звіт
- Попередження про ризик сриву (velocity gap, блокери > 2 днів)
- Декомпозиція епіків при створенні нових завдань
- Підготовка sprint planning (пропозиція завдань з урахуванням ємності)
Результати:
- Адміністративний час PM: 35% → 18%
- PM змогли взяти 3-й проект на 1 PM
- Сриви спринтів: -44% (ранні попередження про ризики)
- Команда: 4.1/5.0 оцінка корисності AI PM (без ощущення «стеження»)
Часова шкала
- Sprint planning та декомпозиція: 2–3 тижні
- Standup bot та моніторинг: 1–2 тижні
- Risk assessment та оповіщення: 1–2 тижні
- Jira/GitHub/Slack інтеграції: 1–2 тижні
- Разом: 5–9 тижнів