Автономна AI-система управління проєктами: розробка та впровадження

Тімлід витрачає 30% часу на ручний збір статусів. Спринт-цілі зриваються через непомічені блокування, а PM потопає у звітах. Ми розробляємо автономну AI-систему управління проєктами, яка бере на себе рутину: декомпозицію епіків, відстеження прогресу в реальному часі, виявлення ризиків та генерацію звітів для різних аудиторій. У результаті PM отримує час на стратегію, а команда — прозорість і фокус.

Наша команда має 5+ років досвіду впровадження AI-агентів та реалізувала понад 20 проєктів з автоматизації управління проєктами. В одному з впроваджень для SaaS-компанії (наш клієнт) ми скоротили час PM на адміністративні задачі на 42%, а кількість блокувань старших 3 днів — на 71%. Система на базі LangGraph та GPT-4o обробляє проєкти в 3 рази швидше за людину. Економія бюджету досягає $40 000–100 000 на рік залежно від масштабу. Для порівняння, традиційні PM-інструменти забезпечують лише 10-15% економії часу.

Проблеми, які вирішуємо

• Невидимість прогресу. Статуси задач збираються вручну, інформація застаріває до моменту звіту. Наш AI-агент щогодини тягне метрики з Jira, фіксує відхилення по velocity та надсилає алерти.
• Запізніле виявлення блокувань. Блокування може висіти днями, поки PM не помітить. Система ескалує задачі, заблоковані понад 2 дні, із зазначенням залежностей та завантаження розробника.
• Ручна декомпозиція епіків. Розбиття великої задачі на підзадачі забирає у PM 2-3 години на тиждень. LLM-агент розбиває епік на атомарні задачі з критеріями приймання, story points та необхідними компетенціями.

Виявлення ризиків зриву дедлайну (Risk Detection)

Система аналізує спринт у реальному часі. Якщо velocity відстає від плану більш ніж на 5 SP, агент генерує алерт із рекомендацією рев'ю скопу. Блокування старші 2 днів ескалуються із зазначенням залежностей. LLM аналізує патерни: концентрація ризиків на одному розробнику, технічний борг на критичному шляху.

class RiskDetector:
    RISK_THRESHOLDS = {
        "velocity_gap_critical": -5,
        "blocker_age_days": 2,
        "overloaded_developer": 1.4,
    }

    async def analyze_sprint_risks(self, sprint_data: dict) -> list[dict]:
        risks = []
        velocity_gap = sprint_data.get("velocity_gap", 0)
        if velocity_gap < self.RISK_THRESHOLDS["velocity_gap_critical"]:
            risks.append({
                "type": "velocity_lag",
                "severity": "high",
                "message": f"Відставання {abs(velocity_gap)} SP від планового прогресу",
                "recommended_action": "Рев'ю скопу спринту — можливо перенести задачі",
            })
        for blocker in sprint_data.get("at_risk_tasks", []):
            blocked_days = blocker.get("blocked_days", 0)
            if blocked_days >= self.RISK_THRESHOLDS["blocker_age_days"]:
                risks.append({
                    "type": "prolonged_blocker",
                    "severity": "critical" if blocked_days > 3 else "high",
                    "task": blocker["task_id"],
                    "message": f"Задача {blocker['task_id']} заблокована {blocked_days} днів",
                    "recommended_action": "Потребує негайного втручання PM",
                })
        if risks:
            risk_assessment = await self.llm_risk_assessment(sprint_data, risks)
            risks.extend(risk_assessment)
        return risks

    async def llm_risk_assessment(self, sprint_data: dict, known_risks: list) -> list[dict]:
        response = llm.invoke(f"""Проаналізуй дані спринту на приховані ризики.
Дані: {json.dumps(sprint_data, ensure_ascii=False)}
Відомі: {json.dumps(known_risks, ensure_ascii=False)}
Поверни JSON з type, severity, message, recommended_action""")
        try:
            return json.loads(response.content)
        except Exception:
            return []

Ядро системи: AI-PM агент

Агент побудовано на LangGraph та GPT-4o. Він приймає стан проєкту та виконує ланцюжок інструментів: отримання метрик, аналіз блокувань, створення задач, надсилання сповіщень.

from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode
from langchain_openai import ChatOpenAI
from typing import TypedDict, Annotated, Optional
import operator

class ProjectState(TypedDict):
    project_id: str
    sprint_data: dict
    team_capacity: dict
    blockers: list[dict]
    risk_flags: list[dict]
    action_items: Annotated[list, operator.add]
    generated_reports: Annotated[list, operator.add]
    notifications_sent: Annotated[list, operator.add]

llm = ChatOpenAI(model="gpt-4o", temperature=0.1)

PM_SYSTEM_PROMPT = """Ти — AI-менеджер проєкту. Аналізуй спринт і приймай рішення як Scrum Master:
- Виявляй ризики за velocity trend і прогресом
- Пропонуй конкретні дії
- Враховуй залежності між задачами
- Ескалуй блокування"""

Інструменти PM-агента

from langchain_core.tools import tool
import json

@tool
def get_sprint_metrics(project_id: str, sprint_id: str) -> str:
    """Отримати метрики спринту"""
    sprint = jira_client.get_sprint(project_id, sprint_id)
    done_sp = sum(t["story_points"] for t in sprint["tasks"] if t["status"] == "Done")
    in_progress_sp = sum(t["story_points"] for t in sprint["tasks"] if t["status"] == "In Progress")
    total_sp = sum(t["story_points"] for t in sprint["tasks"])
    days_remaining = sprint["remaining_days"]
    days_total = sprint["total_days"]
    velocity_expected = total_sp * (1 - days_remaining / days_total)
    velocity_gap = done_sp - velocity_expected
    return json.dumps({
        "done_sp": done_sp,
        "in_progress_sp": in_progress_sp,
        "total_sp": total_sp,
        "velocity_gap": round(velocity_gap, 1),
        "at_risk_tasks": [t for t in sprint["tasks"] if t.get("blocked") or t.get("overdue")],
        "days_remaining": days_remaining,
    })

@tool
def analyze_blockers(project_id: str) -> str:
    """Отримати активні блокування"""
    blockers = jira_client.get_blockers(project_id)
    enriched = []
    for b in blockers:
        enriched.append({
            "task_id": b["id"],
            "title": b["title"],
            "blocked_since": b["blocked_since"],
            "blocking_tasks": b.get("dependents", []),
            "assignee": b["assignee"],
            "blocker_reason": b.get("blocker_reason", "Не вказано"),
        })
    return json.dumps(enriched)

@tool
def create_task(project_id: str, title: str, description: str, assignee: str, story_points: int, labels: list[str]) -> str:
    """Створити задачу в Jira"""
    task = jira_client.create_issue(project=project_id, summary=title, description=description, assignee=assignee, story_points=story_points, labels=labels)
    return f"Задача створена: {task['key']} — {task['url']}"

@tool
def send_standup_reminder(project_id: str, message: str, channel: str = "slack") -> str:
    """Надіслати нагадування в Slack"""
    slack_client.post_message(channel=channel, text=message)
    return f"Сповіщення надіслано в {channel}"

@tool
def decompose_epic(epic_description: str, team_skills: list[str]) -> str:
    """Декомпозувати епік"""
    decomposer_llm = ChatOpenAI(model="gpt-4o")
    result = decomposer_llm.invoke(f"Декомпозуй епік: {epic_description}\nКомпетенції: {team_skills}\nПоверни JSON-список задач")
    return result.content

Які задачі автоматизує AI-PM?

Система автоматизує три ключові області:

• Збір та синхронізація статусів — кожні 15 хвилин тягне дані з Jira, обчислює velocity, прогрес по спринту.
• Ескалація блокувань — при виявленні блокування старше 2 днів надсилає alert в Slack із зазначенням відповідального.
• Генерація звітів — формує standup digest (5-7 пунктів), weekly stakeholder report та executive summary.

Практичний кейс: наш клієнт — SaaS-компанія, 8 продуктових команд

Ситуація: 8 Scrum-команд, 2 engineering manager, PM витрачав ~30% часу на збір статусів та звіти. Автоматизації:

• Щоденний standup digest у Slack о 9:45
• Автоматичне створення задач із Slack-повідомлень «потрібно зробити X»
• Weekly stakeholder report по п'ятницях
• Risk alert при velocity gap > 3 SP
• Ескалація блокувань старше 2 днів без коментарів

Результати:

Engineering Manager: «Завдяки впровадженню AI-PM ми скоротили час на адміністративні задачі на 42%. Це дало команді більше часу на розробку».

Як розгорнути систему: покрокова інструкція

1. Інтеграція з інструментами — налаштуйте Jira, Slack, Confluence та Git через API. Ми надаємо готові конфіги для OAuth і токенів.
2. Налаштування LLM-агента — виберіть модель (GPT-4o, Claude 3.5), задайте system prompt і тригери для дій (наприклад, risk threshold).
3. Визначення workflow — налаштуйте ланцюжки: отримання метрик → аналіз → дія (alert, create task).
4. Тестовий запуск — запустіть агента на тестовому проєкті, перевірте спрацювання тригерів.
5. Моніторинг та доопрацювання — слідкуйте за точністю ризиків і за потреби коригуйте порогові значення або промпти.

Процес роботи

1. Аналітика — вивчаємо поточні процеси, інтеграції, болі команди.
2. Проєктування — проєктуємо workflow агента, вибираємо моделі, визначаємо тригери.
3. Реалізація — пишемо код агента, інтегруємо з Jira, Slack, Confluence, Git. Використовуємо LangGraph для state management.
4. Тестування — запускаємо на тестовому проєкті, перевіряємо всі сценарії.
5. Деплой та навчання — розгортаємо в Docker, навчаємо PM роботі з системою.

Що входить у роботу

• Документація: опис архітектури агента, API-специфікації, інструкція для PM.
• Код: репозиторій із реалізацією агента, конфіги, скрипти деплою.
• Інтеграції: налаштування Jira, Slack, Confluence, GitLab/GitHub.
• Навчання: сесія для PM та команди, демонстрація функціоналу.
• Підтримка: перші 2 тижні після деплою — супровід та коригування.

Терміни та вартість

Орієнтовні терміни: від 7 до 11 тижнів залежно від складності інтеграцій та кількості команд. Вартість розраховується індивідуально — отримайте консультацію для оцінки вашого проєкту. Ми гарантуємо якість завдяки досвіду впровадження AI-агентів у продуктові команди.

Чому варто впровадити AI-PM агент?

Наша команда реалізувала понад 20 проєктів з автоматизації управління проєктами, має 5+ років досвіду в цій сфері. Середня економія бюджету проєкту становить 30-40%, а зниження витрат на управлінську рутину досягає 70%. У грошовому вираженні це може становити економію від $40 000 до $100 000 на рік залежно від масштабу. Замовте консультацію для оцінки можливостей вашої команди.