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.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.