AI Проект-менеджер — цифровой сотрудник
AI Project Manager автономно управляет административным измерением проектов: декомпозиция задач, ведение бэклога, отслеживание прогресса, генерация отчётов, мониторинг рисков, координация командных встреч. PM-агент не принимает стратегические решения, но снимает с реальных PM операционную нагрузку — то, что занимает 40–50% рабочего времени.
Декомпозиция требований в задачи
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] # Названия зависимых задач
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"""Ты — опытный техлид и PM.
Декомпозируй требование в конкретные задачи для команды.
Принципы декомпозиции:
- Каждая задача должна быть выполнима за 1-3 дня одним разработчиком
- Acceptance criteria — конкретные, проверяемые
- Укажи зависимости между задачами
- Story points: используй Fibonacci, основывай на сложности
Компетенции команды: {team_skills}
Контекст кодовой базы: {existing_codebase_context[:500] if existing_codebase_context else 'не предоставлен'}"""
}, {
"role": "user",
"content": f"Требование: {requirement}",
}],
response_format=list[ProjectTask],
temperature=0.2,
)
return response.choices[0].message.parsed
Sprint Planning агент
class SprintPlanningAgent:
async def plan_sprint(
self,
backlog: list[dict],
team_capacity: dict, # {developer: available_hours}
sprint_goal: str,
velocity_history: list[int],
) -> dict:
"""Составляет план спринта с учётом ёмкости команды"""
available_sp = self.estimate_capacity(team_capacity, velocity_history)
sprint_plan = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": """Ты — Scrum Master, планируешь спринт.
Выбери задачи из бэклога в спринт, соблюдая:
1. Цель спринта — задачи должны соответствовать ей
2. Ёмкость команды не должна быть превышена
3. Учти зависимости — нельзя брать задачу, если её dependency не завершена
4. Баланс: не берём только баги или только фичи"""
}, {
"role": "user",
"content": f"""Цель спринта: {sprint_goal}
Доступная ёмкость: {available_sp} SP
Команда и доступность: {team_capacity}
Бэклог (топ-30 по приоритету):
{json.dumps(backlog[:30], ensure_ascii=False, indent=2)}
Верни JSON: {{"selected_tasks": [...task_ids], "assignments": {{developer: [task_ids]}}, "sprint_risk": "низкий/средний/высокий", "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 недели
capacity_ratio = total_hours / standard_sprint_hours
return int(avg_velocity * capacity_ratio)
Daily Standup автоматизация
class StandupBot:
async def collect_and_summarize(self, project_id: str) -> str:
"""Собирает данные о прогрессе и генерирует standup digest"""
# Данные из 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": "Создай лаконичный standup digest. Формат: ✅ Выполнено, 🔄 В работе, 🚧 Блокеры. Конкретно, без воды."
}, {
"role": "user",
"content": f"""Обновления из Jira:
{json.dumps(jira_updates, ensure_ascii=False, indent=2)}
Коммиты:
{json.dumps(github_commits[:10], ensure_ascii=False, indent=2)}
Блокеры:
{json.dumps(blockers, ensure_ascii=False, indent=2)}
Открытые PR: {len(open_prs)}, в т.ч. ожидают ревью > 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]:
"""Автоматически выявляет и оценивает проектные риски"""
# Числовые сигналы риска
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": "Ключевой разработчик отсутствует в критический период",
})
# LLM анализирует паттерны рисков
risk_assessment = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": "Выяви скрытые риски в проектных данных. Верни JSON-список рисков с severity и 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
Практический кейс: digital product studio, 6 параллельных проектов
Ситуация: 2 PM управляли 6 проектами суммарно. 35% времени уходило на статус-отчёты, планирование спринтов, коммуникацию о блокерах.
AI PM взял на себя:
- Автоматический standup digest в Slack каждое утро
- Еженедельный stakeholder-отчёт
- Предупреждения о риске срыва (velocity gap, блокеры > 2 дней)
- Декомпозиция эпиков при создании новых задач
- Подготовка sprint planning (предложение задач с учётом ёмкости)
Результаты:
- Административное время PM: 35% → 18%
- PM смогли взять 3-й проект на 1 PM
- Срывы спринтов: -44% (раннее предупреждение о рисках)
- Команда: 4.1/5.0 оценка полезности AI PM (без ощущения «слежки»)
Сроки
- Sprint planning и декомпозиция: 2–3 недели
- Standup bot и мониторинг: 1–2 недели
- Risk assessment и алерты: 1–2 недели
- Jira/GitHub/Slack интеграции: 1–2 недели
- Итого: 5–9 недель