Идеальный «Пинатель» для разработчиков в управлении спринтами и дедлайнами или новый подход в автоматизации управления IT-проектами

Идея создания бота не была спонтанной — почвой для ее созревания стала проектная рутина, в которой оказались проджект-менеджеры. Компания взялась масштабировать разработку на все свои IT-проекты и приступила к созданию AI-ассистента CYFER, способного отслеживать данные по проектам, контролировать дедлайны, автоматически отправлять напоминания исполнителям и собирать необходимые метрики. В разработку решения со стороны команды были вовлечены: СЕО, главный AI-эксперт, рядовой разработчик, проджект-менеджер и delivery-менеджер.

Каждый этап создания AI-агента мы тестировали на себе. Для начала требовалось проверить гипотезу — достаточно ли информации остается в цифровых следах.

Для этого был разработан прототип — PoC (AI-бота). Мы выгрузили все данные из Jira и Confluence, загрузили их в локально развернутую LLM (что свело к нулю риск утечек) и стали пробовать задавать ей вопросы по добавленным материалам. Такие, которые обычно задают проджект-менеджеры:

• «Сколько задач доставлено?»
• «Сколько не доставлено?»
• «Есть ли задачи, у которых превышено оцененное время?»
• «Какое количество задач находится на таком-то разработчике?»
• «Посчитай KPI» и т.д.

Большая языковая модель анализировала имеющиеся у себя данные и выдавала ответы — это была единственная функция бота на данном этапе.

Благодаря запуску прототипа нам удалось протестировать модуль «Контроль сроков» и проверить потенциал использования RAG (когда информация извлекается не только из внутренней базы, но и из внешних источников).

Удалось пресечь и главный риск работы с генеративной моделью — выдачу неточных ответов. Помогло в этом настойчивое тестирование, привлечение к оценке результатов реальных проджект-менеджеров, тестировщиков и обычных пользователей. AI-боту задавались самые разные вопросы, выявлялись смысловые ошибки — после мы правили настройки и дообучали систему.

Работа над PoC заняла 4 недели, в том числе неделя потребовалась на обучение языковой модели качественному анализу заложенной в базу информации и выдаче корректных ответов.

Когда PoC был полностью готов, мы приступили к разработке MVP (минимально жизнеспособного продукта). Он включал отдельный модуль системы обработки информации. Если в прототипе языковая модель обрабатывала те данные, что выгружались из Jira и Confluence, то в MVP происходило непосредственное подключение к этим платформам. Все происходящие в них изменения бот стал фиксировать в режиме реального времени.

Также была добавлена кодовая база — GitLab. Теперь система могла не только осуществлять контроль и отвечать на вопросы — в нее программистами вручную было заложено 5 правил, которые автоматически срабатывали в случае наступления указанных в них условий.

Примеры таких правил:

• Если разработчик создал задачу в Jira и не написал к ней описание, то через час необходимо прислать сообщение в общий чат, тегнув этого разработчика.
• Если по какой-то задаче длительное время нет изменений в GitLab, нужно отправить уведомление ответственному лицу.

Однако при работе с агентным фреймворком, используемым для работы системы, возникла сложность в настройке SQL-запросов к базе данных. Чтобы понять причину, мы стали изучать код самого фреймворка. Нашли источник проблемы и внесли изменения во входные настройки.

Кроме указанных двух доработок, MVP был наделен функцией предоставления единственной отчетности. Для проведения тестирования мы выбрали SWOT-анализ. Отчет генерировался LLM и формировался ботом в виде 4 списков: сильные и слабые стороны, потенциальные возможности и угрозы проекта.

Этап разработки и тестирования MVP занял порядка 1,5-2 месяцев. На обучение системы SWOT-анализу потребовалось 1,5-2 дня.

Мы ощутили заметный рост производительности уже в первые 2 недели использования минимально жизнеспособного продукта в собственной команде.

Третьим этапом работы над электронным помощником стал его перевод из MVP в состояние распространяемого продукта.

Что мы сделали:

ШАГ 1: Увеличили количество проектов, над которыми может работать ассистент. Раньше бот умел анализировать и обрабатывать данные в рамках только одного проекта в GitLab, Jira и Confluence — пришло время предложить ему сразу все. Появился так называемый интерактивный Set Up, позволяющий добавлять новые проекты и настраивать их прямо в чате.

ШАГ 2: Добавили возможность создавать правила прямо из текстовых промптов. Проджект-менеджер может написать, например, так:

• «Если при создании задачи не было указано описание к ней, уведоми меня об этом через час»
• «Если описание так и не появится через час, уведоми СЕО через два часа»

...и так до бесконечности.

ШАГ 3: Добавили возможность общения с ботом посредством индивидуальной переписки. Стало возможным создание таких правил, которые будут включать отправку сообщений как в общий чат, так и в приват.

Пример цепочки:

• «Если разработчик забыл написать к задаче описание, отправь ему уведомление в виде личного сообщения».
• «Если через час описание так и не появится, отправь уведомление проджект-менеджеру»
• «Если еще через час описание не появится, напиши соответствующее сообщение в общий чат»

В ходе работ мы столкнулись со сложностью генерации программного кода для проверки правил — одного из полей в структуре данных, получаемых из текстового запроса пользователя. Чтобы добиться успеха, пришлось много экспериментировать, использовать большое количество промптов. Плюс для выполнения сгенерированного кода использовалась изолированная инфраструктура — чтобы не «сломать» то, что создали ранее программисты. Непросто было и проверить код на ошибки, отладить его, стабилизировать.

Еще одной занимательной задачей на данном этапе стало обучение AI-агента «человечному» общению. Он умеет шутить, добавляет в сообщения эмодзи и воспринимается командой скорее как виртуальный заместитель проджект-менеджера.

Работы по третьей фазе заняли около 2,5 месяцев.

Решение предусматривает базовую интеграцию с платформами управления проектами Jira, Confluence и GitLub, а также с мессенджерами Slack или Telegram. Поддерживает Webhooks для взаимодействия с корпоративным ПО.

• Модуль контекстной помощи «Help». Дает подсказки по проектам, выявляет риски, предлагает решения по оптимизации интеграции, проводит интерактивное обучение для новых пользователей.

• Модуль управления знаниями «Core Mind». Упорядочивает и структурирует всю информацию по проекту. База данных пополняется автоматически, открывается интеллектуальный поиск по контексту, повторяющиеся ошибки берутся на «карандаш», документы сами привязываются к соответствующим проектам.

• Модуль контроля исполнения «Pulse Tracker». Обеспечивает круглосуточный мониторинг сроков, затрат и ресурсов в реальном времени. Сюда входят напоминания о дедлайнах, выявление «узких мест», анализ причин задержек, прогнозы по задачам, оценка затрат и контроль бюджета.

• Модуль эффективности коммуникации «Collab Booster». Отвечает за качество и прозрачность взаимодействия: оценивает полноту обратной связи, генерирует отчеты с анализом активности, обнаруживает и эскалирует нерешенные вопросы.

• Модуль управления проблемами «Risk Shield». Оперативно реагирует на риски возникновения проблем, предупреждает и предлагает решения, при необходимости запускает триггер созыва экстренного совещания.

Команде CYFER удалось разработать передового цифрового ассистента, который трансформирует подход к управлению проектами и значительно повышает эффективность работы IT Project Managers и руководителей разработки. Этот инновационный инструмент не просто автоматизирует рутинные процессы — он становится стратегическим помощником, который оптимизирует всю экосистему управления проектом.

Ассистент освобождает до 20% их рабочего времени.

Благодаря мощности искусственного интеллекта, ассистент берет на себя задачи по мониторингу бюджета, сроков и рисков, предвосхищая потенциальные проблемы и предлагая решения еще до их появления.

Формирование отчетов, управление рабочими потоками и анализ ключевых показателей теперь занимают секунды, позволяя менеджерам сосредоточиться на принятии взвешенных решений и стратегическом развитии.

Внедрение ассистента не только позволило сократить трудозатраты на рутинные процессы, но и значительно снизило уровень стресса у руководителей, предоставив им больше времени для реализации креативных и высокоуровневых задач.

Ассистент стал незаменимым партнером в достижении амбициозных целей.

Вопросы по внедрению пинателя команды разработки

?

Технологический стэк

Ниша AI-решения

Автоматизация управления IT-проектами и командами разработки (100+ сотрудников)

Автоматизация управления
IT-проектами и командами разработки (100+ сотрудников)

Этапы работы над "Пинателем"

Результат

Освободите свое время — AI-ассистент возьмет на себя всю рутину управления спринтами, дедлайнами с командой разработки

Освободите свое время —
AI-ассистент возьмет на себя всю рутину управления спринтами, дедлайнами с командой разработки