Прогнозирование сроков с AI и flow-метриками, которым доверяет бизнес
«Когда будет готово?» Этот вопрос задаётся на каждом стейкхолдерском обзоре, и каждый раз ответ звучит неубедительно. «Мы планируем три спринта, но это предварительная оценка». Руководитель слышит «три спринта», ставит дату в план, а когда сроки съезжают, теряет доверие к команде. Команда, в свою очередь, чувствует давление и начинает занижать scope, чтобы точно уложиться. Результат: медленная поставка и взаимное недовольство.
Проблема в самом подходе к прогнозированию. Velocity-based оценки (мы делаем 40 story points за спринт, значит, 120 points займут три спринта) привлекают простотой, но дают ложную точность. Они работают, когда команда стабильна, бэклог проработан и внешних зависимостей мало. В крупной компании, где всё это одновременно случается редко, velocity врёт регулярно.
Flow-метрики как фундамент
Cycle time (время от начала работы над задачей до завершения) и throughput (количество завершённых задач за период) описывают реальную скорость команды без привязки к субъективным оценкам. Данные для них берутся из Jira автоматически, и манипулировать ими сложнее, чем story points.
Ключевое преимущество: flow-метрики работают с фактами прошлого, а не с прогнозами будущего. Cycle time показывает, сколько времени задачи реально занимали. Throughput показывает, сколько задач команда реально закрывала. Это фундамент, на котором можно строить прогнозы.
Monte Carlo-симуляция через AI
Классическая Monte Carlo-симуляция для прогнозирования сроков раньше требовала специальных инструментов и понимания статистики. В 2026 году достаточно выгрузить из Jira throughput по неделям за последние 3-4 месяца и загрузить в Claude. Попросить провести Monte Carlo-симуляцию для 25 оставшихся задач с учётом исторического распределения throughput.
Результат выглядит как набор вероятностей: «С вероятностью 50% завершите к 11 апреля. С вероятностью 70% к 18 апреля. С вероятностью 85% к 25 апреля. С вероятностью 95% к 2 мая». Формат непривычный для руководителей, привыкших к одной дате, но информативность несопоставимо выше. Бизнес видит коридор и может принять осознанное решение: запускать маркетинговую кампанию на 11-е или подстраховаться и поставить 25-е.
Разговор с бизнесом на языке рисков
Главное изменение, которое приносит вероятностное прогнозирование, касается качества диалога между командой и бизнесом. Вместо «мы обещаем три спринта» и последующих оправданий появляется разговор о рисках. «Если нам нужна 85%-я уверенность, закладываем 6 недель. Если достаточно 50%, можно ориентироваться на 4. Выбирайте уровень риска, с которым комфортно работать».
В банках и крупных компаниях, где прогнозирование привязано к бюджетным циклам и внешним обязательствам, такой формат приживается не сразу. Но после двух-трёх кварталов, когда реальные сроки стабильно попадают в прогнозный коридор, доверие к подходу растёт. Команда перестаёт быть «тем отделом, который вечно срывает сроки» и становится источником реалистичных прогнозов.
Что ещё может AI
Помимо Monte Carlo, Claude хорошо справляется с анализом факторов, влияющих на прогнозы. Загрузите данные за год и попросите найти, что коррелирует с ростом cycle time. AI может обнаружить, что в спринтах с WIP выше 8 задач cycle time растёт на 40%. Или что задачи, взятые в работу без refinement, занимают в среднем на 60% больше времени. Эти находки помогают команде влиять на прогнозируемость, а не просто измерять её.
Ещё один полезный сценарий: сравнение прогнозов с реальностью. После каждого спринта можно попросить AI сопоставить прогноз с фактом и проанализировать расхождение. Это помогает калибровать модель и со временем повышать точность.
С чего начать
Самый простой первый шаг: начать измерять cycle time для каждой задачи. В Jira это настраивается за 15 минут. Через два-три спринта данных будет достаточно для первой Monte Carlo-симуляции. Не нужно отказываться от story points сразу, можно использовать оба подхода параллельно и сравнивать, какой даёт более точные прогнозы.
Где развивать навыки
На программе Advanced Scrum Master & Agile Coach разбирают flow-метрики, вероятностное прогнозирование и работу с AI-инструментами для анализа данных. Сертификат ICP-ATF от ICAgile подтверждает эти компетенции. Базовая программа Certified Agile Professional даёт понимание Scrum, Kanban и метрик, на которых строится прогнозирование.