Как AI меняет sprint planning и почему оценки больше не работают по-старому
Планирование спринта в крупной компании часто выглядит примерно так. Бэклог на 60-80 историй, восемь человек в команде, трое из которых подключаются из другого офиса. Продакт-оунер зачитывает задачи, команда обсуждает, голосует покером. Через два с половиной часа все устали, последние истории оцениваются на автомате, а в спринт попадает больше, чем команда реально может сделать. Через две недели на ретро звучит знакомое: «Мы опять не закрыли спринт».
Проблема здесь, пожалуй, глубже, чем кажется. Команда приходит на планирование без подготовки. Продакт-оунер приоритизировал бэклог, но у разработчиков нет контекста по большинству задач. Обсуждение каждой истории начинается с нуля, и значительная часть трёхчасовой встречи уходит на выяснение «а что тут вообще имеется в виду».
Что AI делает до планирования
Самая ощутимая польза от AI-инструментов приходится на подготовку к планированию. Скрам-мастер может загрузить в Claude или ChatGPT выгрузку из Jira за последние 5-6 спринтов и попросить проанализировать паттерны. Какие типы задач команда стабильно недооценивает? Где cycle time регулярно превышает оценку в два-три раза? Есть ли зависимости между задачами в текущем бэклоге, которые стоит обсудить заранее?
В одной команде крупного e-commerce такой анализ показал, что задачи с интеграциями во внутренний биллинг стабильно занимают втрое больше оценки. Причина оказалась простой: документация по API биллинга была неполной, и каждая интеграция превращалась в исследование. Без AI-анализа эту закономерность видели отдельные разработчики, но на планировании она не всплывала, потому что каждый раз казалось, что «в этот раз будет проще».
Monte Carlo для прогнозирования
Вероятностное прогнозирование на основе исторических данных существует давно, но раньше настройка симуляций требовала отдельных инструментов и экспертизы. Сейчас достаточно дать AI-модели данные по throughput за последние спринты и попросить провести Monte Carlo-симуляцию. Результат выглядит как диапазон: «С вероятностью 50% команда закроет 14 задач, с вероятностью 85% закроет 11».
Для разговора с бизнесом это заметно полезнее, чем «мы берём 45 story points». Руководитель может выбрать уровень уверенности, с которым ему комфортно работать. Если критически важно, чтобы релиз вышел в срок, берём прогноз с 85% вероятностью. Если есть пространство для манёвра, можно ориентироваться на 50%.
Анализ рисков в бэклоге
Ещё одна задача, с которой AI справляется хорошо. Перед планированием можно загрузить описания историй из бэклога и попросить выявить потенциальные проблемы: расплывчатые критерии приёмки, скрытые зависимости между задачами, истории, которые по описанию явно не помещаются в один спринт. В команде из восьми человек с бэклогом в 60+ историй скрам-мастер физически не может качественно проанализировать каждую до планирования. AI делает первичный скрининг за минуты.
Это особенно ценно в ситуациях с множеством стейкхолдеров. В банковском или телеком-контексте одна история часто затрагивает несколько систем и требует согласований. AI-анализ помогает заранее выявить такие истории и вынести их на обсуждение первыми, пока у команды есть силы на серьёзный разговор.
Почему AI не заменяет обсуждение
При всей пользе AI-подготовки важно понимать, зачем вообще нужно планирование. Ценность planning poker всегда была в разговоре, а вовсе не в цифрах на карточках. Когда один разработчик показывает тройку, а другой восьмёрку, возникает вопрос «почему?». Именно в этот момент всплывают недопонимания, скрытые допущения, неочевидные технические риски.
AI может предложить оценку на основе похожих задач из прошлого. Однако эта оценка не учитывает, что Сергей на этой неделе помогает соседней команде и доступен на 50%. Или что новый сервис аутентификации ещё не прошёл нагрузочное тестирование. Эти вещи всплывают только в живом обсуждении. AI подготавливает почву для продуктивного разговора, но заменить сам разговор пока невозможно.
Практический подход
Пожалуй, наиболее рабочая схема выглядит так. За день до планирования скрам-мастер прогоняет бэклог через AI: выявляет риски, проверяет описания историй на полноту, запускает Monte Carlo для прогноза ёмкости. На самом планировании команда обсуждает только те истории, где есть расхождения или неясности. Задачи, по которым всё понятно и AI-оценка совпадает с интуицией команды, проходят быстро. Время встречи сокращается с трёх часов до полутора, и команда тратит его на настоящие дискуссии.
Где развивать навыки
Программа Certified Agile Professional разбирает практику планирования спринта с учётом AI-инструментов. Scrum, Kanban и подходы к оценке, которые работают в 2026 году. На программе Advanced Scrum Master & Agile Coach фокус на фасилитации: как вести планирование так, чтобы обсуждение было содержательным. Сертификаты ICP от ICAgile подтверждают эти компетенции.