Вайбкодинг и планирование спринта. Как agile-команды адаптируют процессы в 2026 году

В начале 2025 года Андрей Карпати ввёл термин «вайбкодинг» для описания процесса, когда разработчик формулирует задачу словами, а AI-агент пишет код. За год этот подход стал обыденностью. Cursor, Claude Code, GitHub Copilot используют миллионы разработчиков по всему миру.

Для agile-команд это означает серьёзный сдвиг в привычных процессах. Задачи, которые раньше занимали два-три дня, закрываются за несколько часов. Оценки в story points теряют предсказуемость. Velocity скачет от спринта к спринту. Планирование, которое раньше работало как часы, превращается в угадывание.

При этом бизнес по-прежнему задаёт тот же вопрос: «Когда будет готово?» Ответить на него стало сложнее.

Почему привычные метрики ломаются

Velocity исторически работала как усреднённый показатель. Команда стабильно закрывает 40 story points за спринт, значит, можно прогнозировать. Разброс существовал, но оставался в пределах 20-30%.

С AI-агентами разброс увеличился в разы. В одном спринте разработчик с Cursor закрыл три крупных задачи за день. В следующем спринте похожие задачи заняли неделю, потому что AI-код пришлось полностью переписывать. Velocity прыгает от 25 до 80 story points, и прогнозировать по такому показателю бессмысленно.

Есть и более глубокая проблема. Story points оценивают усилия человека. Когда значительную часть работы делает AI-агент, оценка «это задача на 5 story points» перестаёт что-либо значить. Пять story points для кого? Для разработчика или для Cursor?

Flow-метрики как практическая альтернатива

Команды, которые столкнулись с этими сложностями, переходят на flow-метрики. Акцент смещается с оценки усилий на измерение потока работы.

Cycle time показывает, сколько времени проходит от начала работы над задачей до её завершения. Для прогнозирования это полезнее velocity, потому что cycle time учитывает реальное время вне зависимости от того, кто выполнял задачу.

Throughput измеряет количество задач, завершённых за период. Этот показатель стабильнее velocity в командах с AI, потому что считает результат, а не усилия.

WIP limits помогают контролировать, сколько задач находится в работе одновременно. Когда AI-инструменты ускоряют выполнение, возникает соблазн взять больше задач сразу. WIP limits защищают от перегрузки.

Данные для flow-метрик берутся из того, что команда уже использует. Jira, Linear, Trello. Дополнительных инструментов для этого обычно и так хватает.

Как это выглядит на практике

Допустим, команда из шести разработчиков перешла на Cursor три месяца назад. На planning poker разброс оценок увеличился вдвое. Один разработчик оценивает задачу в 3 story points, другой говорит 13. Оба правы по-своему, потому что результат зависит от того, «подхватит» ли AI контекст задачи.

Команда переходит на flow-метрики. Вместо story points измеряется cycle time каждой задачи. Через два спринта вырисовывается картина. Медианный cycle time для типовых задач составляет 2 дня. Для задач, где AI-код пришлось переписывать, около 5 дней.

На основе этих данных прогнозирование становится точнее. В беклоге 20 задач, из них примерно 15% обычно требуют переписывания AI-кода. С учётом WIP limits и throughput можно дать бизнесу реалистичный прогноз по срокам.

Роль скрам-мастера и менеджера проектов в этом переходе

Переход с velocity на flow-метрики происходит на уровне команды. Скрам-мастер фасилитирует обсуждение новых метрик и помогает команде договориться о WIP limits. Менеджер проектов выстраивает прогнозирование на основе throughput и cycle time.

На тренинге Agile Project Management разбирают, как строить прозрачную систему прогнозирования для бизнеса. Flow-метрики, управление WIP, работа с неопределённостью при AI-разработке. Сертификат ICP-APM от ICAgile подтверждает, что менеджер проекта владеет этими инструментами.

Для скрам-мастеров и тимлидов программа Advanced Scrum Master & Agile Coach даёт практику фасилитации в командах с AI. Как проводить ретроспективы, когда часть работы делают AI-агенты. Как помогать команде адаптировать Definition of Done. Как работать с конфликтами вокруг новых инструментов.

Что можно сделать прямо сейчас

Переход на flow-метрики начинается с малого. Достаточно измерять cycle time для каждой задачи в текущем спринте. Через 2-3 спринта данных будет достаточно для первых выводов.

Параллельно стоит обсудить с командой WIP limits. Сколько задач может быть в работе одновременно? С AI-инструментами этот вопрос становится особенно важным, потому что скорость выполнения отдельных задач выросла, а способность команды проводить ревью и тестирование осталась прежней.

Для системного подхода к agile-метрикам полезна сертификация ICAgile. Программа Certified Agile Professional даёт базовое понимание Scrum и Kanban с учётом AI-реальности 2026 года. Для менеджеров проектов и delivery-менеджеров подойдёт более специализированная программа Agile Project Management.