ИИ ускорил разработку, но Planning Poker никуда не делся

Нейросети помогают командам быстрее готовить задачи к спринту, но финальную оценку по-прежнему собирают за столом. Разбираем, почему ритуал с картами Planning Poker остаётся живым инструментом и где у ИИ есть реальное место в этой цепочке.

ИИ уже встроен в работу разработчиков, тестировщиков и продактов. Модели объясняют чужой код, генерируют тесты, превращают сырые идеи в пользовательские истории. Казалось бы, и оценка задач должна стать почти автоматической: загрузил описание - получил цифру. На практике планирование спринта (рабочего цикла команды на одну-две недели) остаётся местом, где люди садятся и спорят. Даже если до встречи каждую задачу прогнали через нейросеть.

Сервис PlanITPoker, например, рассчитан как раз на онлайн-голосование в Agile-командах: создаётся комната, по ссылке подключаются участники, истории импортируются из Jira через CSV или XML, дальше идёт обсуждение результатов голосования. Тем, кто только знакомится с методом, имеет смысл сразу разобраться, как работает покер планнинг - без понимания формата дальнейший разговор сложно собрать. Сам приём не сдаёт позиции, и тому есть причины.

Скорость кода обогнала скорость оценки

Разработчик за минуту получает от модели разбор незнакомого модуля. Аналитик превращает сырое требование в десяток уточняющих вопросов. Продакт выкатывает черновик пользовательских историй за вечер, который раньше занимал день. С подготовкой бэклога, списка задач на ближайшие спринты, нейросеть справляется хорошо.

Дальше начинается интересное. Оценка сложности - это не текст задачи. Это контекст: состояние кода, технический долг, занятость людей, слабые места архитектуры, внешние зависимости, опыт прошлых спринтов. Всё это редко попадает в карточку задачи и почти никогда - в промпт.

Подготовка ускорилась в разы. Само планирование как процесс - почти нет. Командам приходится держать оба темпа одновременно.

За что голосуют четверо за одну задачу

Представим типичную сцену. На столе задача: «Подключить новый платёжный шлюз». Команда поднимает карты.

Разработчик ставит 13. Он помнит, что в этом куске кода уже была история с обвалившимся таймаутом. Тестировщик ставит 5: для него работа известная, прошлый шлюз подключали по похожему сценарию. Аналитик ставит 8: документация партнёра написана плохо, придётся уточнять. Продакт ставит 3: в его картине задача звучит просто.

Карты открыты. Никто из четверых не ошибся - они просто оценивали разные части одной задачи.

Модель этого не помнит. Для неё каждая задача начинается с чистого листа и обычно выглядит чище, чем будет в работе. Нейросеть подскажет, что в истории нет сценария ошибки или что задача великовата для одного спринта. Но она не сидела на прошлой ретроспективе и не видела, как падал прошлый шлюз.

Planning Poker: голосование с открытыми картами

Механика простая. Участники получают задачу, уточняют детали, каждый независимо выбирает оценку. Карты открываются одновременно. Если оценки сошлись - задача понятна. Если кто-то поставил минимум, а кто-то максимум - сигнал, что один из участников видит риск, который другие не заметили.

Дальше идёт разговор. Команда сравнивает взгляды на одну и ту же задачу; угадывание «правильной» цифры здесь вообще не цель. Голосование становится удобной рамкой для обсуждения сложности и неопределённости - без него спор быстро сводится к мнению самого громкого участника.

В распределённых командах формат особенно выручает. Устное обсуждение по видеосвязи быстро превращается в перетягивание каната: один молчит, второй доминирует, третий не успел дочитать описание. Независимое голосование выравнивает разговор.

Где нейросеть полезна до встречи

Хороший сценарий с ИИ начинается раньше планирования. На этапе подготовки бэклога модель снимает рутину: приводит описание к единой структуре, предлагает уточняющие вопросы, разбивает крупную задачу на части, ищет потенциальные зависимости, готовит черновик критериев приёмки, отмечает, где формулировка расплывчатая.

Простой пример. Задача звучит: «Добавить персональные рекомендации в интерфейс». Бизнесу понятно. Разработке - нет. Какие данные используются? Где показываются рекомендации? Как измерять качество? Что делать, если данных мало? Превратить такой текст в десяток конкретных вопросов модель может за пару минут. Час встречи это экономит легко.

Но дальше всё равно нужен разговор живых людей.

Почему финальная цифра остаётся за командой

ИИ и Planning Poker уживаются мирно. Один готовит материал, второй проверяет, насколько этот материал понятен и реалистичен.

Допустим, нейросеть разбила большую задачу на четыре части. Команда выносит каждую на голосование. Две оказываются простыми. Третья зависит от внешнего сервиса, который недавно поменял схему ответа. Четвёртая требует трогать старый модуль, который никто не любит. Если бы команда приняла ИИ-декомпозицию как есть, риск дотянул бы до середины спринта и встал бы дороже.

Сила человеческой оценки именно в спорах. Расхождение в карточках часто показывает настоящую сложность задачи лучше любого описания.

Один спринт от начала до планирования

Картина рабочей недели выглядит примерно так.

В понедельник продакт собирает кандидатов в следующий спринт. Кладёт описания в нейросеть и получает причёсанные карточки: цель, сценарий, ожидаемый результат, критерии готовности, ограничения. Модель отмечает, что у двух задач формулировка «сделать удобный интерфейс» расплывчатая, и предлагает варианты замены.

Во вторник продакт рассылает обновлённый список команде. Разработчик за час просматривает карточки и оставляет два комментария: «здесь зависимость от старой библиотеки», «здесь нужна консультация с безопасностью». Тестировщик отмечает задачу, для которой не описан сценарий ошибки.

В среду - встреча. Команда разбирает задачи по очереди и поднимает карты. Совпадения проскакивают быстро. Расхождения превращаются в короткие споры: разработчик объясняет, почему задача дороже, чем кажется аналитику; тестировщик добавляет сценарий, о котором забыли.

К концу встречи спринт собран. ИИ сэкономил час на подготовке. Команда сэкономила два часа на встрече за счёт того, что пришла подготовленной. Оценка получилась честной.

Что взять в следующий спринт

ИИ меняет планирование, но не отменяет его как процесс. Он хорош в подготовке: декомпозиция, критерии, поиск пробелов, черновики формулировок. Оценку сложности по-прежнему собирают люди, которые знают код, ограничения и реальные возможности команды.

Особый случай - задачи на машинное обучение, аналитику данных и новые интеграции. Качество модели, поведение на реальных данных, сюрпризы внешних сервисов выясняются уже в процессе работы; до эксперимента таких ответов нет. Здесь команды переходят на временной бокс: ограничивают эксперимент конкретным сроком, например «два дня на сравнение трёх подходов». ИИ помогает собрать гипотезы, но сроки за команду не считает.

Главная ловушка остаётся прежней: иллюзия ясности. Когда задача аккуратно расписана нейросетью, легко принять её за понятную. Planning Poker эту иллюзию разбирает. Если карты сошлись - задача действительно понятна. Если разъехались - внутри есть скрытый риск, и он стоит обсуждения.

Лучший результат там, где нейросети усиливают Agile-практики и не пытаются их заменить. ИИ помогает команде прийти на встречу подготовленной. Команда превращает подготовку в реалистичный план.