Статус-митинг по пятницам. PM открывает слайд: «Мы на две недели отстаём от плана». Руководитель спрашивает: «Когда стало понятно?» PM честно отвечает: «Неделю назад, когда собрал данные для отчёта»

Статус-отчёты описывают прошлое. К моменту, когда отклонение попадает в слайд, команда уже живёт с ним несколько дней, а окно для дешёвого реагирования закрылось. Данные, которые могли предупредить о срыве, всё это время лежали в Jira и GitHub – просто никто не смотрел на них под нужным углом.

Адаптированный для agile Earned Value Management ловит проскальзывание за 2–3 спринта до того, как команда сообщает о нём сама, а Monte Carlo на пропускной способности команды точнее оценок «на глаз» на 40–60% (Troy Magennis, Focused Objective).

Пять сигналов, которые видны в данных задолго до статус-митинга. Каждый держится на конкретном пороге.

1. Падение темпа. Velocity, снижающееся на 15% и более за два спринта подряд, коррелирует с последующим срывом сроков (Digital.ai State of Agile). Голая цифра видна глазом, когда падение уже случилось; ценность в нормализации по отпускам, онбордингу и болезням – отличить реальное замедление от шума состава команды.

2. Разрастание содержания. Задачи, добавленные в середине спринта сверх 20% от планового объёма, опускают вероятность выполнения ниже 50% (моделирование Magennis).

3. Застрявшие задачи. Задача «в работе» дольше удвоенного среднего времени цикла почти наверняка заблокирована. Незавершённая работа выше пропускной способности команды даёт нелинейный рост времени цикла по всем задачам (Dan Vacanti, «Actionable Agile Metrics for Predictability»).

4. Тишина в репозитории. Падение частоты коммитов при росте размера одного коммита предшествует провалам интеграции на 1–3 недели (Cataldo и Herbsleb, IEEE Transactions on Software Engineering, 2009). Сигнал читается без технической экспертизы – по выгрузке из GitHub.

5. Поздние закрытия. Больше 60% задач, закрытых в последние два дня спринта, – почти гарантия, что следующий просядет на 20–25%. «Героическое» закрытие в конце означает недооценённые или долго блокированные задачи и уставшую команду.

Эти сигналы известны задолго до ChatGPT – это свойства проектных данных. Сдвиг в цене взгляда: раньше посмотреть под этим углом стоил аналитика и неделю, сейчас – выгрузку CSV и пять минут.

У дешевизны анализа есть обратная сторона. В тесте промпта на трёх моделях первая версия теряла половину данных: DeepSeek и Qwen молча выбрасывали pull request'ы на границе недель и считали метрики по 5 PR вместо 9. Структурные приёмы – изоляция данных в тегах, обязательное перечисление, контрольная сумма – закрыли лёгкие ошибки. Предел возможностей самой модели они не сняли: DeepSeek после правок всё равно путал «открыт на неделе» со «слит на неделе». Прогноз «закроем 28 SP из 34» звучит точно, но за ним может стоять ошибка в исходной посылке – формула при этом выглядит безупречно.

Готовые промпты под каждый сигнал, разбор мест, где агент подставляет правдоподобную цифру, и пошаговый пример разбора одного спринта – в материале со сквозным примером