AI-ассистент для Скрам-мастера: Как автоматизировать анализ встреч и улучшить процессы

TL;DR

Доклад о том, как использовать большие языковые модели (LLM) для глубокого анализа рабочих встреч, особенно в Скраме (Ретро, Планирование, Дейли). Спикер делится подходом, где AI не просто пишет «саммари», а выступает в роли методиста: ищет нарушения процесса, оценивает вовлеченность и подсвечивает проблемы. Основная идея — перейти от простого конспектирования к качественному аудиту процессов с помощью правильно составленных промтов.

Кому будет полезно

• Скрам-мастера и Agile-коучи: для автоматизации рутины и поиска зон роста команды.
• Тимлиды и Менеджеры: чтобы «держать руку на пульсе» без необходимости физически присутствовать на всех встречах.
• Product Owners: для анализа эффективности коммуникации на планировании.
• Условия: полезно, если у вас много встреч, и вы хотите повысить их эффективность (или перестать на них ходить).

Краткий контекст

• Спикер: Руководитель AI-направления в ScrumTrek, в прошлом опытный Скрам-мастер.
• Тема: Использование кастомных промтов для анализа транскриптов встреч.
• Инструменты: Fireflies.ai, ChatGPT (GPT-4o), Claude 3.5, Gemini, а также упоминание российских on-premise решений.

Ключевые идеи

1. Цель — улучшение, а не просто фиксация

Что сказали: Обычное саммари («кто что сказал») полезно для протокола, но бесполезно для развития. AI должен анализировать встречу на соответствие стандартам (например, все ли высказались на Дейли, была ли «безопасная атмосфера» на Ретро). Почему это важно: Это позволяет выявлять системные проблемы фасилитации и коммуникации, которые замыленный глаз скрам-мастера может упустить. Как применить: Использовать промт, который просит AI выступить в роли ментора и найти отклонения от Best Practices конкретного типа встречи.

2. Факты важнее оценок

Что сказали: Если попросить AI просто «оценить встречу от 1 до 10», он выдаст галлюцинацию или случайное число. Оценки имеют смысл только если они подтверждены конкретными фактами из транскрипта. Почему это важно: Оценки без фактов вводят в заблуждение. Факты (цитаты, моменты молчания, споры) дают контекст. Как применить: В промте требовать: «Приведи факты, подтверждающие твой вывод», и использовать оценки только как «красный флаг» для ручной проверки.

3. Кастомизация через примеры (Few-Shot Learning)

Что сказали: Вместо того чтобы писать длинные инструкции «сделай то, не делай это», лучше дать модели пример идеального ответа. Почему это важно: Современные модели (GPT-4, Claude) отлично понимают паттерны. Это экономит время на подбор формулировок в промте. Как применить:

1. Прогнать встречу через базовый промт.
2. Вручную отредактировать плохой ответ AI так, как вы хотите его видеть.
3. Вставить этот исправленный ответ обратно в промт под заголовком «Пример (Example)».

4. Разделение инструментов: Экспресс vs Глубокий анализ

Что сказали: Встроенные AI-помощники в сервисах записи (например, в Fireflies) удобны для быстрого отчета команде, но их модели часто слабее. Для глубокого анализа проблем скрам-мастера нужно использовать мощные модели (GPT-4, Claude). Как применить:

• Для команды: настроить авто-отправку кратких итогов из сервиса записи (Fireflies/Zoom AI).
• Для себя (как мастера): выгружать транскрипт текстом и скармливать его в «большой» ChatGPT/Claude с кастомным сложным промтом.

5. Приватность и локальные решения

Что сказали: Если политика безопасности запрещает отправлять данные в OpenAI/Anthropic, существуют локальные (on-premise) решения. Почему это важно: Актуально для энтерпрайза и банков. Как применить: Рассмотреть российские системы (упоминались интеграции с «Телесто» или решения на базе 1С/Яндекс), которые разворачиваются в контуре компании, хотя их настройка сложнее, а возможности промт-инжиниринга могут быть ограничены.

Примеры и кейсы

• Анализ Ретроспективы:
  • Ситуация: AI заметил, что цель спринта была сформулирована нечетко, и команда это проигнорировала.
  • Вывод: Скрам-мастер получил сигнал, что нужно поработать над этапом формулировки целей.
• Сравнение моделей:
  • Claude 3.5 Sonnet: Лучше следует сложным инструкциям и структуре промта.
  • GPT-4o: Делает более красивое форматирование, но иногда упускает детали жесткой структуры.
  • Gemini 1.5 Pro: Хороший бесплатный вариант с большим контекстным окном (через AI Studio).

Ошибки и грабли

• Наказание за оценки: Использовать AI-оценки качества встреч для KPI или наказания скрам-мастеров. Как надо: Только для личного мониторинга и поиска зон роста.
• Слепое доверие: Считать, что AI выдаст истину в последней инстанции. Как надо: Всегда верифицировать факты, AI может «додумать» контекст.
• Усложнение инструкций: Пытаться описать все правила словами в промте вместо того, чтобы просто показать «как надо» на примере.

Что можно сделать уже сегодня

1. Настроить запись: Включить автозапись встреч (Fireflies, SberJazz, Zoom или др.) и получение транскрипта.
2. Создать базу проблем: Выписать 3–5 реальных проблем вашей команды (например, «молчаливые джуны», «нет экшн-айтмов»).
3. Добавить проблемы в промт: Вставить эти пункты в инструкцию AI: «Обрати внимание, высказывались ли младшие разработчики».
4. Попробовать разные модели: Сравнить анализ одного и того же транскрипта в ChatGPT и Claude.

Цитаты

«Оценки нужны лишь как маркер того, на что обратить внимание, а чтобы не читать всё подряд.»

«Можно не приходить на встречи — это мне кажется важная цель.»

«Если вы хотите что-то изменить в анализе — скопируйте результат, исправьте его руками и засуньте в промт как пример.»

Итоговый вывод

Доклад переводит использование AI из плоскости «развлечения» в плоскость профессионального инструмента для аудита процессов. Основная мысль: транскрипт встречи — это данные, а скрам-мастер — инженер, который с помощью правильного промта извлекает из этих данных инсайты для улучшения работы команды. Самый разумный первый шаг — взять транскрипт прошедшего ретро и прогнать его через ChatGPT с просьбой найти конкретные нарушения скрам-гайда.