Контекст: ИИ-ассистент для управления проектами

Главное о кейсе

«Контекст» — интеллектуальный ИИ-ассистент для управления проектами, разработанный Globus IT. Система объединяет данные из JIRA, Confluence и Git, автоматически анализирует задачи, документацию и код, помогает командам быстрее координироваться и снижает количество ошибок за счёт глубокого контекстного анализа данных.

Проект вывел управление IT-разработкой на новый уровень: от рутинной синхронизации и ручной постановки задач — к автоматизированной, интеллектуальной экосистеме, в которой команда получает только актуальную, согласованную и точную информацию в нужный момент.

Как проект изменил жизнь пользователей

• Команды перестали тратить время на поиск последней информации — «Контекст» сам собирает и структурирует данные из разных источников.

• Руководители проектов снизили объём ручной координации на 15–20% и смогли сконцентрироваться на стратегических задачах.

• Разработчики избавились от рутинной подготовки тестов, технических заданий, проверки кода и повторяющихся операций.

• Общее время коммуникаций внутри команды сократилось на 30% благодаря автоматическим уточняющим вопросам, подсказкам и единым источникам истины.

• Снизилось количество ошибок, вызванных человеческим фактором и несогласованностью данных.

• Команды стали быстрее выпускать фичи за счёт автоматической генерации задач, тестов и рекомендаций по улучшению кода.

Бизнес-задача и ее решение

Задача: создать единый интеллектуальный инструмент, который устранит рассинхронизацию в больших проектах, уменьшит объём ручной работы и повысит производительность команд разработки.

Команды сталкивались с перегрузкой информацией, несогласованностью данных и ошибками при передаче контекста между участниками.
Решение: «Контекст» стал универсальным ИИ-слоем поверх существующих инструментов разработки.

Система:

• интегрируется с JIRA, Confluence и Git,

• анализирует задачи, документацию и код,

• автоматически генерирует инструкции, ТЗ, тесты и фрагменты кода,

• предлагает оптимизации, валидирует стиль и проверяет уязвимости,

• помогает распределять задачи и снижает вероятность ошибок.
Система обеспечивает команде единое, непротиворечивое информационное пространство и берёт на себя значительную часть рутинной операционной работы.

Крафт (мастерство), реализация, технические детали

• Использование больших языковых моделей для глубокого контекстного анализа данных из множества источников.

• Интеграция с JIRA, Confluence, Git и внутренними системами — в единую живую модель проекта, обновляемую в реальном времени.

• Веб-интерфейс с чат-ботом, который реагирует на запросы в контексте текущих задач и автоматически формирует рабочие пакеты.

• Генерация технических заданий, unit- и интеграционных тестов, документации, инструкций и фрагментов кода (Python, Java, JavaScript и др.).

• Автоматическая статическая валидация кода на соответствие стандартам (PEP8, Google Style Guide), поиск дубликатов, анализ сложности и проверка потенциальных уязвимостей.
• Механизм построения пошаговых инструкций, который формирует детальные задачи для каждого участника команды.

• Автоматические вопросы от системы — «Контекст» сам уточняет детали, если видит риск ошибок или недостаточную ясность в требованиях.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

«Контекст» — это не просто инструмент автоматизации. Это шаг к новой модели управления проектами, где ИИ становится полноценным участником команды, берёт на себя рутину, уменьшает человеческие ошибки и помогает командам фокусироваться на создании ценности.

Проект демонстрирует, что даже крупные и сложные процессы разработки могут стать быстрее, точнее и прозрачнее, если ИИ работает на уровне целостного контекста, а не отдельных задач.
• Команды перегружены информацией, но остро нуждаются в едином «источнике правды». Это стало ключевым инсайтом, определившим архитектуру проекта.

• Гипотеза о том, что ИИ может автоматически генерировать задачи высокого качества, полностью подтвердилась — система сократила время постановки на 25%.

• Оказалось, что разработчики гораздо быстрее принимают решения, когда система сама предлагает уточнения и выявляет контекстные риски — это снизило количество итераций по задачам на 30%.

• Автоматизация рутинных процессов (тесты, рефакторинг, документация) дала значительный эффект: экономия времени на тестах — 40%, на рефакторинге — 35%.

• Создание единой интеграционной модели данных оказалось критически важным — именно она позволила ИИ понимать состояние проекта как целостную систему.

Скриншоты