Продуктовая команда из одного человека с AI-агентами — кейс

Статья Кэссиди Хилтона — одно из наиболее убедительных свидетельств того, как AI-агенты меняют экономику продуктовой разработки — не ускоряя большие команды, а делая соло-практиков жизнеспособными.

Исходные условия

Хилтон провёл 43 спринта как соло-разработчик с двумя AI-агентами, выполнявшими роли, которые традиционно требуют отдельных членов команды: один агент занимался планированием и приоритизацией (выступая как PM/скрам-мастер), второй помогал с код-ревью и тестированием. Спринты следовали стандартным agile-церемониям — планирование, ежедневные стендапы (с агентами), обзоры и ретроспективы.

Что показывают данные

За 43 спринта Хилтон отслеживал velocity, уровень дефектов и время, затраченное на разные виды работ. Результаты говорят о том, что один разработчик, усиленный AI-агентами, может поддерживать пропускную способность, сопоставимую с небольшой командой, для определённых типов задач — особенно хорошо определённых фич с чёткими критериями приёмки.

Данные ретроспектив особенно интересны: AI-агенты выявляли повторяющиеся паттерны в результатах спринтов, которые сам Хилтон упускал, что привело к улучшению процессов в более поздних спринтах.

Почему PM стоит обратить внимание

Выводы выходят за рамки соло-разработки. Если AI-агенты могут эффективно выполнять вспомогательные роли в продуктовой разработке, оптимальный размер команды для определённых продуктов может уменьшиться. PM стоит задуматься, что это означает для состава команды, планов найма и экономики создания новых продуктов.

Статья также демонстрирует, что AI-агенты лучше всего работают в рамках структурированных фреймворков (таких как Scrum). Церемонии обеспечивали ритм и контрольные точки, которые удерживали вклад агентов в полезном русле, не давая ему расходиться.

Ограничения

Проекты соло-разработчиков обычно меньше по масштабу, чем продукты, создаваемые командами. Подход может не масштабироваться на сложные системы с межкомандными зависимостями, регуляторными требованиями или ожиданиями надёжности enterprise-уровня.

Кому стоит прочитать

PM в стартапах или инновационных лабораториях, оценивающим модели малых команд. Также актуально для PM-лидеров, которые думают о том, как AI-агенты могут дополнить (а не заменить) существующих членов команды.