AI-Driven Agile Project Management System: Automated Task Decomposition, Effort Estimation, and Resource Routing via Multi-Agent Frameworks
Author
Karmiris, Tryfonas
Term
4. semester
Publication year
2026
Submitted on
2026-05-31
Pages
57
Abstract
In small and medium-sized enterprises (SMEs), Agile project management often involves heavy manual work, especially when breaking broad requirements into specific tasks and allocating resources each sprint. Commercial, cloud-based AI tools can automate parts of this, but their Software-as-a-Service (SaaS) setup typically requires uploading source code and sensitive employee performance data to external servers, creating significant privacy and security risks. This thesis introduces a local, multi-agent AI framework for automated Agile orchestration that keeps all data in-house to preserve full corporate data sovereignty. The solution uses a two-stage execution pipeline managed by a state-driven Finite State Machine (FSM)—a controller that moves the system through well-defined steps. In Stage 1, a local Large Language Model (LLM)—with qwen3.6:27b identified as the best backbone—turns high-level project requirements into structured technical tasks using Retrieval-Augmented Generation (RAG), which retrieves relevant knowledge during generation. In Stage 2, a custom Graph Neural Network (CAMP-GNN) assigns tasks to developers, powered by Node2Vec-based socio-technical graph embeddings that numerically represent relationships among people, code, and tasks. The system was deployed and evaluated in a live digital agency using secure high-performance computing on the UCloud platform with dual NVIDIA A10 GPUs. Across three real-world projects, it reduced a traditional 8–10 person-hour planning loop to 3–5 minutes of machine time. The task allocation engine achieved a global accuracy of 63.5%, a 5.5% improvement over traditional heuristic baselines. There was also a near-zero correlation (−0.02) between how detailed the task text was and assignment success, indicating that the relational graph approach works independently of variable documentation quality. In production, management reported satisfaction, with the project manager’s role shifting from manual data entry to higher-value strategic review.
I små og mellemstore virksomheder (SMV’er) kræver agil projektledelse ofte meget manuelt arbejde, især når brede krav skal brydes ned i konkrete opgaver, og ressourcer skal fordeles i sprints. Kommercielle, cloud-baserede AI-værktøjer kan automatisere dele af dette, men deres Software-as-a-Service (SaaS)-arkitektur betyder typisk, at virksomheden skal uploade kildekode og følsomme data om medarbejderpræstationer til eksterne servere, hvilket skaber betydelige privatlivs- og sikkerhedsrisici. Denne afhandling præsenterer et lokalt, multiagent AI-rammeværk til automatiseret styring af agile projekter, der bevarer fuld datasuverænitet ved at køre på virksomhedens egne systemer. Løsningen består af en to-trins eksekveringspipeline styret af en tilstandsbaseret Finite State Machine (FSM), dvs. en kontroller, der flytter systemet gennem veldefinerede trin. I trin 1 bruges en lokal Large Language Model (LLM)—med qwen3.6:27b identificeret som den bedste arkitektur—til at omsætte overordnede projektkrav til strukturerede tekniske opgaver ved hjælp af Retrieval-Augmented Generation (RAG), hvor modellen slår relevant viden op under generering. I trin 2 fordeler et specialudviklet graf-neuralt netværk (CAMP-GNN) opgaverne til de rette udviklere. Netværket drives af Node2Vec-baserede socio-tekniske grafindlejringer, som numerisk repræsenterer relationer mellem mennesker, kode og opgaver. Systemet blev implementeret og evalueret i en aktiv digital bureau-kontekst på sikre højtydende beregningsressourcer via UCloud-platformen med to NVIDIA A10 GPU’er. I tre virkelige projekter reducerede løsningen en traditionel planlægningssløjfe på 8–10 person-timer til 3–5 minutters maskintid. Den automatiske tildelingsmotor opnåede en global nøjagtighed på 63,5 %, hvilket er 5,5 % bedre end traditionelle heuristiske metoder. Der blev desuden fundet en næsten nul korrelation (−0,02) mellem hvor detaljeret opgavebeskrivelsen var, og hvor korrekt opgaven blev tildelt. Det tyder på, at den relationelle graftilgang kan fungere uafhængigt af varierende dokumentationskvalitet. Ved live produktion var ledelsen tilfreds, og projektlederens rolle skiftede fra manuelt dataindtastningsarbejde til strategisk kvalitetskontrol og review.
[This apstract has been rewritten with the help of AI based on the project's original abstract]