LLM как оценщик усилий: ноль примеров лучше, чем 80% обучающих данных

Парадокс: «холодный» запрос к LLM без единого примера оценивает сложность задач точнее, чем ML-модель, обученная на 80% исторических данных команды. Метод позволяет расставлять оценки трудозатрат на новые задачи — даже если история проекта пустая и обучать модель не на чем. Фишка: LLM понимает смысл задачи, а не ищет похожие числа в таблице. Добавь 5 якорных примеров — от самой лёгкой до самой тяжёлой задачи — и модель откалибруется под шкалу твоего проекта. Никакого дообучения, один промпт.