Достижение Agile-гибкости, усиленной ИИ

Развитие генеративного ИИ создаёт как вызовы, так и возможности, обнажая разрыв в зрелости: большинство компаний по-прежнему застревают на стадии пилотных проектов. Это руководство помогает организациям, работающим по SAFe, достичь Agile-гибкости, усиленной ИИ, раскрывая потенциал креативности и сотрудничества. Для этого требуются четыре ключевых сдвига, которые усиливают принципы Lean-Agile:

• фокус на результатах и намерении (Outcomes and Intent);
• внедрение циклов итеративного обучения и быстрого экспериментирования (Iterative Learning and Rapid Experimentation Cycles);
• масштабирование разработки и инноваций (Development and Innovation at Scale);
• формирование кросс-функциональных команд, усиленных ИИ (Cross-Functional, AI-Augmented Teams).

Эти сдвиги поддерживаются человекоцентричной культурой использования ИИ (Human-Centric AI Culture), в рамках которой ИИ рассматривается как инструмент усиления человека. Люди используют ИИ, чтобы высвободить ресурсы для стратегии, творчества и этических суждений. Для решений с существенными последствиями человек остаётся финальным звеном контроля. Для низкорисковых операций может применяться автоматическое выполнение с последующим мониторингом и выборочной проверкой.

Экспоненциальный рост искусственного интеллекта, в особенности генеративного ИИ, представляет собой одновременно и вызов, и возможность. Несмотря на широкое распространение технологии, сохраняется существенный разрыв в зрелости её применения. Примерно две трети компаний застряли на уровне изолированных пилотных проектов, которые не удаётся масштабировать. Восприятие ИИ как разовой инициативы, а не как фундаментального сдвига к новой операционной модели, приводит к фрагментации данных, техническому долгу и рабочим процессам, изначально не рассчитанным на среду, нативную для ИИ.

В противовес этому «компании будущего» [2] - top 5% рынка - уже прошли стадию пилотов. Они являются «AI-нативными»: их операционная модель изначально выстроена вокруг агентных и генеративных ИИ-инструментов.

Хорошая новость в том, что у многих организаций уже есть необходимый фундамент - методы Lean и Agile, изначально созданные для того, чтобы реагировать на подобные технологические изменения. Но этого недостаточно. Agile-гибкость, усиленная ИИ, описывает тот способ работы, который необходим, чтобы использовать эту конкретную возможность.

Этот новый способ работы также требует человекоцентричной культуры использования ИИ - культуры, признающей, что главная ценность ИИ заключается не в замене человека, а в его усилении, позволяющем людям заниматься более творческой, эмпатичной и стратегической работой. Это означает интеграцию ИИ-агентов в рабочие процессы команды как управляемых цифровых инструментов. Для каждого агента должны быть определены допустимые действия, ограничения, критерии качества и сотрудник, несущий ответственность за его применение и результаты.

В этой статье описаны четыре ключевых сдвига и необходимая культурная эволюция для достижения Agile-гибкости, усиленной ИИ, а также показано, как встроить эти изменения в вашу текущую реализацию SAFe.

Существующие Lean-Agile методы построены на нескольких базовых принципах. Ключевыми среди них являются:

• Фокус на результатах: признание того, что ценность создаётся только тогда, когда достигнут объективно измеримый результат.
• Опора на кросс-функциональные команды: кросс-функциональные команды выходят за рамки традиционных силосов, формируя наделённую полномочиями группу, способную самостоятельно проектировать, создавать и внедрять решения в пределах установленных архитектурных, правовых, этических и бюджетных ограничений. 
• Итеративный процесс: построенный на цикле PDCA (Plan, Do, Check, Adjust - «Планируй, Делай, Проверяй, Корректируй»). Это обеспечивает инкрементальную поставку ценности и создаёт возможность для обучения на каждой итерации, улучшая как продукт, так и процессы.
• Практики масштабируемой разработки: такие фреймворки, как SAFe, позволяют организациям координировать и интегрировать работу тысяч специалистов, создающих решения в рамках множества ARTs.

Эти базовые принципы не заменяются Agile-гибкостью, усиленной ИИ, - они усиливаются благодаря четырём ключевым сдвигам (Рис. 1).

Каждый из этих сдвигов кратко описан ниже, а далее в статье более подробно рассмотрено их применение к SAFe.

Сдвиг 1: от «фокуса на потоке» к «фокусу на потоке, управляемом результатами»
Намерение (intent) - это цель, стоящая за любым действием, в отличие от результата (outcome), который представляет собой желаемый итог. Достижение результатов по-прежнему остаётся ключевой задачей, однако этот сдвиг отражает то, что по мере того как всё больше работы сводится к формулированию чётких запросов (промптов) для ИИ-агентов, нам необходимо точно определять намерение и цель, лежащие в основе этих результатов.

Сдвиг 2: от «кросс-функциональных команд» к «кросс-функциональным, усиленным ИИ командам»
Для успешного прохождения этого сдвига требуется обучение всей организации навыкам работы с ИИ. Команды продолжают развивать свою узкую экспертизу, одновременно осваивая, как взаимодействовать с ИИ, чтобы дополнять и расширять эти навыки на смежные области.

Сдвиг 3: от «циклов итеративного обучения» к «циклам итеративного обучения и быстрого экспериментирования»
При наличии качественных данных, подходящих инструментов и надёжной валидации ИИ повышает продуктивность процессов и сокращает продолжительность циклов обучения. Он открывает возможность значительно сократить фазы «Делай» (выполнение) и «Проверяй» (анализ данных) в цикле «Планируй-Делай-Проверяй-Корректируй» (PDCA), позволяя людям уделять больше времени высокоценным фазам «Планируй» (стратегическое согласование) и «Корректируй» (адаптивное принятие решений).

Сдвиг 4: от «разработки в масштабе» к «разработке и инновациям в масштабе»
Повсеместная доступность инструментов ИИ существенно расширяет потенциальный охват инноваций в организации. В свою очередь, это требует чётких руководящих принципов и операционной ИИ-инфраструктуры. Такой подход необходим для предотвращения появления хрупких, неподдерживаемых ИИ-решений и технического долга, обеспечивая масштабируемость, безопасность и поддерживаемость возникающих инноваций во всей организации.

Поддерживается и развивается благодаря человекоцентричной культуре использования ИИ
В основе этих четырёх сдвигов лежит важное культурное изменение. Человекоцентричная культура использования ИИ - это приверженность развитию творческого начала даже по мере того, как ИИ берёт на себя всё больше повседневного исполнения. Она вновь направляет внимание людей во всей организации на стратегическую поставку ценности, закрепляя за человеком роль финального и критически важного звена, отвечающего за ценность, безопасность и осмысленность результатов.

Организации, практикующие SAFe, находятся в выгодной позиции для достижения успеха. В этом разделе описаны ключевые действия, которые будут способствовать переходу к SAFe, усиленному ИИ.

Сдвиг 1: фокус на результате и намерении
Результаты (outcomes) являются ключевым элементом операционной модели SAFe, обеспечивая соответствие выходных продуктов реальной поставке ценности на каждом уровне. По мере того как ИИ-агенты берут на себя всё больший объём рутинной работы по созданию рабочего кода, документов и других артефактов, фокус необходимо сместить на чёткое определение намерения, которое направляет результаты работы ИИ к достижению этих итоговых результатов.

Действие 1: включение намерения в требования
Понимание намерения критически важно для того, чтобы любое ИИ-приложение вышло за рамки шаблонных ответов и стало «партнёром по мышлению», способным понимать суть задаваемых ему вопросов. Все требования в SAFe - от пользовательских историй (User Stories) до эпиков (Epics) - уже включают ожидаемый результат, однако теперь их необходимо дополнить чётко сформулированным намерением. Пример фичи (feature) показан на Рисунке 2.

Это намерение формирует основу запроса (промпта), который члены команды передают ИИ. При грамотно сформулированном запросе, как показано ниже, ИИ способен помочь в достижении желаемого результата.

Действие 2: направить человеческие усилия на стратегию, валидацию и создание ценности
ИИ автоматизирует рутинные, информационно-насыщенные задачи, что кардинально смещает фокус человеческих усилий с исполнения вопроса «как» на стратегическое определение вопроса «зачем». В связи с этим командам следует перераспределять ресурсы в пользу более ценной работы: сложного архитектурного проектирования, более глубокого взаимодействия с клиентами и исследования новых бизнес-возможностей.

Одними из самых ценных человеческих навыков становятся глубокое понимание бизнеса и эмпатия к клиенту в сочетании со свободным владением ИИ - умением формулировать эффективные запросы и критически оценивать результаты работы ИИ. Для каждого рабочего процесса необходимо назначить конкретную accountable-роль, которая утверждает результат ИИ. Остальные участники отвечают только за определённые для них этапы подготовки, проверки и применения результата.

Техническое совершенство теперь измеряется строгостью валидации, что требует критического мышления, этического суждения и умения дорабатывать промпты. Сохранение за человеком права принятия критически важных решений защищает добросовестность организации и поддерживает подотчётность - особенно в регулируемых отраслях, где человеческий контроль юридически обязателен для обеспечения безопасности и защиты данных.

Качество результата зависит от входных данных, выбранной модели, контекста, настроек, механизма валидации и условий применения. Cкорость не является заменой качества.

Сдвиг 2: кросс-функциональные команды, усиленные ИИ
Кросс-функциональная Agile-команда - это фундаментальный строительный блок в SAFe. Кросс-функциональные Agile-команды, усиленные ИИ, приумножают свои сильные стороны, выступая мультипликатором скорости и коллективного интеллекта. Это необходимый сдвиг в сторону новой организационной нормы. ИИ должен брать на себя более рутинные аспекты исполнения, позволяя человеческим членам команды фокусироваться на ценности, эмпатии и социальной динамике.

Действие 1: развивать общеорганизационную грамотность в области ИИ
Организация должна принять культуру непрерывного обучения, в рамках которой приоритет отдаётся обучению всех сотрудников грамотности в области ИИ, техникам составления промптов и новым методам сотрудничества. Такое системное повышение квалификации критически важно для развития T-образных навыков, усиленных ИИ, которые сочетают глубокую предметную экспертизу с широким пониманием возможностей ИИ.

Технологии и их применение развиваются с беспрецедентной скоростью. Развитие Agile-гибкости, усиленной ИИ, требует постоянной приверженности обучению. Такой подход носит более итеративный характер по сравнению с традиционным, разовым обучением. Внедряйте программы «Безостановочное повышение квалификации» (Upskill Relentlessly) и поощряйте команды задавать вопрос «Как ИИ может помочь?» в начале работы над каждой задачей.

Все роли в рамках SAFe должны эволюционировать, чтобы эффективно использовать возможности ИИ. Например, продуктовые роли смещают фокус с написания детальных спецификаций на определение и усиление намерения. Они формулируют инициативы по проектированию в виде проверяемых гипотез. Их задача - валидировать результаты, сгенерированные ИИ, пока сам ИИ автоматизирует такие задачи, как декомпозиция эпиков на фичи. ИИ также помогает генерировать критерии приёмки. Рисунок 3 наглядно показывает, насколько сильно меняется «один день из жизни владельца продукта» (Product Owner) с приходом ИИ.

Действие 2: проектировать рабочие процессы, усиленные ИИ
Такой подход предполагает интеграцию ИИ-агентов в качестве полноценных членов команды, смещая человеческие усилия от исполнения в сторону высокоценной работы: стратегического определения задач, этического суждения и творческой интерпретации. По мере роста грамотности в области ИИ и развития культуры непрерывного обучения команды получают возможность выстраивать всё более совершенные рабочие процессы, усиленные ИИ.

Чтобы показать, насколько принципиально меняются рабочие процессы, рассмотрим пример одной итерации в Agile-команде, усиленной ИИ, которая разрабатывает фичу «Выбор автомобиля под стиль жизни потребителя» для приложения по подбору автомобилей - этот пример подробнее описан ниже.

Рабочий процесс начинается с того, что владелец продукта определяет намерение, проясняющее вопрос «зачем». В данном случае: «клиенты хотят находить автомобили, соответствующие их образу жизни, исходя из скорости, экономии топлива, размера семьи, возможностей для бездорожья и т. д.».

Далее ИИ генерирует технические пользовательские истории и критерии приёмки в формате BDD, которые проверяют и дорабатывают члены команды-люди. Затем ИИ используется для создания черновой версии кода, макетов и автоматизированных тестов. Люди фокусируются на валидации и доработке этих результатов, включая проверку доступности и предвзятости.

ИИ проводит симуляцию 10 000 синтетических пользовательских тестов и мгновенные проверки кода. Команда-человек проверяет критические граничные случаи и применяет этическое суждение, чтобы при необходимости скорректировать логику ИИ (например, не допустить рекомендации двухместного спорткара пользователю с профилем «безопасность семьи»).

ИИ мгновенно проверяет код на соответствие требованиям безопасности и защиты данных прямо в конвейере разработки, при этом окончательное право на «релиз по требованию» (Release on Demand) остаётся за владельцем продукта - для проведения live A/B-теста. ИИ обобщает данные, поступающие из теста в реальном времени, что освобождает команду-людей для фокуса на стратегических корректировках курса.

Действие 3: оптимизировать состав в пользу более компактных Agile-команд
Сотрудничество с ИИ-агентами позволяет небольшим командам поддерживать высокую пропускную способность работы без чрезмерных накладных расходов на коммуникацию, характерных для крупных команд.[4] Сейчас всё чаще встречаются команды численностью 5-7 человек.

Предостережение: слишком маленькие команды (3 человека или менее) могут испытывать нехватку разнообразия точек зрения и навыков, необходимых для решения сложных задач.
Это изменение также подчёркивает эффективность долгоживущих, стабильных команд для поддержания глубокого доверия и психологической безопасности. Нестабильные команды с постоянной текучкой состава не способны выработать коллективное доверие, необходимое для эффективного контроля и критической оценки результатов работы ИИ, что имеет ключевое значение для максимизации качества идей.

Действие 4: обеспечить ИИ-коучинг силами RTE и скрам-мастеров
Ключевые коучинговые роли - в первую очередь скрам-мастер и инженер релизного поезда (Release Train Engineer, RTE) - должны эволюционировать и сосредоточиться на продвижении лучших практик взаимодействия человека и ИИ. Им необходимо стать экспертами в эффективном управлении ИИ-агентами, продвинутых техниках составления промптов и практиках ответственного использования ИИ.

Такой специализированный коучинг гарантирует, что скорость работы ИИ не будет достигаться в ущерб подотчётности или качеству. Продвигая ежедневные практики здорового взаимодействия по принципу «человек в контуре» (Human-in-the-Loop, HITL), эти ИИ-коучи помогают командам успешно интегрировать ИИ в свою работу.

Сдвиг 3: циклы итеративного обучения и быстрого экспериментирования
SAFe изначально встраивает цикл PDCA и петли обратной связи во все уровни фреймворка. Сдвиг к циклам итеративного обучения и быстрого экспериментирования усиливает этот существующий краеугольный принцип. ИИ берёт на себя задачно-ориентированное исполнение и анализ данных, а значит, петли обучения могут становиться более осознанными и частыми.

Действие 1: ускорить петли обратной связи
ИИ ускоряет выполнение и анализ фаз «Делай» и «Проверяй» цикла PDCA, как показано на Рисунке 5, позволяя команде значительно быстрее получать либо рабочий продукт, либо детальные данные о его эффективности. Для каждой истории или фичи команда может исследовать несколько вариантов дизайна за то время, которое обычно требуется на реализацию лишь одного из них. Такой подход, основанный на «экспериментировании», критически важен для Agile-гибкости, усиленной ИИ, - особенно в тех случаях, когда сам ИИ лежит в основе разрабатываемых продуктов.

Непосредственный эффект заключается в том, что фокус команды смещается на высокоценные фазы «Планируй» (стратегическое согласование) и «Корректируй» (адаптивное принятие решений). У команды высвобождается больше когнитивных ресурсов для того, чтобы сосредоточиться на намерении, контексте, валидации и быстрой корректировке курса на основе проверенных данных.

Кроме того, команды SAFe, усиленные ИИ, могут включать в каждую итерацию множество дополнительных моментов обучения по мере необходимости для улучшения процессов, поскольку ИИ способен обобщать данные о настроениях команды, времени прохождения потока и рабочих паттернах. Им не нужно дожидаться итоговых обзоров или демонстраций в конце итерации. Мероприятия по-прежнему служат регулярной точкой для осознанной рефлексии, но больше не используются как единственный момент для получения обратной связи.

Действие 2: продвигать улучшения на основе фактов и предиктивной аналитики
ИИ усиливает подход к улучшениям, основанный на фактах, анализируя огромные объёмы данных в реальном времени и исторических данных для выявления коренных причин, проверки гипотез и предложения эффективных контрмер, что поддерживает Принцип SAFe №2 - «Применяй системное мышление». Этот сдвиг помогает командам-людям становиться экспоненциально более эффективными в решении проблем. Agile-команды и ART (Agile Release Trains) должны включать эти подходы в командные ретроспективы и в мероприятие Inspect and Adapt.

Кроме того, поскольку ИИ-агенты способны непрерывно отслеживать рыночные данные, настроения пользователей и зарождающиеся тренды, это позволяет Agile-командам выходить за рамки анализа прошлых сбоев и переходить к проактивному прогнозированию того, где могут возникнуть риски, узкие места или явные сбои.

В логистической отрасли ИИ применяется для анализа погодных условий, трафика и состояния цепочки поставок в режиме реального времени, чтобы прогнозировать возможные задержки доставки за несколько недель вперёд, позволяя специалистам по планированию заранее перенаправлять грузы и избегать будущих узких мест.

Действие 3: непрерывная интеграция, усиленная ИИ, с человеком в контуре (Human-in-the-Loop)
По мере того как всё больше активностей непрерывной интеграции в той или иной форме задействуют ИИ, в конвейер непрерывной поставки (Continuous Delivery Pipeline) требуется внести ряд важных изменений, как показано на Рисунке 4.

Во-первых, ART должен внедрить ИИ-агентов для мониторинга качества и соответствия требованиям в рамках конвейера непрерывной поставки (CDP). Этим агентам поручено непрерывно и автоматически проверять каждый новый инкремент кода и развёрнутый артефакт на соответствие установленным политикам безопасности, этическим стандартам и требованиям регуляторного соответствия.

Автоматизированное управление защищает конвейер непрерывной поставки, обеспечивая мгновенное, в режиме реального времени, подтверждение соответствия для сопутствующих артефактов. Это критически важно для отраслей с высоким уровнем регулирования: без такого механизма скорость разработки фич, управляемой ИИ, постоянно упиралась бы в узкое место ручных проверок на контрольных точках.

Встраивая требования к качеству и этике в систему с самого начала, ИИ-агенты позволяют конвейеру непрерывной поставки сохранять высокую скорость, не жертвуя необходимым контролем. Такой подход способствует быстрым, децентрализованным экспериментам в пределах общих стандартов. Стабильность качества не предполагается автоматически, а подтверждается едиными тестами, мониторингом и периодическими аудитами.

Децентрализация инноваций означает выстраивание надёжной системы, позволяющей человеческим членам команды управлять ИИ-агентами в рамках конвейера непрерывной поставки (CDP).

Ветвление промптов/агентов (Prompt/Agent Branching) позволяет командам кастомизировать конфигурацию общего агента для быстрого, сфокусированного решения конкретных задач.

Агентная синхронизация (Agentic sync) используется человеческими членами команды для того, чтобы объединять успешные изменения и извлечённые уроки обратно с базовыми агентами, способствуя их повторному использованию в масштабе всей организации.

Практики слияния (merge) усилены ИИ: автоматизированные проверки качества тестируют обновления агентов на соответствие общим стандартам перед их слиянием с базовой версией.

Для масштабируемой организации совершенствование CDP остаётся жизненно важным условием для быстрых, децентрализованных инноваций при сохранении неизменного качества и соответствия требованиям во всех командах.

Сдвиг 4: разработка и инновации в масштабе
Проверенные паттерны SAFe решают задачи разработки продуктов в масштабе, а инновации лежат в самом сердце фреймворка. Поскольку ИИ демократизирует инновации, он даёт возможность сотрудникам по всей организации исследовать и потенциально создавать новый функционал.

Такое масштабирование инноваций, если им не управлять должным образом, может привести к появлению хрупких, неподдерживаемых ИИ-сгенерированных активов и накоплению технического долга. При правильном управлении, напротив, оно вызовет всплеск инноваций во всех подразделениях, значительно ускоряя поставку ценности.

Действие 1: раскрыть потенциал инноваций в масштабе всей организации через использование ИИ
Командам и ART следует использовать ИИ как творческого партнёра для создания более качественных продуктов в более сжатые сроки. Инструменты ИИ способны мгновенно анализировать тысячи отзывов клиентов, ответов на опросы и обращений в поддержку, чтобы определить потребности и настроения пользователей. Вместо того чтобы тратить недели на ранние этапы дизайна, команды могут использовать ИИ для генерации макетов и проведения A/B-тестов. Позволяя ИИ брать на себя рутинные задачи и систематизировать обратную связь, команды высвобождают время для настоящей инновационной деятельности, обеспечивая создание качественных продуктов, которые действительно нужны людям.

На организационном уровне руководителям следует использовать ИИ для поиска новых способов роста бизнеса. Обрабатывая огромные массивы рыночных данных, ИИ способен прогнозировать будущие тренды и выявлять скрытые возможности. Владельцам бизнеса (Business Owners) и лидерам портфеля (Portfolio Leaders) следует применять ИИ для проведения продвинутых симуляций, тестирования бизнес-стратегий, планов по ресурсам и дорожных карт до принятия решений о дальнейших инвестициях. Это даёт организации уверенность в возможности безопасно экспериментировать с новыми смелыми моделями, инвестировать в перспективные технологии и оставаться на шаг впереди.

Действие 2: предоставить сервисы самообслуживания на базе ИИ
Специализированным командам, часто организованным по модели общих сервисов (Shared Services), необходимо эволюционировать: от предоставления базовых услуг - к созданию сервисов самообслуживания на базе ИИ, доступных напрямую тем Agile-командам, которым они нужны.

Такой подход широко распространён в креативной индустрии и сфере цифровых продуктов, где команда общих сервисов по дизайну (Design Shared Services) создаёт и предоставляет в общий доступ ИИ-агентов, которые непрерывно отслеживают и корректируют соответствие дизайна установленным стандартам и требованиям доступности.

Такой подход переносит стоимость и сложность работы с ИИ с разрозненных продуктовых команд на высокоэффективную централизованную платформу, тем самым подпитывая инновации в масштабе всей организации. Этот и другие примеры показаны на Рисунке 5.

Действие 3: создавать и регулировать операционные ИИ-технологии
Организации необходимо инвестировать в надёжные инфраструктурные платформы, предоставляющие заранее одобренные системы, инструменты, API и ключевые сервисы данных для всех value streams.

Кроме того, защитные механизмы управления (governance guardrails) обеспечивают безопасность и поддерживаемость ускоренного темпа инноваций в организации - включая прототипы, создаваемые сотрудниками без инженерного образования. Ещё одно преимущество такого подхода - предотвращение накопления технического долга.

Организации следует проактивно отслеживать затраты на использование ИИ, которые могут стремительно расти по мере того, как всё больше подразделений внедряют всё более сложные агентные рабочие процессы.

Организации, работающие по SAFe, могут централизовать инфраструктуру, безопасность, управление данными и обязательные стандарты, но оставляет ART право выбирать сценарии применения и локальные конфигурации. Граница между централизованными и локальными решениями определяется уровнем риска. (Рисунок 8).

[1] ИИ-платформы могут использоваться сразу несколькими ART, что обеспечивает быструю интеграцию новых ИИ-инструментов и технологий через уже устоявшиеся корпоративные платформы.

[2] Специализированные общие сервисы, ориентированные на ИИ (AI-focused Shared Services), создают общую инфраструктуру и переиспользуемые ИИ-компоненты в виде ИИ-агентов. Они помогают ART эффективно использовать эти новые компоненты.

[3] Управление данными и ИИ (AI and data governance) интегрируется в существующие практики SAFe, обеспечивая централизацию затрат на ИИ и наличие «стражей» ответственного использования ИИ, при этом сохраняя возможность локальных, децентрализованных решений по управлению для каждого ART или решения.

[4] Локальные члены команд могут использовать сообщества практики (Communities of Practice, CoP) для разработки ИИ-агентов и платформ, адаптированных под их нужды, ART или продукты. Инновации, доказавшие свою пользу в рамках нескольких value stream, при необходимости могут быть интегрированы обратно в централизованные платформы.

Достижение четырёх сдвигов, необходимых для Agile-гибкости, усиленной ИИ, требует фундаментального изменения организационной культуры. Человекоцентричная культура использования ИИ обеспечивает адаптивность и востребованность персонала по мере развития технологий. Она признаёт и подчёркивает ключевую роль человека в управлении ИИ, а не только в оценке его результатов.

Это динамичная среда с высоким рычагом воздействия, в которой основные вызовы сместились от исполнения к стратегическому определению задач. ИИ берёт на себя те задачи, которые не требуют человеческого суждения. Это освобождает людей для того, что они умеют делать лучше всего: интерпретации, творчества, эмпатии и стратегического принятия решений. По мере того как ИИ превращает исполнение в товар массового потребления (commoditizes), способность применять эти «человеческие навыки» становится самым важным активом организации.

Формирование доверия к внедрению ИИ
Страх - это тихий убийца ценности, которую способен принести ИИ. Если люди боятся быть замененными, они начинают скрывать данные и цепляться за устаревшие процессы. Организации, которые воспринимают ИИ исключительно как инструмент сокращения затрат, получают лишь временный всплеск эффективности, за которым следует стагнация. В конечном счёте побеждают те организации, которые используют ИИ для снятия когнитивной нагрузки с людей, позволяя им решать задачи, ранее считавшиеся неразрешимыми.

Решение заключается в том, чтобы прямо и открыто объяснять, как выгоды от повышения эффективности будут реинвестированы - например: «Мы не сокращаем команду; мы ожидаем, что команда удвоит объём работы при том же штате». Такой подход помогает выстроить психологическую безопасность и доверие. Организация, которая делает это правильно, превосходит ту, что рассматривает ИИ лишь как инструмент сокращения штата.

Agile-гибкость, усиленная ИИ, - это операционная модель для эпохи искусственного интеллекта. Это системная способность, выстроенная на фундаменте SAFe и достигаемая через стратегический сдвиг - от простого «использования ИИ» к превращению в организацию, «AI-нативную» по своей сути. Она раскрывает человеческую субъектность и конкурентное преимущество через четыре сдвига: перенос человеческих усилий с исполнения на намерение и стратегию, ускорение циклов обучения, раскрытие инноваций в масштабе и усиление человеческих возможностей.

Эта эволюция поддерживается человекоцентричной культурой использования ИИ, которая обеспечивает сохранение за человеческим суждением роли финального, безусловного звена, отвечающего за ценность, безопасность и осмысленность результатов.

Консультанты AgileLAB помогают компаниям интегрировать AI в существующие Agile-процессы, продуктовую разработку и управление на уровне команд и всей организации. Мы рассматриваем AI не как отдельный набор инструментов, а как часть операционной модели, которая меняет способы принятия решений, разработки продуктов и взаимодействия людей с AI-агентами.

На практике переход к AI-Empowered Agility требует не только внедрения новых технологий. Организациям необходимо пересмотреть процессы и роли, определить границы автономности AI, встроить Human-in-the-Loop механизмы и создать условия для быстрых экспериментов с измеримыми бизнес-результатами.

Развитие AI-компетенций в AgileLAB
AgileLAB помогает руководителям, продуктовым и инженерным командам развивать компетенции для работы в AI-усиленной организации. Мы объединяем практики Agile, продуктового управления и организационных изменений с современными подходами к использованию генеративного AI и AI-агентов.

В рамках тренингов и трансформационных программ участники учатся определять сценарии применения AI, перестраивать рабочие процессы под взаимодействие Human + AI, управлять рисками и качеством и масштабировать успешные эксперименты на уровень команд, продуктов и организации.

[1] Kersten, Mik. Output to Outcomes. IT Revolution. 2026.
[2] BCG. «The Widening AI Value Gap.» https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
[3] Publitas. «The Strategic Impact of Generative AI on Spanish Retail: Lessons from Carrefour.» https://www.publitas.com/blog/generative-ai-in-retail-carrefour-ai-rollout
[4] Medium. «Building Scalable and Cost Effective Voice Agents, A Platform Based Blueprint.» https://medium.com/cvs-health-tech-blog/building-scalable-and-cost-effective-voice-agents-a-platform-based-blueprint-fae6ee5881c9
[5] Harvard Business School. «When AI Joins the Team Better Ideas Surface.» https://www.library.hbs.edu/working-knowledge/when-ai-joins-the-team-better-ideas-surface
[6] IKEA. «How IKEA is Approaching AI for the Benefit of All.» https://www.ingka.com/newsroom/how-ikea-is-approaching-ai-for-the-benefit-of-all/

Оригинальная статья: https://framework.scaledagile.com/achieving-ai-empowered-agility