Все статьи
ART с ИИ — AI-Native SAFe®
Дата: 02.09.2026
В AI-Native SAFe® (Scaled Agile Framework®) ART с ИИ (AI-Native ART, Agile Release Train) — это команда команд, организованная вокруг конкретных продуктов. Такая структура позволяет командам эффективно взаимодействовать и обмениваться знаниями о продукте и связанным с ним контекстом. Такое сотрудничество помогает решать сложные задачи и сохранять единое видение продукта, обеспечивая согласованность всех усилий. ART применяет подход, ориентированный на бизнес-эффекты: работа команд с ИИ (AI-Native Team) связывается с измеримыми показателями, которые приносят пользу как клиентам, так и бизнесу. Благодаря постоянной адаптации и обучению ART способны реагировать на изменения, совершенствовать свои стратегии и улучшать процесс создания и поставки продуктов. Основное внимание уделяется сотрудничеству, четким целям и ответственному использованию ИИ для максимального раскрытия инновационного потенциала людей и повышения ценности для клиентов.
Продуктовые стримы, команды и роли в ИИ-организации, вебинар AI-Native SAFe Series 14.07.2026 (русская озвучка, 27 минут)
- ART с ИИ.
- Архитекторы ценности ИИ.
- Команда с ИИ.
Сам по себе ИИ не изменит ваш бизнес. Это сделает система, в которой он работает.
Содержание
Ключевые мысли:
- AI-Native ART объединяют команды вокруг продуктов для достижения конкретных бизнес-эффектов.
- Люди сохраняют ответственность за направление развития продукта и принятие решений, что позволяет использовать человеческий фактор при внедрении инноваций на основе ИИ (искусственного интеллекта).
- Обучение на основе каденции и общие рабочие процессы превращают непрерывную обратную связь от команд в коллективные улучшения для всего ART.
- В ART встроена система управления, включающая в себя ответственность людей за риски, этические нормы и принятие важных решений.
Что такое AI-Native ART?
AI-Native ART — это команда команд, организованная вокруг одного или нескольких продуктов. Поскольку ИИ открывает перед отдельными специалистами и командами возможности внедрять инновации и создавать результаты быстрее, чем когда-либо прежде, ART начинают играть всё более важную роль. Их цель — максимизировать целевые результаты посредством согласования, координации, управления и непрерывного совершенствования.
Межкомандное взаимодействие занимает центральное место в достижении этой цели. Оно позволяет командам объединять накопленные знания и решать системные проблемы, с которыми ни одна команда не способна справиться самостоятельно. Видение продукта направляет эту работу к общему будущему, а бизнес-эффекты ART определяют цели, к которым команды стремятся сообща.
ART объединяет работу команд, обеспечивая целостность продукта и обмен знаниями между командами. ART также координирует использование общих технологий и средства защиты на основе ИИ, которые обеспечивают безопасность клиентов и бизнеса.
На рисунке 1 представлены шесть характеристик, которые позволяют AI-Native ART выполнять своё предназначение. Они охватывают различные аспекты работы ART, взаимно усиливают друг друга и подробно рассматриваются в настоящей статье. В совокупности они иллюстрируют важнейшую роль ART в эпоху ИИ.
1. Организация вокруг продуктов
В рамках AI-Native ART команды объединяются вокруг одного продукта или группы связанных продуктов. В этом смысле продукты могут быть внутренними, например, операционными продуктами, на которых работает организация, или внешними, например, продуктами, предоставляемыми или продаваемыми клиентам.
Такой подход создает единый фокус для всех команд в ART. И этот подход включает в себя: четкое определение клиентов, убедительное ценностное предложение и измеримые бизнес-эффекты.
Когда масштаб продуктов требует участия нескольких ART, полезно использовать эффективный прием — рассматривать outcome surfaces, то есть области, в которых проявляются бизнес-эффекты. Другими словами, как можно разложить продукт на составляющие таким образом, чтобы та часть, которая разрабатывается в рамках отдельного ART, продолжала обеспечивать измеримые бизнес-эффекты и в конечном итоге приносила пользу клиентам и бизнесу?
К распространённым примерам относится ситуация, когда AI-Native ART обладает набором продуктовых возможностей или контролирует часть сквозного пути клиента. Общие платформы также являются идеальными объектами для передачи под управление AI-Native ART при условии, что они управляются как продукты.
В отличие от продуктового подхода, построение AI-Native ART вокруг системы, отдельной функции или проекта сужает его фокус настолько, что чёткая ценность для бизнеса становится недостижимой. Более того, такая конфигурация делает ART временным — он расформировывается сразу после выполнения задач, а значит, невозможно накопить глубокое понимание клиентских потребностей и развить кросс-функциональный опыт, без которого успех в эпоху ИИ немыслим.
2. Ориентация на бизнес-эффекты
Продуктовый менеджмент преобразует видение продукта в конкретные бизнес-эффекты ART. В то время как видение описывает долгосрочное направление движения ART, бизнес-эффекты ART определяют конкретные ожидания на предстоящий год и задают стратегический курс для ART. ART ведет разработку с ориентацией на бизнес-эффекты, как показано на рисунке 2 ниже, что позволяет связать бизнес-эффекты с ценностью для клиентов и бизнеса.
ART берёт на себя обязательства по сбалансированному набору бизнес-эффектов ART и использует бизнес-эффекты PI и команд для формирования краткосрочных обязательств. Это «дерево бизнес-эффектов» связывает стратегию с исполнением на уровне команд и служит основой для решений, принимаемых в ходе разработки продуктов. Затем команды распределяют свои ресурсы (мощности) в соответствии с этими бизнес-эффектами, выбирая и оценивая те выходные артефакты (продукты работы), которые с наибольшей вероятностью позволят их достичь.
Например, ART может задать бизнес-эффект PI: «Поднять конверсию из триала в платных пользователей с 15% до 20%, сохранив затраты на поддержку». Команда «Прогрев и квалификация» вносит свой вклад, формулируя командный бизнес-эффект: «Повысить конверсию MQL в SQL с 10% до 15%». Команда ежедневно отслеживает прогресс по этой метрике. Если данные показывают, что кампании по прогреву не влияют на конверсию MQL в SQL, команда меняет набор экспериментов, чётко понимая, как их локальный ключевой результат связан с общим бизнес-эффектом PI.
Этот подход, основанный на бизнес-эффектах, вместе со связанными с ним ключевыми результатами, даёт командам и руководителям основу для адаптации на основе данных в течение PI. Команда может пересмотреть эксперимент, приостановить разработку фичи, которая не влияет на метрики, или перераспределить ресурсы в пользу более перспективного подхода. ART при этом обеспечивает согласованность таких локальных изменений с общими результатами, разделяемыми всеми командами.
Если вы дочитали до этого места, значит, вам интересен полезный контент о современных методах управления. Чтобы узнавать про новые статьи, видео и бесплатные мероприятия, вступайте в сообщество SAFe® Russia.
3. В основе профессиональный опыт и экспертное суждение человека
Бизнес-эффекты задают направление, но AI-Native ART в конечном счёте движется за счет усилий людей. ИИ помогает ART стимулировать инновации, исследовать больше вариантов дизайна и синтезировать больше информации, чем это под силу человеку. Однако, именно люди привносят продуктовые и предметные знания, необходимые для оценки этих вариантов, и именно они несут ответственность за принимаемые решения.
Команды с ИИ (AI-Native Team)
Команды с ИИ остаются движущей силой ART. Типичная команда с ИИ состоит из 3-7 человек, каждый из которых усилен ИИ. Участники команды вносят вклад в области продуктовых, инженерных, предметно-экспертных и ИИ-компетенций по мере необходимости. Поскольку команда несёт ответственность как за свои результаты работы, так и за выполнение обязательств по достижению бизнес-эффектов, её участники должны понимать ту работу, которую они утверждают. Эта ответственность включает в себя оспаривание слабых допущений и принятие решения о том, когда факты оправдывают смену курса.
Руководители ART
Разработка с поддержкой ИИ увеличивает скорость обучения и частоту принятия решений. В связи с этим объединённая команда управления ART, состоящая из продуктового менеджемента, системного архитектора, RTE (Release Train Engineer) и представителей бизнеса, должна успевать за этим темпом (рисунок 3).
Это требует от них регулярного мониторинга прогресса в достижении бизнес-эффектов, своевременного выявления необходимости корректировки курса и принятия соответствующих решений. В совокупности они несут ответственность за обеспечение контекста для всех команд в составе ART, способствуя согласованности, децентрализованному принятию решений и автономии, а также принимая централизованные решения там, где это уместно.
Продуктовый менеджмент обеспечивает целостное видение продукта в масштабах всего ART, включая видение, замысел, контекст и дорожную карту, ориентированную на бизнес-эффекты. Продуктовый менеджмент связывает данные о клиентах и рынке с продуктовыми решениями и тесно взаимодействует с командами, чтобы гарантировать, что их результаты способствуют достижению целей, которые преследует ART. В AI-Native SAFe продуктовый менеджмент должен сместить фокус с администрирования бэклога к сбору доказательств и гипотез, которые формируют результаты ART и определяют его миссию.
Системные архитекторы помогают определять и поддерживать архитектуру продукта, обеспечивая техническую согласованность по мере развития общих платформ и стандартов. Они выявляют межкомандные зависимости и принимают взвешенные архитектурные решения с учётом будущих потребностей продукта. Они должны перейти от проектирования статической архитектуры к созданию автоматизированных основ, которые встраивают защитные ограничения непосредственно в рабочие процессы команд.
RTE (Release Train Engineer) улучшают поток в ART и поддерживают координацию и согласованность усилий между командами. Они фасилитируют взаимодействия, необходимые для принятия решений, влияющих на всю систему, фокусируясь на устранении блокеров, ускорении поставки ценности, управлении рисками и зависимостями, а также на стимулировании постоянных улучшений.
Представители бизнеса выступают в роли основных заинтересованных лиц ART. Они несут ответственность за результаты ART, включая рентабельность инвестиций (Return On Investment, ROI), управленческий контроль и соблюдение регуляторных требований. Им предстоит эволюционировать от плановых циклов к гибкому управлению инвестициями, опираясь на актуальные данные и показатели экономической эффективности и рисков, чтобы определять целесообразность дальнейшего финансирования.
Архитекторы ценности ИИ. По мере того как организации всё активнее внедряют ИИ в свои команды, ART и продукты, они замечают значительный разрыв между ожиданиями и достигнутой ценностью. Многие организации испытывают трудности с превращением потенциала ИИ в реальные бизнес-результаты. Архитекторы ценности ИИ восполняют этот недостающий пробел. Они являются выделенными ролями в AI‑Native ART и имеют чёткую миссию — помогать ART эффективно внедрять ИИ. ИИ‑архитекторы ценности могут быть задействованы как в помощи отдельной команде, так и группе команд, быть привязанными к конкретному продукту или решению либо оказывать поддержку ART в целом.
Человекоцентричная ИИ‑культура
ART поддерживает человекоцентричную ИИ‑культуру, опираясь на три основных инструмента.
- Ответственность за результат остаётся за людьми. ART закрепляет ответственность за теми, кто утверждает работу. Они несут полную ответственность за качество, стоимость, ценность и влияние на клиентов.
- Смещение фокуса с рутинной работы на исследовательскую. За счёт перераспределения ресурсов, высвобождаемых ИИ, ART направляет высвободившиеся возможности на решение сложных задач, требующих поиска новых решений.
- Обязательная активная верификация. ART требует активной проверки результатов, чтобы ИИ усиливал человеческое суждение, а не подменял его.
Эти практики создают условия для более тесного сотрудничества и гарантируют, что рабочие процессы остаются принципиально человеческими, даже когда ИИ ускоряет выполнение задач. Они же определяют, что значит быть профессионалом в среде AI‑Native, как показано на рисунке 4 ниже.
4. Баланс между быстрыми инновациями и регулярным обучением
В то время как команды с ИИ используют подход, основанный на потоке, ART привносит ритм (каденции) через итерации, интервалы планирования (Planning Interval, PI) и события, как показано на рисунке 5 ниже. Благодаря этому команды могут использовать скорость ИИ, но при этом ART выделяет время на обдуманные человеческие решения.
Появление ИИ делает каденции более важными, чем когда‑либо. Поскольку команды работают быстрее, чем раньше, локальные решения и зависимости накапливаются, а новое обучение может уводить продукт в разные стороны. Периодическая синхронизация позволяет ART оценить доступные варианты, прежде чем это отклонение станет слишком сложным для исправления. Кроме того, каденции поддерживает управленческий контроль и коллективное обучение.
Ритмичное принятие решений становится ещё важнее на фоне непрерывного мониторинга (см. рисунок 6). Команды каждый день отслеживают продуктовые и операционные метрики, чтобы сразу видеть эффект своих действий. Однако, на границе итерации они останавливаются, чтобы оценить накопленный эффект от последних изменений и экспериментов. ART на границе PI оценивает, насколько эффективно он адаптировался и использовал полученную информацию.
| Каденция | Команда | ART |
|---|---|---|
| Непрерывный мониторинг | Команда прогрева ежедневно проверяет изменения конверсии после каждой корректировки в цепочке письме, тексте или времени доставки | ART ежедневно отслеживает конверсию MQL в SQL, а также поступающие сигналы от команд прогрева и интеллектуальной квалификации |
| Итерация | Каждая команда оценивает накопленный эффект от всех результатов работы, выполненных в течение итерации | ART оценивает суммарное влияние изменений в прогреве и квалификации на движение от 15% в сторону 20% |
| Интервал Планирования | Насколько эффективно каждая команда адаптировала свою работу по мере изменения данных о конверсии? | Насколько эффективно ART обеспечивал координацию команд и учитывал полученные знания на протяжении всего PI |
Таблица 1. Непрерывный мониторинг и ритмичное принятие решений
События ART
RTE фасилитирует следующие события ART, гарантируя, что разнообразные быстрые локальные эксперименты остаются видимыми, скоординированными и согласованными с целями системного уровня.
Планирование бизнес-эффектов PI
Планирование бизнес-эффектов PI проводится в начале каждого PI и вовлекает все команды и заинтересованных лиц ART. Планирование бизнес-эффектов PI смещает фокус с детального планирования на согласование видения и замысла, а также на определение бизнес-эффектов. В ходе этого события команды определяют, как они могут наилучшим образом внести вклад в общие бизнес-эффекты ART и какие проблемы клиентов и бизнеса они намерены решить. Они формулируют набор измеримых бизнес-эффектов команд, а также определяют осознанные гипотезы, эксперименты и прототипы, чтобы гарантировать, что создаваемые фичи принесут ожидаемую ценность. Команды согласовывают зависимости и общие вехи для ключевых поставок. Такой подход держит в фокусе измеримое влияние на бизнес и ROI, давая командам пространство для творческого решения задач.
Sense and Respond
Sense and Respond происходит в течение PI на границах итераций и служит для преобразования данных, собранных в ходе выполнения, в решения на системном уровне. Дополнительно такие события могут быть вызваны конкретными обстоятельствами. В основе решений лежат реальные данные, полученные на демонстрациях клиентам. В редких случаях возможен созыв на событие по триггеру, но это скорее редкость, чем норма. ART использует полученные уроки для проверки прогресса по целям и анализа собственных рабочих процессов.
Синхронизация ART
Представители от каждой команды синхронизируются как минимум раз в неделю. Синхронизация ART предоставляет время и пространство для обзора кросс-командного прогресса в достижении результатов и выявления препятствий, а также для принятия ключевых решений. AI-Native ART самостоятельно калибрует периодичность синхронизации в зависимости от характера работы. Большее количество команд, более жёсткие зависимости, более высокая скорость изменений или более высокий риск обычно увеличивают потребность в синхронизации. Меньшее количество команд и более слабо связанные архитектуры могут снизить эту потребность, особенно если общие платформы являются зрелыми. ART должен корректировать частоту синхронизации, если события начинают выявлять проблемы слишком поздно или перестают давать полезную информацию.
Координация общего обучения
Поскольку данные являются движущей силой ИИ, крайне важно, чтобы информация, представленная на событиях ART, эффективно распространялась по всему ART. Для этого выделяются три типа системного обучения:
- Неявное знание остаётся укоренённым в человеческом опыте и передаётся через диалог и совместную работу, чтобы другие команды могли использовать полученный опыт. Пример: во время синхронизации ART эксперт предметной области объясняет, как он отличает рутинные вопросы по настройке и предоставлению доступа от признаков того, что процесс согласования закупок у клиента может застопориться.
- Кодифицируемое обучение может быть зафиксировано в виде общего навыка, конфигурации ИИ-агента, оценочного механизма или защитного ограничения. Пример: после того как команда с ИИ заметила, что ИИ-ассистент по онбордингу выдумал скидку, она добавляет сценарии скидок в общий оценочный механизм, который блокирует неподдерживаемые предложения.
- Контекстное обучение обновляет выверенные данные и информацию, доступную командам и ИИ-агентам, включая недавно подтверждённые предпочтения клиентов. Пример: во время демонстрации клиенту продуктовый менеджмент узнаёт, что администраторам медицинских организаций необходимо видеть правила хранения данных до того, как подключать данные пациентов, и добавляет это предпочтение в выверенные данные.
5. Оптимизирует общие процессы с ИИ и платформами
CIDP (конвейер непрерывных инноваций и поставки) даёт командам инструменты, необходимые для эффективной работы с ИИ. Сюда входит разрешённый доступ к данным, моделям и контексту, а также общие сервисы оценки и поставки: они позволяют протестировать изменение, безопасно его выпустить и наблюдать за его поведением на проде. Конвейер непрерывных инноваций и поставки (CIDP) сохраняет прослеживаемость по коду, моделям, промптам, политикам и конфигурациям данных. Он же даёт средства безопасности, отката и резервных сценариев, которые командам иначе пришлось бы строить с нуля. Улучшения этих сервисов улучшает поток работы у всех команд, которые пользуются CIDP.
Чтобы ИИ из универсального чат-бота стал точным, надёжным и применимым на практике партнёром по разработке продукта, нужны три опоры: замысел, спецификации и контекст. Без этого сочетания ИИ работает в вакууме и часто выдаёт результаты, которые не относятся к делу или попросту выдуманы. Когда эти опоры ясны и связаны между собой, они дают каждому в организации общий язык и меняют саму практику совместной разработки продуктов. Каждая отвечает на свой вопрос о продукте, который создаёт ART:
- Зачем? В замысле ART формулирует стратегию, которая воплотит заявленные концепцию и бизнес-эффекты: какое изменение он намерен создать и какие проблемы ради этого выбирает решать.
- Что и как? Спецификации превращают этот замысел в достаточную детализацию решения — в живые машиночитаемые артефакты, которые описывают, как выглядит хорошее решение и в каких границах оно должно оставаться.
- Где? Контекст — это то, как организация понимает среду, в которой продукт должен добиться успеха: не только сегодняшние условия его работы, но и скорость, с которой они меняются.
Эти три опоры взаимозависимы и формируют друг друга. Высказанные явно, они становятся общим основанием, от которого ART отталкивается, — кто бы ни принимал следующее решение, человек или ИИ-агент.
ART непрерывно проверяет локальные инновации команд и решает, стоит ли включать их в общие рабочие процессы. Процесс, который отлично работает у одной специализированной команды, в другом месте может оказаться малополезным или создать неприемлемые риски для производительности, безопасности, стоимости и совместимости. Команды показывают, что дало изменение на практике. Архитекторы ценности ИИ оценивают, смогут ли перенять это изменение другие, а системные архитекторы защищают стабильность платформы. Проверенное изменение становится частью общей базовой конфигурации, и им могут пользоваться другие команды. Благодаря такому процессу проверенные улучшения приносят пользу всему ART, не ослабляя общие стандарты и техническую целостность.
Конвейер непрерывных инноваций и поставки (CIDP) проводит команды через фазы «Исследование», «Определение требований», «Разработка», «Проверка» и «Выпуск». Команды используют фичи, энейблеры, эксперименты и прототипы в зависимости от того, какого типа работу они делают. На рисунке 8 показан пример того, насколько по-разному может выглядеть это сочетание. Зрелая продуктовая область «Онбординг клиентов» делает упор на фичи и проверку; развивающаяся область «Управление аккаунтами» больше опирается на эксперименты и прототипы, пока разбирается, что строить; а «Общая платформа разработки» сочетает энейблеры с фичами, укрепляя фундамент, на который опираются другие команды. Вместе их работа даёт ART взаимодополняющее сочетание клиентского, продуктового и технического знания.
6. Обеспечивает управление ИИ и этику
Изначально ART задумывался прежде всего как способ координировать систему работы. Как показано выше, это остаётся его главной заботой, но в эпоху ИИ у ART появилась ещё одна потребность — обеспечивать управление ИИ и этику. Многие организации оказались застигнуты врасплох теми рисками, а также юридическими, информационными и этическими последствиями, которые несёт неуправляемый ИИ. Более того, эту ответственность нельзя делегировать командам. Это классический пример централизованной ответственности за стандарты и политики, внутри которых работают команды.
У ART, а значит и у его команды руководства, здесь две обязанности:
- Обеспечивать обучение и соблюдение принятых в портфеле правил управления ИИ, этических принципов и рамок допустимого (guardrails).
- Определять дополнительные правила и рамки допустимого (guardrails), специфичные для этого ART в силу природы разрабатываемых им продуктов и контекста, в котором он работает.
Чтобы выполнить эти обязанности, ART сосредоточивается на четырёх ключевых практиках, которые обеспечивают безопасное, этичное и результативное использование ИИ.
- Определение норм в отношении приемлемого риска. Представители бизнеса отвечают за то, чтобы донести согласованный уровень допустимого риска, которого обязан придерживаться ART, и нормы, объясняющие, как его толковать. Понимание этого позволяет командам безопасно принимать решения внутри признанных границ допустимого. Такие нормы должны охватывать коммерческие, финансовые и инвестиционные риски, а не только технические.
- Встраивание управления ИИ в общие платформы. Управление ИИ следует встраивать прямо в общие платформы и в конвейер непрерывных инноваций и поставки. Автоматические оценки, проверки норм, мониторинг и прослеживаемость выявляют проблемы рано и защищают на всём протяжении работы, а не превращают управление в финальную контрольную точку.
- Установление стандартов ради единообразия. ART не даёт риску распространиться за пределы команды, которая его внесла, добиваясь соблюдения единых стандартов. С галлюцинациями, дрейфом модели, изменениями промпта и утечками данных команды справляются в рамках своей работы, применяя общие стандарты, чтобы обеспечить единообразие по всему ART.
- Превращение человеческой ответственности в рабочий механизм. Модели и агенты могут давать переменчивые результаты, поэтому для решений с высоким риском человеческое суждение остаётся необходимым. ART определяет пороги согласования и эскалации, которые требуют поимённого одобрения и документированных доказательств, — так люди остаются ответственными за результаты, которые они принимают, и за последствия, которые эти результаты создают.
Управление ИИ и этика иногда будут блокировать развёртывание — когда доказательств недостаточно или риск превышает согласованный порог. Работа, способная навредить доверию клиента, должна останавливаться. Ясные стандарты позволяют ART реагировать на такие риски и одновременно убирать лишние задержки из решений с более низким риском.
