Все статьи
Как достичь гибкости с помощью ИИ – руководство SAFe®
Дата: 05.07.2026
Гибкость, усиленная искусственным интеллектом (ИИ) (AI-Empowered Agility) — это способность быстро разрабатывать и ответственно разворачивать продукты и решения на базе ИИ, а также использовать ИИ для постоянного повышения скорости, качества и адаптивности существующих методов Lean-Agile.
Развитие генеративного ИИ несет с собой как сложности, так и возможности, подчеркивая пропасть в зрелости, где большинство компаний останутся навсегда, так и не перешагнув стадию пилота. Это руководство призвано помочь организациям, использующим SAFe® (Scaled Agile Framework®), в достижении гибкости, усиленной ИИ, основывая процесс на креативности и сотрудничестве.
- Гибкость в эпоху ИИ.
- Достижение гибкости с помощью ИИ.
- Обзор искусственного интеллекта (ИИ).
- Сотрудники, усиленные ИИ.
- Ответственный подход к ИИ.
Содержание
Мы живем в удивительное время: либо организации научатся оседлывать и контролировать создание ценности в эпоху искусственного интеллекта (ИИ), либо он будет контролировать нас.
Чтобы достичь гибкости, усиленной ИИ, необходимо произвести четыре критичных изменения, которые усилят принципы Lean-Agile:
- фокус на конечных результатах и намерениях;
- формирование кросс-функциональных команд, усиленных ИИ;
- внедрение итеративных циклов обучения и быстрых экспериментов;
- стимулирование масштабирования разработки и инноваций.
Эти изменения должны быть поддержаны культурой человекоцентричности, которая рассматривает ИИ как дополнение, усиление человека. ИИ необходим человеку, чтобы потратить высвободившееся время на действительно важные вещи: стратегию, творчество и этические суждения. Человеческий надзор остается важнейшим завершающим звеном в обеспечении ценности, безопасности и соблюдению цели.
Что есть гибкость, усиленная ИИ?
Экспоненциальный рост ИИ, а именно применение генеративного ИИ, несет в себе одновременно как сложности, так и возможности. Несмотря на его широкое применение, здесь сложно не заметить недостаток зрелости. Примерно две трети компаний остаются на стадии внедрения отдельных пилотов, которые так никогда и не перейдут в реальное внедрение. Зачастую тому виной неверное трактование ИИ: если рассматривать ИИ как разовую изолированную инициативу, вместо масштабного перехода на новую операционную модель, это приведет к фрагментированию данных, техническому долгу и бизнес-процессам, враждебным применению ИИ.
В противоположность этому, компаниям, смотрящим в будущее – топ-5 компаний на рынке – удалось преодолеть фазу пилота. Для них ИИ – не надстройка, а фундамент: архитектура их операционной модели использует инструменты агентного и генеративного ИИ. Хорошая новость заключается в том, что у многих организаций уже есть необходимый фундамент: методы Lean и Agile как раз-таки приспособлены для того, чтобы реагировать на технологические изменения, такие как эти. Но только этого недостаточно. Гибкость, усиленная ИИ, описывает, каким должен быть подход к работе, чтобы оседлать эту специфическую возможность.
Этот новый подход к работе также требует развития культуры человекоцентричности. Важно понимать, что ИИ – не замена человеку, а его дополнение, позволяющее подключать больше креативности, эмпатии и стратегии в своей работе. Это означает интеграцию ИИ-агентов как полноценных товарищей по команде с определёнными обязанностями и уровнями субординации.
Эта статья описывает четыре критичных изменения и необходимую эволюцию культуры, которые позволят достичь гибкости, усиленной ИИ, и демонстрирует, как внедрить эти изменения в вашу SAFe-среду.
Четыре критичных изменения, чтобы усилить гибкость при помощи ИИ
Существующие методы Lean-Agile основаны на нескольких базовых принципах. Вот главные из них:
- Фокус на результатах: ценность достигается только тогда, когда достигнут объективно измеряемый результат.
- Кросс-функциональные команды преодолевают ограничения изолированных структур, создавая мощную, полностью автономную группу, которая может проектировать, разрабатывать и разворачивать одновременно.
- Итеративный процесс, построенный на подходе PDCA (Plan, Do, Check, Adjust). Этот принцип гарантирует итеративную поставку ценности и обеспечивает возможность получения обучающей обратной связи в каждом инкременте, а это в свою очередь способствует улучшению как продукта, так и процессов.
- Практики масштабирования разработки: фреймворки, как SAFe, позволяют компаниям координировать и интегрировать работу тысяч разработчиков решений, организованных во множество различных ART.
Гибкость, усиленная ИИ, не заменяет эти базовые принципы; они усиливаются за счет внедрения четырех критичных изменений, как показано на рисунке 1.
Ниже вы найдете краткое описание каждой из этих перемен. Больше деталей о том, как применить их к SAFe, описано далее в статье.
Изменение 1: от «Фокуса на результатах» к «Фокусу на результатах и намерении»
Намерение — это цель, стоящая за любым действием, в отличие от результата, который является желаемым результатом. Поскольку достижение результатов остается важным, это изменение означает, коль скоро все больше работы переносится в область формулирования четких промптов для ИИ-агентов, мы должны точно определить намерение и цель, определяющие эти результаты.
Изменение 2: от «Кросс-функциональных команд» к «Кросс-функциональным командам, усиленным ИИ»
Чтобы успешно осуществить данное изменение, необходимо обучить всю организацию свободному владению ИИ. Команды по-прежнему будут развивать зоны своей экспертизы, совмещая с пониманием, как взаимодействовать с ИИ, чтобы дополнить и распространить эти навыки на другие области.
Изменение 3: от «Циклов итеративного обучения» к «Циклам итеративного обучения и быстрых экспериментов»
ИИ умножает производительность и ускоряет обучение. Он позволяет значительно сократить фазы Do (реализация) и Check (анализ данных) из цикла Plan-Do-Check-Adjust (PDCA), позволяя людям уделать больше времени наиболее ценным фазам: Plan (стратегическая согласованность) и Adjust (принятие решения об адаптации).
Изменение 4: от «Масштабируемой разработки» к «Масштабируемым разработке и инновациям»
Общедоступность инструментов искусственного интеллекта значительно увеличивает потенциальное влияние инноваций на всю организацию. В свою очередь, это требует четких регламентов и операционной ИИ-инфраструктуры. Такой подход необходим для предотвращения появления неустойчивых, неподдерживаемых ИИ-решений и технического долга, гарантируя тем самым, что новые инновации будут масштабируемыми, безопасными и поддерживаемыми во всей организации.
Поддержка и стимуляция человекоцентричной культуры ИИ
В основе этих четырех изменений лежат существенные культурные изменения. Ориентированная на человека культура ИИ это стремление к развитию креативности, даже несмотря на то, что ИИ выполняет все больше и больше ежедневных задач. Это переориентирует сотрудников по всей организации на выполнение стратегических задач, гарантируя, что роль человека является завершающим, критическим звеном в обеспечении ценности, безопасности и соблюдении цели.
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.
Как SAFe помогает организации достичь гибкости, усиленной ИИ?
Изменение 1: Фокус на результатах и намерении
Эффект (outcome) – важная часть операционной модели SAFe, обеспечивающая соответствие результата (output) его реальной ценности на каждом уровне. По мере того, как ИИ-агенты берут на себя все большую часть работы по разработке рабочего кода, документов или других компонентов поставки, основное внимание необходимо уделять четкому определению намерения (цели), которое направляет результаты ИИ к этим конечным эффектам.
Действие 1: Включите намерение в требования
Понимание намерения критически важно для любого ИИ-приложения, чтобы выйти за рамки шаблонных ответов и стать «партнёром по мышлению», который понимает заданные ему вопросы. Все требования SAFe, от пользовательских историй до эпиков, включают ожидаемый результат, но теперь их необходимо дополнять чётким намерением. Пример фичи показан на рисунке 2.
Гипотеза о выгоде: Если мы внедрим устойчивое, с низкой задержкой соединение между бортовым приложением и дорожно-аналитическими сервисами на бэкенде, мы улучшим качество сервиса за счет частых обновлений информации о маршруте и более надежной доставки данных, в том числе в зонах плохого приема сигнала.
Намерение: Убедиться, что водителю предлагается наиболее оптимальный маршрут, в том числе в зонах плохого приема сигнала, таких как, например, тоннели.
Нефункциональные требования: Задержка в передаче сигнала должна быть меньше 500 мс с момента, как фоновый сервис получил пакет данных.
Стратегический контекст: Данная фича соответствует нашей стратегической теме «Доверие и безопасность водителя». Если данные доставлены с опозданием, маршрут будет построен некорректно, а безопасность будет поставлена под угрозу.
Вызов: Нам необходима стратегия синхронизации данных для балансировки реальных данных о дорожном движении с данными о флуктуациях соединения сотовой сети.
Параметры сеанса передачи данных:
Выбор протокола: Оцени, какой из протоколов больше подходит к контексту «Борт — Облако», принимая в расчет заряд и издержки на передачу данных: WebSockets или gRPC.
Актуальность данных против надежности: Предложи логическую цепочку, которая приоритизирует локально кешированные данные, необходимые для мгновенного рендеринга актуализируемых данных и их дельт.
Обработка ошибок: Вместо простого повторения построй умную модель деградации. Если обработка на серверной части идет медленно, как приложение должно вести себя, чтобы соответствовать гипотезе о выгоде?
Действие 2: Сосредоточьте человеческие усилия на стратегии, валидации и ценности
Задача ИИ автоматизировать рутину, задачи по обработке больших объемов данных, принципиально перенося человеческие усилия с вопроса «как делать?» на «для чего?» Таким образом, команды должны перераспределять ресурсы для выполнения более ценной работы, такой как комплексное архитектурное проектирование, более глубокое вовлечение клиентов и изучение новых возможностей для бизнеса.
Некоторые из наиболее ценных человеческих качеств – глубокое понимание бизнеса и эмпатия к потребителю в сочетании со знанием ИИ позволяют составлять эффективные промпты и критически оценивать результаты работы ИИ. Все роли несут ответственность за то, чтобы работа, созданная ИИ, соответствовала видению, организационному контексту и потребностям клиентов.
Техническое совершенство в настоящее время измеряется строгостью проверки, требующей критического мышления, этических суждений и быстрой доработки/уточнения. Сохраняя за человеком право принимать важные решения, можно защитить целостность организации и обеспечить единую ответственность. Это особенно важно в регулируемых отраслях, где человеческий надзор по закону необходим для обеспечения безопасности и конфиденциальности данных. Качество результатов связано с качеством вводных данных, скорость в данном случае никак не влияет на качество.
Изменение 2: Кросс-функциональные команды, усиленные ИИ
Кросс-функциональные Agile-команды – фундаментальный элемент в SAFe. Agile-команды, усиленные ИИ, умножают присущие им сильные стороны, действуя как бустер для скорости и коллективного разума. Это необходимое изменение для новой организационной формы. ИИ предназначен для обработки наиболее рутинных аспектов реализации, позволяя человеческим участникам команды сосредоточиться на ценности, эмпатии и социальной динамике.
Действие 1: Развивайте свободное владение ИИ по всей организации
Организация должна проникнуться культурой непрерывного обучения, которая предоставляет высший приоритет обучению всех сотрудников свободному владению ИИ, техникам составления промптов и новым методам сотрудничества. Систематическое повышения навыков критично для развития Т-образных (T-shaped) компетенций, усиленных ИИ, которые сочетают в себе глубокие знания предметной области и широкое понимание ИИ.
Технологии и способы их применения развиваются с беспрецедентной скоростью. Развитие гибкости, усиленной ИИ, требует постоянной готовности к обучению. Этот подход более итерационный, чем классический с заранее определенными моментами обучения. Внедряйте программы «безжалостного повышения навыков», поощряйте команды в начале выполнения каждой задачи задавать вопрос: «Как ИИ может помочь?»
Решение и Результаты: Следуя поручению CEO, сделать ИИ операционной моделью, Moderna запустила «Академию ИИ», в рамках которой предполагалось обучать сотрудников, всех и каждого. Это систематическое развитие компетенций в итоге привело к 100%-ному принятию и созданию более, чем 750 индивидуальных GPT, автоматизирующих рабочие процессы, которые были созданы своими сотрудниками. Это позволило достичь невероятной скорости операций, где группа юристов смогла автоматизировать оценку 100% договоров с большим объемом при низком уровне рисков, группа клинических исследователей смогли сократить время разработки нормативных актов с дней до минут.
| День из жизни Владельца продукта | |
|---|---|
| 8:00 | Запрос клиента, пока ты спал, ИИ сканирует 1000 запросов на поддержку и 5 релизов от конкурентов. Начни свой день с «утреннего дайджеста» по 3 главным болевым точкам. |
| 11:00 | Управление бэклогом. Вместо 4-часовой встречи по уточнению требований используй предварительно тренированный промпт, чтобы разбить фичу на 6 пользовательских историй с полным набором критериев приемки за 10 минут. |
| 15:00 | Планирование дорожной карты. Заинтересованное лицо спрашивает: «А что если наоборот?» Запусти симуляцию, чтобы распознать паттерн и показать, как такое изменение повлияет на зависимости в 5 командах одновременно. |
Таблица 1. День из жизни Владельца продукта
Действие 2: Спроектируйте рабочие процессы, усиленные ИИ
Этот подход призван интегрировать ИИ-агентов как полноценных членов команды, фокусируя человеческие усилия на высокоценной работе по развитию стратегии, этических суждений и креативной интерпретации вместо исполнения рутинных задач. Вместе с ростом овладения ИИ и поощрением культуры непрерывного обучения команды получают инструмент мощного усиления рабочих процессов.
Чтобы проиллюстрировать, насколько фундаментально меняются рабочие процессы, рассмотрите пример ниже. В примере изображена итерация в Agile-команде, усиленной ИИ и разрабатывающей фичу «Выбор автомобиля покупателем в соответствии со стилем жизни» для приложения по продаже транспортных средств.
Рабочий процесс стартует, когда Владелец продукта определяет намерение, которое разъясняет: «Почему? Для чего?» В данном случае «клиент хочет найти автомобиль, соответствующий его образу жизни, опираясь на параметры скорости, экономичности потребления бензина, семейный размер, возможности путешествовать по бездорожью и т.д.»
Далее ИИ генерирует технические пользовательские истории и критерии приемки, опирающиеся на поведенческие аспекты покупателя (BDD, Behaviour-Driven Development), которые должны рассмотреть и уточнить члены команды. Далее ИИ создает набросок кода, мокапы и автоматизированные тесты. Люди фокусируются на валидации и уточнении результатов этих работ, включая проверку доступности и галлюцинации ИИ.
ИИ способен симулировать 10 000 пользовательских тестов и незамедлительно проводить ревью кода. Команда людей проверяет критические отклонения и использует этические суждения для коррекции ИИ-логики, где это необходимо (например, не позволять ИИ рекомендовать двухместный спортивный автомобиль пользователю, у которого в приоритете «безопасность семьи»).
ИИ постоянно верифицирует код относительно требований безопасности и конфиденциальности, при этом Владелец продукта сохраняет за собой право принятия финального решения о готовности к релизу для проведения живых A/B-тестов. ИИ синтезирует живые данные из этого теста, позволяя команде людей сфокусироваться на стратегических моментах.
Действие 3: Оптимизируйте через небольшие Agile-команды
Партнерство с ИИ-агентами позволяет небольшим командам управлять высокой производительностью работы без чрезмерных затрат на коммуникацию, характерных для больших команд. Размер команды, который мы сегодня обычно наблюдаем 5-7 человек. Будьте осторожны, чрезмерно маленькие команды, состоящие из 3 и менее человек, могут испытывать серьезные затруднения из-за недостаточности компетенций, что не позволит решать сложные задачи.
Это изменение также повышает эффективность долгоживущих, стабильных команд для поддержания глубокого доверия и психологической безопасности. Нестабильные или постоянно меняющиеся команды не могут обеспечить коллективное доверие, необходимое для эффективного управления и критического осмысления результатов работы ИИ, что необходимо для максимального повышения качества идей.
Действие 4: Поручите обучение ИИ RTE и Скрам-мастерам
Важнейшие роли в обучении играют Скрам-мастера и Release Train Engineer (RTE). Они должны развиваться и применять передовые практики взаимодействия человека и искусственного интеллекта. Они должны стать экспертами эффективного применения ИИ-агентов, передовых практик составления промптов, а также практик ответственного ИИ.
Такой подход к обучению призван гарантировать, что скорость ИИ не поставит под угрозу ответственность за результат и качество. Продвигая изо дня в день здоровый человекоцентричный подход (Human-in-the-Loop, HITL), эти эксперты помогут командам успешно интегрировать ИИ в свою работу.
Изменение 3: Циклы итеративного обучения и быстрых экспериментов
Действие 1: Интенсифицируйте циклы обратной связи
ИИ интенсифицирует реализацию и анализ фаз Do (реализация) и Check (анализ данных) из цикла PDCA, как показано на рисунке 4, что позволяет команде получить работающий продукт или подробную информацию о производительности быстрее. С ИИ для каждой истории или фичи команда может испробовать множество вариантов проектировочных решений за время, в которое раньше мы бы успели реализовать только одно решение. Такое «экспериментальное» мышление критически важно для гибкости, усиленной ИИ, особенно если ИИ используется для усиления самого продукта.
Немедленный эффект заключается в том, что фокус команды смещается на высокоценные фазы Plan (стратегическое согласование) и Adjust (принятие решения об адаптации). Команда высвобождает дополнительные мыслительные мощности, чтобы сфокусироваться на намерении, контексте, валидации и быстрой реакции, основанной на проверенных данных.
Кроме того, в SAFe с целью усовершенствования процессов команды, усиленные ИИ, могут получать обучающую обратную связь многократно внутри каждой итерации, поскольку ИИ способен синтезировать данные о настроениях команды, времени выполнения и рабочих паттернах. Им не нужно ждать окончания итерации или демонстрации. Эти мероприятия по-прежнему связаны с каденциями, необходимыми, чтобы «порефлексировать» о намерении, но обратную связь возможно получить и раньше.
Действие 2: Управляйте улучшениями на основании фактов и прогнозов
ИИ усиливает улучшение, основанное на фактах, через анализ больших объемов данных в реальном времени, а также исторических данных, чтобы найти первопричину, протестировать гипотезы и предложить эффективные меры в соответствии SAFe-принципом #2: применяйте системное мышление. Это изменение поможет людям экспоненциально вырасти в решении проблем. Agile-команды и ART обязаны внедрить эти подходы в такие мероприятия, как Ретроспектива и Инспекция и Адаптация.
Кроме того, коль скоро ИИ-агенты способны непрерывно отслеживать данные о рынке, настроения пользователей, новые тренды, то такой подход позволит Agile-командам шагнуть вперед от анализа ошибок прошлого к проактивному прогнозированию рисков, «узких» мест и явных неудач, которые могут случиться в будущем.
В логистике ИИ используется для анализа погодных условий, дорожного движения и состояния цепочки поставок в режиме реального времени с целью прогнозирования вероятных задержек поставок на недели вперед, позволяя вовремя изменять маршруты, избегая «бутылочных горлышек».
Действие 3: Непрерывная интеграция, усиленная человекоцентричным ИИ
Поскольку все больше активностей, связанных с непрерывной интеграцией, подключают ИИ в той или иной форме, необходимо произвести некоторые важные изменения в конвейере непрерывной поставки, как показано на рисунке 5.
Прежде всего, ART должен развернуть ИИ-агентов, предназначенных для отслеживания качества и соответствия регламентам в рамках конвейера непрерывной поставки (Continuous Delivery Pipeline, CDP). Агенты постоянно автоматически проверяют каждый новый инкремент поставки и разворачиваемый артефакт относительно установленных политик безопасности, этических стандартов, регламентов компании и т.д.
Автоматизированное управление защищает конвейер непрерывной поставки, предоставляя возможность немедленного подтверждения соответствия артефактов регламентам в режиме реального времени. Это базовое требование для высоко зарегулированных отраслей. Без этого скорость разработки фич, использующей ИИ, постоянно падала, натыкаясь на необходимость ручных проверок. Если встраивать требования к качеству и этическим нормам с самого начала, то ИИ-агенты позволяют CDP поддерживать изначальную скорость без остановки на прохождение контроля. Такой подход продвигает быстрое, децентрализованное внедрение инноваций с соблюдением необходимого уровня качества по всей организации.
Децентрализация инноваций означает создание надежной системы, позволяющей членам человеческой команды управлять ИИ-агентами в рамках конвейера непрерывной поставки (CDP).
- Ветвление промпта/агента позволяет командам кастомизировать общего ИИ-агента для быстрого и целенаправленного решения проблем.
- Синхронизация агентов применяется людьми в командах, чтобы объединять успешные изменения и извлеченные уроки с базовыми агентами, способствуя повторному использованию в масштабах всей организации. Практики слияния усилены ИИ, и содержат автоматизированные проверки качества, которые призваны проверять обновления агентов на соответствие общим стандартам до начала объединения.
Для масштабируемой организации совершенствование CDP остается жизненно важным для стимулирования быстрых децентрализованных инноваций при сохранении неизменного качества и соответствия регламентам во всех командах.
Изменение 4: Масштабируемые разработка и инновации
Действие 1: Разблокируйте инновации для всей организации при помощи ИИ
Команды и ART должны использовать ИИ как творческого партнера, чтобы быстрее создавать лучшие продукты. ИИ-инструментарий способен непрерывно анализировать тысячи отзывов о клиентов, результатов опросников и запросов на поддержку, чтобы определить нужды и настроения пользователей. Вместо того, чтобы неделями заниматься ранним дизайном, команды могут «поручить» ИИ нарисовать мокапы и провести A/B-тесты. Команды высвобождают время от повторяющихся задач и сбора обратной связи ИИ, чтобы сфокусироваться на истинных инновациях и создать высококачественный продукт, который действительно нужен людям.
На уровне организации руководители должны использовать ИИ, чтобы найти новые способы растить бизнес. Обрабатывая большие объемы данных с рынка, ИИ способен предсказать будущие тренды и открывать скрытые возможности. Представители бизнеса и руководители портфеля используют ИИ для симуляции ранних гипотез, тестирования бизнес-гипотез, ресурсных планов и дорожных карт, прежде чем приступить к дальнейшим инвестициям. Таким образом, организация получает возможность безопасно экспериментировать с новыми смелыми моделями, инвестировать в будущие технологии, оставаясь на шаг впереди.
Действие 2: Обеспечьте возможность использования индивидуального ИИ-инструментария
Специализированные команды, нередко организованные как общие сервисы (Shared Services), должны развивать свои полномочия от предоставления базовых сервисов до создания индивидуального ИИ-инструментария, поставляемого напрямую в Agile-команды по их запросу.
Такой подход распространен в индустриях творческих и цифровых продуктов, где команда дизайнеров, работающая как общий сервис, создает и распространяет ИИ-агентов, которые непрерывно отслеживают и корректируют дизайн в соответствии со стандартами доступности. Такой подход позволяет перенести стоимость и сложность ИИ с отдельных фрагментированных продуктовых команд в высокоэффективную, централизованную платформу, стимулируя распространение инноваций по всей организации. Этот и другие примеры продемонстрированы в таблице 2.
| Команда общего сервиса | ИИ-сервис | Выгода |
|---|---|---|
| Дизайн | ИИ-агенты, которые непрерывно мониторят и корректируют дизайн в соответствии со стандартами доступности. | Обеспечивает согласованность и непротиворечивость, а также снижает затраты и дублирование усилий. |
| Системная команда | ML (Machine Learning) обеспечивает генерацию тестов и обнаруживает аномалии. | Ускоряет непрерывную интеграцию и проактивное решение проблем. |
| Юристы | ИИ-агенты автоматизируют проверки продуктовых регламентов и/или инициируют проверку людьми. | Сокращают «узкие места» и ускоряют процесс согласования. |
| Закупки | Инструментарий автоматизированной партнерской оценки и ведения переговоров. | Значительно сокращает время поиска источника и улучшает коммерческие результаты. |
Таблица 2. Примеры общих сервисов, предоставляющих ИИ-инструментарий
Действие 3: Настройка и эксплуатация ИИ-технологий
Организация должна инвестировать в надежные инфраструктурные платформы, которые предоставляют предварительно одобренные системы, инструменты, API и основные сервисы передачи данных для всех потоков создания ценности. Кроме того, регламенты управления гарантируют, что ускоренный темп внедрения инноваций, включая прототипы, собранные не инженерами, останется безопасным и поддерживаемым. Еще одно преимущество заключается в предупреждении накопления технического долга. Организация должна проактивно отслеживать затраты на использование ИИ, которые могут стремительно нарастать по мере того, как все больше сотрудников организации внедряют все более сложные рабочие процессы ИИ-агентов.
Организации, живущие по SAFe, могут операционализировать ИИ за счет использования существующих структур, чтобы балансировать централизованное управление и децентрализованные инновации (рисунок 6). ИИ-платформы могут быть применены одновременно в нескольких ART, обеспечивая тем самым быструю интеграцию новых ИИ-инструментов и технологии при помощи выбранной корпоративной платформы. Команды общих сервисов, посвященных работе с ИИ, создают общую инфраструктуру и повторно используемые ИИ-компоненты, как, например, ИИ-агенты. Они позволяют всем ART эффективно использовать эти новые компоненты. ИИ и управление данными интегрируются в существующие практики SAFe, обеспечивая централизованное управление расходами на ИИ и применение ограничительных стандартов ответственного ИИ, при этом позволяя применять децентрализцию принятия решений в отдельном ART или Solution. Члены локальной команды могут задействовать профессиональные сообщества (Communities of Practice, CoPs) для разработки ИИ-агентов и платформ, адаптированных под их нужды, ART или продукты. Инновации, доказавшие свою полезность во всех потоках ценности, при необходимости могут быть обратно интегрированы в централизованные платформы.
Что означает «человекоцентричная» культура?
Будущее ИИ состоит не в том, чтобы заместить человека, но чтобы расширить его возможности.
Чтобы провести четыре изменения для достижения гибкости, усиленной ИИ, необходимо произвести фундаментальные изменения в культуре организации. Человекоцентричная культура ИИ гарантирует, что сотрудник успевает адаптироваться по мере развития технологий. Она выделяет и провозглашает критическую роль человека в управлении ИИ, а не только его отдельными результатами.
Это динамичная, благоприятная среда, в которой основные задачи перешли от исполнения к стратегическому определению. ИИ оперирует задачами, работа над которыми не требует человеческого суждения. Такой подход освобождает человека, позволяя делать то, что у него лучше получается: интерпретация, творческое осмысление, эмпатия и стратегические решения. Поскольку ИИ забирает исполнение на себя, то способность применять эти «человеческие навыки» становится самым важным активом организации.
Как вырастить доверие к ИИ?
Страх – молчаливый убийца достижения ценности с ИИ. Если люди боятся, что их заместят, они будут скрывать данные и держаться за традиционные процессы. Организации, рассматривающие ИИ как возможность срезать затраты, вначале увидят временный всплеск эффективности, а затем впадут в стагнацию. Организации, использующие искусственный интеллект для разгрузки когнитивной нагрузки, позволяют людям решать ранее неразрешимые проблемы и в конечном счете станут единственными, кто добьется успеха.
Решение состоит в том, чтобы четко указать, как будет реинвестироваться повышение эффективности, например: «мы не сокращаем команду, мы ожидаем, что команда удвоит результат при той же численности». Такой подход помогает создать атмосферу психологической безопасности и доверия. Организация, которая делает это правильно, превосходит ту, которая рассматривает искусственный интеллект как инструмент сокращения численности персонала.
Гибкость, усиленная ИИ это операционная модель в эпоху искусственного интеллекта. Это системная способность, построенная на базе SAFe и достигаемая за счет стратегического перехода от простого ИИ к нативному. Она раскрывает человеческий потенциал и конкурентные преимущества, благодаря четырём ключевым изменениям:
- переносу человеческих усилий с исполнения на определение намерений и разработку стратегии;
- расширению возможностей команд;
- ускорению циклов обучения и экспериментов;
- масштабированию инноваций.
Эта эволюция поддерживается человекоцентричной культурой ИИ, где человеческое суждение остаётся финальным, непреложным звеном в обеспечении ценности, безопасности и целеполагания.
Ключевые выводы
- Чтобы достичь гибкости, усиленной ИИ, необходимо осуществить четыре критичных изменения.
- Фокусируйтесь на результатах и намерении.
- Интенсифицируйте существующие итеративные циклы обучения за счет быстрых экспериментов.
- Создайте инфраструктуру и регламенты, поддерживающие масштабируемые разработку и инновации с применением ИИ.
- Усиливайте ваши Agile-команды при помощи искусственного интеллекта, распространяйте кросс-функциональные команды по всей организации.
- Человекоцентричная культура – ключ к успеху.
