Гибкость, усиленная ИИ: применение искусственного интеллекта в SAFe и Agile

Искусственный интеллект меняет не только инструменты разработки, но и операционные модели компаний. Для организаций, использующих SAFe и Lean-Agile, это означает переход от точечного применения ИИ к системной способности быстрее принимать решения, ускорять обучение, масштабировать инновации и усиливать кросс-функциональные команды.

Гибкость, усиленная ИИ, – это способность организации быстро разрабатывать и ответственно внедрять продукты и решения на базе искусственного интеллекта, одновременно используя ИИ для непрерывного повышения скорости, качества и адаптивности существующих Lean-Agile-подходов.

«В практике внедрения SAFe важно рассматривать ИИ не только как набор новых инструментов, а как обоснование для построения операционной модели.

Локальные помощники, чат-боты и Copilot-решения могут дать быстрый эффект, но устойчивое преимущество появляется тогда, когда встроенный в потоки ценности, ИИ начнёт системно ускорять и упрощать эти потоки, повышать качество принятия решений, улучшать архитектурные практики, DevOps и обучение команд.

Только когда ИИ будет системно интегрирован в потоки ценности, организация перейдёт от точечной автоматизации к встроенной способности быстрее создавать и проверять ценность.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Краткое содержание статьи

Распространение генеративного ИИ создаёт для организаций как новые возможности, так и существенные вызовы. При этом сохраняется заметный разрыв в зрелости: многие компании по-прежнему ограничиваются пилотными инициативами и не переходят к масштабному применению ИИ в операционной модели.

Для организаций, использующих SAFe, переход к системному использованию ИИ может стать естественным развитием уже существующих Lean-Agile практик. SAFe помогает встроить ИИ в систему управления доставкой ценности, сохраняя фокус на результатах, ответственности и масштабируемости.

Достижение гибкости, усиленной ИИ, требует четырех ключевых переходов, которые развивают и усиливают принципы Lean-Agile:

• от фокуса на результатах – к фокусу на результатах и намерении;
• от кросс-функциональных команд – к кросс-функциональным командам, усиленным ИИ;
• от итеративных циклов обучения – к итеративным циклам обучения и быстрых экспериментов;
• от разработки в масштабе – к разработке и инновациям в масштабе.

Эти переходы поддерживает культура применения ИИ, ориентированная на человека – человекоцентричная ИИ-культура. В такой культуре искусственный интеллект рассматривается не как замена человеку, а как инструмент расширения его возможностей.

ИИ помогает высвободить время для стратегии, творчества, работы с клиентами и этической оценки решений. При этом человеческий надзор остаётся критически важным завершающим контуром, обеспечивающим ценность, безопасность и соответствие решений целям организации.

Статья будет полезна лидерам организаций, Agile-коучам, RTE, Скрам-мастерам, менеджерам продукта и владельцам продукта, архитекторам, лидерам цифровой трансформации и специалистам, которые изучают применение искусственного интеллекта в Agile-командах, AI-native организации, занимаются проектированием ИИ-агентов и AI governance.

Что такое гибкость, усиленная ИИ?

Гибкость, усиленная ИИ, или AI-Empowered Agility, описывает подход, при котором искусственный интеллект в Agile-организации используется не только для автоматизации задач, но и для ускорения многих направлений деятельности: принятия решений, обучения, экспериментов, разработки продуктов и масштабирования инноваций.

Быстрое развитие искусственного интеллекта, особенно генеративного ИИ, одновременно открывает новые возможности и требует от организаций серьёзной адаптации. Несмотря на активное внедрение ИИ-инструментов, уровень зрелости остаётся неоднородным: значительная часть компаний по-прежнему находится на стадии разрозненных пилотных проектов, которые не удаётся масштабировать.

Одна из причин – восприятие ИИ как отдельной технологической инициативы, а не как основы для изменения операционной модели. Такой подход приводит к фрагментации данных, росту технического долга и появлению рабочих процессов, не рассчитанных на AI-native или ИИ-нативную среду.

Компании, которые называют «построенными для будущего» (Future-Built), уже вышли за рамки пилотной стадии. Это наиболее зрелые организации, которые входят в 5% лидеров рынка. Их операционная модель спроектирована с учётом агентных и генеративных ИИ- инструментов. Иными словами, они становятся ИИ-нативными: ИИ встраивается не только в отдельные процессы, но и в сам способ работы организации.

«Для организаций, использующих SAFe, особенно важен переход от экспериментов к реальному встраиваиванию новых возможностей в систему.

Инициатива по использованию ИИ становится зрелой не тогда, когда в компании появляется много пилотов, а когда успешные практики начинают масштабироваться и стабильно использоваться поездами, общими сервисами, стабильно присутствовать в архитектурных решениях, быть предметом работы сообществ практик и неотъемлемой частью портфельных механизмов.

Безусловно, важно сохранять скорость экспериментов, но не менее важно получить стабильные преимущества без потери управляемости, безопасности и экономического смысла экспериментов и результирующих изменений.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Для многих компаний хорошей отправной точкой являются уже устоявшиеся Lean и Agile подходы. Они изначально создавались для адаптации к быстрым изменениям, сокращения циклов обратной связи и ориентации на ценность. Однако в условиях ИИ этого уже недостаточно. Гибкость, усиленная ИИ, описывает новый способ работы, необходимый для системного и ответственного использования потенциала ИИ.

Именно такой способ работы требует человекоцентричной ИИ-культуры. Её ключевая идея заключается в том, что главная ценность ИИ состоит не в замещении людей, а в расширении их возможностей.

ИИ позволяет специалистам уделять больше внимания творческим, эмпатическим и стратегическим задачам. Это также предполагает интеграцию ИИ-агентов в работу команд в качестве полноценных участников – с чётко определёнными обязанностями, ограничениями и контурами ответственности.

В этой статье рассматриваются четыре ключевых перехода, необходимых для достижения гибкости, усиленной ИИ, а также культурные изменения, которые позволяют встроить эти подходы в текущую реализацию SAFe.

Четыре перехода к гибкости, усиленной ИИ

Существующие Lean-Agile подходы опираются на несколько фундаментальных принципов:

• Фокус на результатах. Ценность создаётся только тогда, когда достигнут объективно измеримый результат.
• Кросс-функциональные команды. Такие Agile-команды преодолевают функциональные барьеры и формируют наделённые полномочиями автономные группы, способные совместно проектировать, создавать и развёртывать решения.
• Итеративный процесс. Цикл PDCA «планируй – выполняй – проверяй –корректируй» (Plan – Do – Check – Adjust) обеспечивает инкрементальную доставку ценности и создаёт возможность для обучения на каждом инкременте, улучшая как продукт, так и процессы.
• Разработка в масштабе. Такие фреймворки, как SAFe, позволяют организациям координировать и интегрировать работу множества команд и Поездов (Agile Release Train, ART).

Гибкость, усиленная ИИ, не заменяет эти принципы, а развивает и усиливает их через четыре ключевых перехода.

Рисунок 1. Четыре ключевых перехода, необходимых для достижения гибкости, усиленной ИИ

Переход 1. От фокуса на результатах – к фокусу на результатах и намерении

Намерение – это цель, лежащая в основе действия. Оно отличается от результата: результат описывает желаемое состояние или измеримый итог, а намерение объясняет, зачем этот итог нужен и в каком контексте его следует достигать.

По мере того, как всё больше задач выполняется с участием ИИ-агентов, возрастает значение правильно сформулированных запросов – промптов. Чтобы ИИ-решения не были формальными или оторванными от контекста, организациям необходимо явно определять намерение, которое направляет работу ИИ к нужным бизнес-результатам.

Переход 2. От кросс-функциональных команд – к кросс-функциональным командам, усиленным ИИ

Для успешного перехода к работе с ИИ необходимо развивать ИИ-грамотность во всей организации. Команды должны сохранять и углублять свою профессиональную экспертизу, одновременно осваивая способы взаимодействия с ИИ, которые позволяют расширять возможности команды за пределы отдельных компетенций её участников.

ИИ-агенты становятся дополнительным ресурсом команды: они помогают анализировать данные, генерировать варианты решений, автоматизировать рутинные задачи и ускорять обучение. При этом ответственность за контекст, выбор направления и критическую оценку остаётся за людьми.

Переход 3. От итеративных циклов обучения – к итеративным циклам обучения и быстрым экспериментам

ИИ выступает мультипликатором продуктивности и механизмом ускоренного обучения. Он позволяет значительно сократить фазы «Выполняй» и «Проверяй» в цикле PDCA – выполнение работы и анализ данных.

За счёт этого люди могут уделять больше времени фазам «Планируй» и «Корректируй» – стратегическому согласованию, интерпретации данных и адаптивному принятию решений. В результате команды получают возможность быстрее проверять гипотезы, сравнивать несколько вариантов решений и чаще корректировать курс на основе фактов.

Переход 4. От разработки в масштабе к разработке и инновациям в масштабе

Широкая доступность ИИ-инструментов существенно расширяют круг сотрудников, способных участвовать в создании новых решений. Это демократизирует инновации, но одновременно создаёт новые риски: появление хрупких, плохо сопровождаемых ИИ-решений, рост технического долга, неконтролируемое использование данных и инструментов.

Поэтому организациям необходимы чёткие принципы, технологическая инфраструктура и механизмы управления ИИ. Они должны обеспечивать масштабируемость, безопасность и сопровождаемость инноваций, возникающих в разных частях организации.

Роль человекоцентричной ИИ-культуры

Четыре описанных перехода невозможны без культурной трансформации. Человекоцентричная ИИ-культура – это подход, при котором организация целенаправленно развивает способности сотрудников даже тогда, когда ИИ берёт на себя всё большую часть повседневной работы.

Такая культура переориентирует сотрудников на стратегическую доставку ценности и закрепляет за человеком роль финального контура принятия решений. Именно человек отвечает за смысл, безопасность, этичность и соответствие решений целям организации.

Как SAFe помогает организациям достичь гибкости, усиленной ИИ?

Организации, уже применяющие SAFe, имеют хорошую основу для перехода к гибкости, усиленной ИИ. SAFe содержит механизмы масштабирования, управления потоками ценности, синхронизации команд, обратной связи и непрерывного улучшения. Эти элементы позволяют не просто внедрять ИИ-инструменты, а встраивать их в операционную модель.

Ниже представлены ключевые действия, которые помогают организациям перейти к SAFe, усиленному ИИ.

Переход 1. Фокус на результате и намерении

Результаты – важнейшая часть операционной модели SAFe: они помогают связать создаваемые артефакты с реальной доставкой ценности на каждом уровне. По мере того, как ИИ-агенты берут на себя всё больше трудоёмкой работы – создание кода, документов, аналитических материалов и других артефактов, – внимание должно смещаться к чёткому определению намерения.

Именно намерение направляет результаты работы ИИ к нужным бизнес-результатам и помогает избежать ситуации, когда артефакт формально создан, но не решает значимую задачу.

В AI-native или ИИ-нативной организации люди переходят от ручного исполнения к формулированию намерения, стратегических ограничений и критериев определения уровня созданной ценности. ИИ помогает ускорить анализ, подготовку вариантов и обработку информации, но финальное решение остаётся за человеком.

Действие 1. Включайте намерение в требования

Понимание намерения необходимо для того, чтобы ИИ мог выйти за рамки типовых ответов и стать полноценным «партнером по мышлению». Все требования SAFe – от пользовательских историй до эпиков – уже содержат ожидаемый результат. В условиях работы с ИИ их необходимо дополнять ясным описанием намерения.

Рисунок 2. Создание фичи с фокусом на согласование через намерение

Намерение формирует контекст промпта, который команда передаёт ИИ. Чем точнее сформулированы роль, ожидаемый результат, ограничения и стратегический контекст, тем выше вероятность получить полезный и применимый результат.

Пример промпта для фичи

Роль: ты действуешь как старший архитектор систем и ведущий разработчик в Agile-команде маршрутизации транспортных средств. Фича, которую ты разрабатываешь вместе с нами, называется «Высоконадёжные данные о дорожной обстановке».

Гипотеза выгоды: реализовав устойчивое соединение с низкой задержкой между автомобильным приложением и серверными сервисами дорожной аналитики, мы повысим качество сервиса за счёт более быстрых обновлений маршрута и более надёжной доставки данных даже в зонах с нестабильной связью.

Намерение: обеспечить водителю предложение наиболее быстрого маршрута даже при движении через зоны со слабым сигналом, например туннели или участки с плохим покрытием сети.

Нефункциональные требования: задержка должна быть менее 500 мс с момента получения пакета данных фоновым сервисом.

Стратегический контекст: фича соответствует нашей стратегической теме «Доверие и безопасность водителя». Если данные поступают с задержкой, маршрут становится неточным, а безопасность может оказаться под угрозой.

Вызовы (чему важно уделить внимание): разработать стратегию синхронизации данных, которая сбалансирует дорожную аналитику в реальном времени и нестабильность сотового соединения.

Параметры для нашей Парной Сессии:

• Выбор протокола: оценить, что лучше подходит для контекста «автомобиль – облако»: WebSockets или gRPC-web, с учётом энергопотребления и объёма передаваемых данных.

• Актуальность данных и надёжность: предложить логическую схему, которая приоритизирует локально кэшированные данные для немедленного отображения и параллельно получает фоновые дельта-обновления.

• Стратегия отказоустойчивости: вместо простых повторных попыток спроектировать модель «интеллектуальной деградации». Если серверная часть отвечает медленно, как должно вести себя приложение, чтобы сохранить заявленную гипотезу выгоды?

Действие 2. Сфокусируйте усилия людей на стратегии, валидации и ценности

ИИ автоматизирует рутинные и информационно насыщенные задачи. Это смещает человеческий вклад от выполнения «как?» к стратегическому определению «зачем?».

Командам следует перераспределять ёмкость в пользу работы с более высокой ценностью, например: сложное архитектурное проектирование, более глубокое взаимодействие с клиентами и поиск новых бизнес-возможностей.

Особую ценность приобретает глубокое понимание бизнеса, эмпатия к клиенту и умение эффективно работать с ИИ: формулировать качественные промпты, уточнять их и критически оценивать полученные результаты.

Все роли в организации отвечают за то, чтобы работа, созданная с помощью ИИ, соответствовала видению, контексту организации и реальным потребностям клиентов.

Техническое совершенство всё больше определяется не только скоростью создания артефактов, но и строгостью их валидации. Оно требует критического мышления, этического суждения и способности корректировать работу ИИ.

Сохранение человеческого суждения при принятии критически важных решений поддерживает целостность организации и закрепляет ответственность за принимаемые решения, особенно в регулируемых отраслях, где человеческий надзор необходим для обеспечения безопасности и защиты данных.

«В организациях, где решения имеют существенные последствия для клиента, бизнеса или регуляторного соответствия, ИИ не должен размывать ответственность.

На практике это означает, что для критически важных решений необходимо заранее определить, где ИИ предлагает варианты, где он выполняет проверку, а где окончательное решение принимает человек.

Такая ясность помогает командам использовать скорость ИИ без потери ответственности и управляемости. Вот где уместно вспомнить не всегда коррелирующую с Agile-мышлением RACI матрицу.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Скорость не заменяет качество: результат, полученный с помощью ИИ, настолько надёжен, насколько качественны исходные данные, контекст и проверка.

Пример Carrefour: новые роли человека в работе с ИИ

Французский ритейлер Carrefour использует ИИ, чтобы сместить роль директоров магазинов от выполнения операционных задач к валидации и стратегическому принятию решений. Это позволяет руководителям магазинов уделять больше внимания высокоценным взаимодействиям с клиентами и персонализированным покупательским рекомендациям.

Переход 2. Кросс-функциональные команды, усиленные ИИ

Кросс-функциональная Agile-команда – один из ключевых элементов SAFe. ИИ усиливает такие команды и помогает им лучше использовать свои сильные стороны – ИИ повышает скорость работы, качество решений и способность команды использовать коллективные знания.

Со временем такой способ работы должен стать нормой для организации. ИИ должен брать на себя более рутинные аспекты работы, позволяя участникам команды сосредоточиться на ценности, клиентской эмпатии, принятии решений и качественном взаимодействии с клиентами.

Действие 1. Развивайте ИИ-грамотность во всей организации

Организация должна формировать культуру непрерывного обучения, в которой приоритетом становится развитие ИИ-грамотности у всех сотрудников.

Это включает:

• понимание возможностей и ограничений ИИ;
• навыки постановки задач для ИИ, включая формулирование промптов;
• умение критически оценивать результаты;
• понимание рисков, связанных с данными и безопасностью;
• умение ставить задачи ИИ-агентам, контролировать их работу и проверять результаты;
• знание принципов ответственного применения ИИ (responsible AI) и подхода «человек в контуре» (human-in-the-loop, HITL).

«ИИ-грамотность нельзя ограничивать обучением промптам.

Для SAFe-организаций критически важно, чтобы разные роли понимали ИИ через свои рабочие сценарии: продуктовый менеджмент – через ценность, гипотезы и обратную связь; архитекторы – через риски, интеграцию и качество; команды – через инженерные практики и ускорение обратной связи; лидеры портфеля – через инвестиционные решения и надзор.

Общие знания полезны как старт, но зрелость появляется только тогда, когда обучение связано с реальной работой каждой роли.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Такое системное повышение квалификации критически важно для развития T-shaped навыков, усиленных ИИ: сочетания глубокой экспертизы в своей области с базовым пониманием возможностей ИИ и смежных дисциплин.

Технологии и их практические применения развиваются с беспрецедентной скоростью. Поэтому обучение должно быть не разовой программой, а постоянным циклом: попробовать, получить обратную связь, улучшить практику.

Организациям следует внедрять программы непрерывного повышения квалификации и побуждать команды перед началом работы регулярно задавать вопрос: «Как ИИ может помочь? Где ИИ может ускорить нас, повысить качество или снизить риск?»

Практический пример успешного применения ИИ: Moderna

Вызов: сохранить скорость, достигнутую в период пандемии, в открытии лекарственных препаратов и одновременно масштабировать операционную деятельность. Перейти от «цифровой» биотехнологической компании к организации, работающей по принципу AI-first или «сначала ИИ», то есть приоритетно использующей ИИ для улучшения процессов, принятия решений и создания ценности.

Решение и результаты: по инициативе CEO, обозначившего ИИ как основу операционной модели, Moderna запустила «Академию ИИ» для повышения квалификации каждого сотрудника.

Системное обучение помогло широко внедрить ИИ в повседневную работу организации и созданию более 750 пользовательских GPT – специализированных ИИ-помощников, созданных сотрудниками под конкретные рабочие задачи.

Компания достигла существенного повышения операционной скорости:

• команда юридического подразделения автоматизировала проверку всех высокообъёмных и низкорисковых типовых договоров;
• команда клинических исследований сократила время подготовки регуляторных документов с дней до минут;
• сотрудники получили возможность самостоятельно создавать ИИ-инструменты под свои рабочие задачи.

Пример Moderna показывает: чтобы ИИ стал частью операционной модели, недостаточно обучить сотрудников работе с инструментами. Постепенно должны меняться и сами роли в SAFe и Lean-Agile – их фокус, зоны ответственности и способы взаимодействия с ИИ.

Например, продуктовые роли смещают фокус:

• от написания детальных спецификаций – к определению и уточнению намерения;
• от ручной декомпозиции продуктовой инициативы – к проверке и уточнению результатов, сгенерированных ИИ;
• от подготовки требований – к формированию продуктовых гипотез и критериев их приёмки;
• от контроля отдельных задач – к управлению ценностью, результатами и обратной связью от пользователей.

ИИ в состоянии автоматизировать такие задачи, как:

• декомпозиция эпиков на фичи;
• генерация пользовательских историй;
• создание критериев приёмки;
• подготовка BDD-сценариев;
• анализ обратной связи;
• поиск несоответствий между требованиями и реализацией.

При этом человек сохраняет ответственность за контекст, приоритеты, этическую оценку и финальное решение.

Рисунок 3. День из жизни Владельца Продукта

Действие 2. Проектируйте рабочие процессы, усиленные ИИ

Рабочие процессы, усиленные ИИ, предполагают интеграцию ИИ-агентов в рабочие процессы команды как цифровых помощников, а не как замену участникам команды.

Это смещает усилия людей с повторяющихся операций на работу с более высокой добавленной ценностью, например:

• стратегическое определение целей и приоритетов,
• этическое суждение,
• творческий поиск решений,
• принятие решений,
• взаимодействие с пользователями,
• управление рисками.

По мере роста ИИ-грамотности и развития культуры непрерывного обучения команды смогут создавать всё более зрелые рабочие процессы, в которых ИИ не просто автоматизирует отдельные задачи, а становится частью командного взаимодействия.

«При проектировании ИИ-усиленных рабочих процессов важно начинать не с выбора инструмента, а с анализа потока ценности, например, проведя сессию картирования.

Где команда теряет время? Где возникают задержки принятия решений? Где много ручной проверки, повторяющейся аналитики или переключения контекста?

Именно эти точки являются лучшими кандидатами для применения ИИ.  Такой подход помогает избежать типичной ошибки – автоматизации неэффективного процесса без его переосмысления.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Пример разработки фичи с применением ИИ – «Подбор автомобиля под образ жизни клиента»

Рассмотрим пример одной итерации в Agile-команде, усиленной ИИ. Команда разрабатывает фичу «Подбор автомобиля под образ жизни клиента» для приложения по подбору автомобиля.

Рисунок 4. Пример рабочего процесса Agile-команды, усиленной ИИ

Шаг 1. Владелец продукта определяет намерение

Рабочий процесс начинается с того, что Владелец Продукта определяет намерение и проясняет «зачем?».

Например, формулировка намерения может звучать так:
«Клиенты хотят находить автомобили, соответствующие их образу жизни, с учётом стиля вождения, расхода топлива, размера семьи, поездок по бездорожью и других факторов.»

В контексте использования ИИ в управлении продуктом это означает, что человек сначала задаёт Намерение, описывающее цель, ограничения и базовые критерии ценности, а уже затем использует ИИ для генерации вариантов решений.

Шаг 2. ИИ генерирует пользовательские истории и BDD критерии приёмки

Затем ИИ помогает подготовить:

• пользовательские истории и истории-энейблеры;
• критерии приёмки в формате BDD;
• возможные зависимости;
• тестовые данные.

Участники команды анализируют и уточняют эти материалы, добавляя контекст, ограничения, продуктовые приоритеты и требования безопасности.

Такой подход позволяет использовать искусственный интеллект в Agile-командах, сохраняя качество требований, критериев приёмки и понимание пользовательской ценности.

Шаг 3. ИИ помогает создать код, макеты и тесты

После этого ИИ используется для подготовки:

• начальной версии кода, которую затем проверяет и дорабатывает команда,
• макетов пользовательского интерфейса,
• автоматизированных тестов,
• документации,
• сценариев пользовательского тестирования.

Люди фокусируются на проверке и доработке результата, включая оценку доступности, качества пользовательского опыта, корректность бизнес-логики и риск предвзятых рекомендаций.

Шаг 4. ИИ моделирует пользовательское поведение

ИИ может смоделировать и прогнать тысячи синтетических пользовательских сценариев и выполняет предварительную автоматизированную проверка кода перед ревью команды.

Команда проверяет критические граничные случаи – например, редкие, рискованные или нестандартные пользовательские сценарии – и оценивает решение с этической точки зрения, чтобы при необходимости скорректировать логику ИИ.

Например, система не должна рекомендовать двухместный спортивный автомобиль пользователю, чей профиль явно указывает на приоритет «семейная безопасность».

Этот пример показывает важность responsible AI – ответственного применения ИИ, human-in-the-loop — участия человека в контуре принятия решений, а также человекоцентричного подхода.

Шаг 5. ИИ поддерживает конвейер доставки

В конвейере непрерывной доставки ИИ помогает проверять код на соответствие требованиям:

• безопасности;
• конфиденциальности;
• производительности;
• соответствия архитектурным стандартам;
• доступности;
• регуляторных ограничений.

При этом владелец продукта сохраняет право финального решения о запуске A/B-теста в реальной среде.

ИИ анализирует и агрегирует данные теста в реальном времени, освобождая время команды для стратегической оценки результатов и корректировки дальнейшего направления.

Действие 3. Стройте работу вокруг небольших устойчивых Agile-команд

Использование ИИ-агентов позволяет небольшим командам управлять значительным объёмом работы без чрезмерных коммуникационных затрат, которые часто возникают в больших командах.

На практике всё чаще встречаются команды примерно из 5–7 человек, если этого достаточно для покрытия ключевых компетенций.

ИИ помогает таким командам:

• быстрее анализировать данные;
• генерировать варианты решений;
• автоматизировать рутинные задачи;
• создавать тесты и документацию;
• поддерживать качество кода;
• быстрее проводить эксперименты;
• сокращать объём ручной рутинной работы.

При этом важно не уменьшать команды механически и чрезмерно. Слишком малые команды – например, команды из трех человек или меньше – могут не обеспечивать нужное сочетание компетенций, опыта и точек зрения для решения сложных задач. В отдельных случаях при глубоком использовании ИИ размер команды в 3-5 человек также может быть оправдан.

Переход к построению работы вокруг стабильных команд также повышает их ценность. Такие команды формируют доверие, психологическую безопасность и устойчивые способы совместной работы.

Нестабильные или постоянно меняющиеся команды не успевают выстроить доверие внутри команды, необходимое для критической оценки результатов ИИ и принятия ответственных решений на их основе. А именно это критически важно для качества идей и принимаемых решений.

Действие 4. Обеспечивайте ИИ-коучинг через RTE и скрам-мастеров

Роли, отвечающие за коучинг и фасилитацию, прежде всего скрам-мастера и RTE, должны расширить свою зону внимания в сторону того, как ИИ влияет на скорость работы, качество решений, обучение команды, распределение ответственности и взаимодействие между людьми.

Им необходимо развивать экспертизу в следующих областях:

• управление ИИ-агентами,
• интеграция ИИ в Agile-процессы,
• фасилитация командной работы с ИИ;
• развитие ИИ-грамотности;
• поддержание психологической безопасности;
• практики «человек в контуре»;
• ответственное применение ИИ;
• управление рисками и качеством ИИ-результатов.

RTE и Скрам-мастера могут помогать командам повышать компетенции в использовании ИИ для создания историй, критериев приёмки, тестовых сценариев и ретроспективного анализа.

Однако их ключевая задача – не просто внедрить инструменты, а помочь командам сформировать зрелую модель взаимодействия человека и ИИ.

«Роль RTE и Скрам-мастера в эпоху ИИ становится более значимой.

Команды получают доступ к мощным инструментам, но без фасилитации быстро сталкиваются с новыми анти-паттернами – типичными ошибками: слепым доверием к ИИ, снижением качества обсуждений («ИИ всё и так сказал…»), размыванием ответственности («ИИ плохо работает…») и ростом скрытой работы.

Хороший коуч помогает команде не просто пользоваться ИИ, а выстроить рабочие соглашения: что можно автоматизировать, что требует проверки, кто принимает финальное решение и как фиксируются риски.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Такой специализированный коучинг помогает гарантировать, что скорость, обеспечиваемая ИИ, не достигается в ущерб ответственности, качества или безопасности. Продвигая ежедневные практики здорового взаимодействия с участием человека в контуре (human-in-the-loop, HITL) ИИ-коучи помогают командам эффективно интегрировать ИИ в свою работу.

Переход 3. Итеративные циклы обучения и быстрых экспериментов с помощью ИИ

SAFe встраивает PDCA и механизмы обратной связи на всех уровнях фреймворка. Переход к итеративным циклам обучения и быстрым экспериментам усиливает эту основу. ИИ берёт на себя значительную часть выполнения задач и анализа данных, поэтому циклы обучения могут становиться более частыми, целенаправленными и основанными на фактах.

Действие 1. Ускоряйте механизмы обратной связи

ИИ ускоряет выполнение и анализ на фазах «Выполняй» и «Проверяй» цикла PDCA, как показано на рисунке 5. Команда может быстрее получать работающий продукт, прототип или детальные данные о производительности.

Для каждой истории или фичи команда способна рассмотреть несколько вариантов решения за то время, которое раньше потребовалось бы для реализации только одной фазы.

Рисунок 5. Как ИИ меняет распределение человеческих усилий

Такой экспериментальный подход особенно важен для гибкости, усиленной ИИ, в том числе в случаях, когда сам продукт построен на ИИ.

Непосредственный эффект заключается в том, что внимание команды смещается к более ценным фазам «Планируй» и «Корректируй» – стратегическому согласованию и адаптивному принятию решений. У команды появляется больше когнитивной ёмкости, чтобы сосредоточиться на намерении, контексте, валидации и быстрой корректировке курса на основе проверенных данных.

Кроме того, команды SAFe, усиленные ИИ, могут встраивать несколько циклов обратной связи непосредственно в одну итерацию. ИИ способен обобщать данные о настроениях команды, времени потока, рабочих паттернах и качестве взаимодействия.

Командам больше не нужно ждать завершения итерации – например, мероприятия «Обзор итерации» или отдельного момента демонстрации, включая мероприятие «Демонстрация системы», чтобы получить полезную обратную связь. При этом регулярные мероприятия сохраняют свою ценность: они остаются встречами для осмысления опыта, но не задерживают получение обратной связи.

Действие 2. Обеспечивайте улучшения на основе фактов и прогнозов

ИИ усиливает фактологически обоснованное улучшение процессов. Он способен анализировать большие объёмы данных в реальном времени и в исторической перспективе, выявлять первопричины, проверять гипотезы и предлагать эффективные контрмеры. Это напрямую поддерживает принцип SAFe № 2 – «Применять системное мышление».

Agile-командам и Поездам (Agile Release Train, ART) следует встраивать такие подходы в ретроспективы команд и мероприятие «Инспект-Адапт» (Inspect and Adapt, I&A). Это помогает командам развивать навыки решения проблем и принимать решения на основе данных, а не предположений.

Кроме того, ИИ-агенты могут непрерывно отслеживать рыночные данные, настроения пользователей и возникающие тренды. Благодаря этому команды могут не только анализировать прошлые неудачи, но и заранее прогнозировать возможные риски, узкие места и сбои.

Например, в логистике ИИ уже применяется для анализа погодных условий, дорожной ситуации и состояния цепочек поставок в реальном времени. Это позволяет прогнозировать задержки доставки за недели до их возникновения, заранее перенаправлять грузы и предотвращать будущие узкие места.

Действие 3. Используйте непрерывную интеграцию, усиленную ИИ, с участием человека в этом контуре

По мере того, как процессы непрерывной интеграции всё больше начинают использовать возможности ИИ, конвейер непрерывной доставки (Continuous Delivery Pipeline, CDP) также требует изменений, как показано на рисунке 6.

Рисунок 6. Непрерывная интеграция, усиленная ИИ, с участием человека в этом контуре

Прежде всего ART должен развернуть ИИ-агентов для мониторинга качества и соответствия требованиям в рамках конвейера непрерывной доставки.

Эти агенты могут непрерывно и автоматически проверять каждый новый инкремент кода и каждый развёртываемый артефакт на соответствие установленным политикам безопасности, этическим стандартам и нормативным требованиям.

Автоматизированное управление защищает конвейер непрерывной доставки, обеспечивая соответствие артефактов требованиям в режиме реального времени. Это особенно важно для высокорегулируемых отраслей. Без таких механизмов скорость разработки фич с применением ИИ неизбежно ограничивалась бы ручными проверками на контрольных этапах.

Встраивание требований к качеству, безопасности и этике непосредственно в саму систему с самого начала позволяет CDP сохранять высокую скорость без ущерба для необходимых средств контроля. Такой подход поддерживает быструю децентрализованную инновационную деятельность при стабильном качестве во всей организации.

Децентрализация инноваций означает создание надёжной системы, в рамках которой участники команд управляют ИИ-агентами в конвейере непрерывной доставки.

• Ветвление (бранчевание) промптов и агентов позволяет командам настраивать конфигурацию общего агента для быстрого и сфокусированного решения конкретных проблем.
• Агентная синхронизация помогает командам переносить успешные изменения и извлечённые уроки в базовые версии агентов, чтобы эти улучшения могли повторно использоваться во всей организации.
• Слияние (merge), усиленное ИИ, обеспечивает автоматизированные проверки качества: обновления агентов тестируются на соответствие общим стандартам до выполнения слияния.

Для масштабирования такого подхода совершенствование CDP остаётся критически важным. Организация должна обеспечивать быструю децентрализованную инновационную деятельность, сохраняя единообразное качество, безопасность и соответствие требованиям во всех командах.

«Cильная сторона SAFe заключается в том, что скорость и контроль не рассматриваются как противоположности.

Конвейер непрерывной доставки, архитектурные практики, Definition of Done и встроенные проверки качества позволяют командам быстрее экспериментировать, не выводя риски за пределы управляемости.

При использовании ИИ это становится особенно важным: чем быстрее создаются артефакты, тем надёжнее должны быть механизмы проверки, интеграции и обратной связи.

ИИ позволяет идти крайне быстро, в том числе и в неправильном направлении; безопасность направления должна обеспечиваться создаваемой системой.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Переход 4. Разработка и инновации в масштабе с помощью ИИ

Проверенные паттерны SAFe позволяют организациям решать задачи разработки продуктов в масштабе, а инновации являются одним из ключевых элементов фреймворка. По мере того, как искусственный интеллект демократизирует инновационную деятельность, сотрудники в разных частях организации получают возможность исследовать идеи и потенциально создавать новую функциональность.

Однако масштабирование инноваций без должного управления может привести к появлению хрупких, плохо сопровождаемых активов, созданных с помощью ИИ, а также к росту технического долга. При грамотной организации ИИ в SAFe способен обеспечить существенный рост инновационной активности во всех подразделениях и ускорить доставку ценности.

Действие 1. Раскрывайте инновационный потенциал всей организации с помощью ИИ

Команды и ART должны использовать ИИ как творческого партнера, который помогает быстрее создавать более качественные продукты.

ИИ может:

• анализировать тысячи клиентских отзывов, ответов на опросы и обращений в службу поддержки;
• выявлять скрытые потребности пользователей;
• находить повторяющиеся проблемы и изменения в настроениях клиентов;
• генерировать варианты продуктовых гипотез;
• помогать создавать макеты, прототипы и сценарии A/B-тестов;
• поддерживать инновации в масштабе в продуктовой организации.

Вместо того, чтобы тратить недели на подготовку ранних вариантов дизайна, команды могут применять ИИ для генерации макетов, прототипов и проведения A/B-тестов.

Передавая ИИ повторяющиеся задачи и систематизацию обратной связи, команды высвобождают время для содержательной инновационной работы и повышают вероятность создания продуктов, действительно востребованных пользователями.

На уровне организации руководители могут использовать ИИ для поиска новых источников роста. Анализируя большие объёмы рыночных данных, ИИ помогает прогнозировать будущие тренды и выявлять скрытые возможности.

Владельцы Бизнеса и лидеры портфеля могут применять ИИ для симуляций: тестирование бизнес-стратегий, ресурсных планов и дорожных карт до принятия решений о дальнейших инвестициях. Это повышает качество управленческих решений и позволяет безопаснее экспериментировать с новыми бизнес-моделями, технологиями и направлениями развития.

Действие 2. Предоставляйте возможности ИИ в формате самообслуживания

Специализированные команды, часто организованные как Общие Сервисы (Shared Services), должны расширять свою роль: от предоставления базовых услуг – к созданию ИИ-возможностей в формате самообслуживания.

Такой подход позволяет Agile-командам получать доступ к заранее одобренным ИИ-инструментам, агентам, API и сервисам без необходимости каждый раз строить всё с нуля.

Например, команда общих сервисов по дизайну может создавать и распространять ИИ-агентов, которые:

• отслеживают соблюдение дизайн-стандартов;
• проверяют доступность интерфейсов;
• помогают корректировать отклонения;
• предлагают улучшения пользовательского опыта;
• выявляют несоответствия между макетами и дизайн-системой.

Это позволяет перенести стоимость и сложность с отдельных продуктовых команд на централизованную ИИ платформу. В результате организация снижает дублирование усилий, повышает качество решений и создаёт основу для инноваций в масштабе всей организации.

Рисунок 7. Примеры предоставления Общими Сервисами новых ИИ-возможностей

Действие 3. Создавайте операционные технологии ИИ и управляйте ими

Организация должна инвестировать в надёжные инфраструктурные платформы, которые предоставляют потокам ценности заранее одобренные системы, инструменты, API и ключевые сервисы данных.

Такие платформы формируют технологическую основу для безопасного и масштабируемого применения ИИ в Agile-организации.

Одновременно необходимо определить управленческие ограничения и направляющие правила. Они должны обеспечивать:

• безопасность;
• сопровождаемость;
• защиту данных;
• контроль стоимости;
• соответствие требованиям;
• ответственное применение ИИ;
• управляемость прототипов, созданных не-инженерными специалистами;
• прозрачный надзор за правилами использования ИИ – AI governance.

Особое внимание следует уделять контролю затрат. По мере того, как разные подразделения внедряют всё более сложные агентные рабочие процессы, расходы на использование моделей, вычислительных ресурсов и внешних сервисов могут быстро выйти из-под контроля.

Поэтому организациям необходимо заранее отслеживать и управлять стоимостью использования ИИ.

«На практике ИИ надзор должен быть не только про безопасность и соответствие требованиям, но и про экономику.

ИИ может быстро создать скрытые расходы: расход токенов, хранение данных, вычислительные ресурсы, лицензии, затраты на постоянные эксперименты с агентами.

Поэтому зрелая организация заранее определяет правила использования, лимиты, метрики ценности и механизмы контроля стоимости.

Иначе даже полезные эксперименты могут стать трудноуправляемыми и необоснованно затратными в масштабе организации.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Практический пример успешного применения ИИ: CVS Health

Ведущий инженер CVS Health описывает используемый подход следующим образом:

«Наша платформенная архитектура построена вокруг мастер-агента, основная роль которого – получать уже распознанное и классифицированное намерение пользователя и делегировать задачи наиболее подходящему специализированному субагенту или системе.

Такая иерархическая структура обеспечивает использование наиболее эффективного ресурса для каждой задачи.

В результате мы сокращаем потенциальные десятки миллионов вызовов до нескольких миллионов фактических взаимодействий с моделями в день.

Критически важно, что подавляющее большинство из них – это быстрые и недорогие вызовы к SLM, и лишь небольшая доля требует привлечения наших мощных LLM-субагентов».

Организации, использующие SAFe, могут встроить ИИ в операционную модель, применяя существующие структуры для баланса между централизованным управлением и децентрализованными инновациями, как показано на рисунке 8.

Рисунок 8. Использование практик SAFe для создания операционных технологий ИИ и надзора за правилами их использования

ИИ-платформы могут использоваться несколькими Поездами (ART), то есть несколькими долгоживущими командами команд, и позволять быстро интегрировать новые инструменты и технологии ИИ через существующие корпоративные платформы.

Общие сервисы, сфокусированные на ИИ, создают общую инфраструктуру и повторно используемые ИИ-компоненты, включая ИИ-агентов. Они помогают ART эффективно применять эти компоненты.

AI governance – правила и механизмы управления использованием ИИ и данных – встраивается в существующие практики SAFe. Это позволяет централизованно контролировать расходы и обеспечивать ответственное применение ИИ, сохраняя возможность локальных децентрализованных решений на уровне ART или конкретного решения.

Участники команд на уровне ART или конкретного решения могут использовать сообщества практик (Communities of Practice, CoP) для разработки ИИ-агентов и платформ, адаптированных к их потребностям, ART или продуктам.

Инновации, доказавшие свою полезность для нескольких потоков ценности, при необходимости могут быть интегрированы обратно в централизованные платформы.

Что такое человекоцентричная ИИ культура?

«Будущее ИИ – не в замене людей, а в расширении человеческих возможностей.» – Сундар Пичаи, CEO of Google

Достижение четырех переходов к гибкости, усиленной ИИ, требует фундаментального изменения организационной культуры. Человекоцентричная ИИ культура обеспечивает адаптивность и устойчивую актуальность рабочей силы по мере развития технологий. Она признаёт и подчеркивает критически важную роль людей не только в оценке результатов ИИ, но и в управлении направлением его применения.

Это динамичная среда с высокой отдачей, в которой ключевые вызовы смещаются от выполнения задач к стратегическому определению целей. ИИ берёт на себя работу, не требующую человеческого суждения, и освобождает сотрудников для того, что люди делают лучше всего: интерпретации, творчества, эмпатии и стратегического принятия решений.

По мере того, как ИИ делает исполнение более доступным и масштабируемым, способность применять «человеческие» навыки становится одним из важнейших активов организации.

Рисунок 9. ИИ-нативный профессионал сочетает грамотность в области ИИ с человеческими навыками

Формирование доверия для внедрения ИИ

Страх – один из главных скрытых факторов, снижающих ценность ИИ. Если сотрудники опасаются, что ИИ будет использоваться для их замены, они будут менее охотно делиться данными, экспериментировать и отказываться от устаревших процессов.

Организации, которые рассматривают ИИ исключительно как инструмент сокращения затрат, могут получить краткосрочный прирост эффективности, но затем часто сталкиваются со стагнацией.

Иной результат получают компании, которые используют ИИ для снижения когнитивной нагрузки и расширения возможностей сотрудников. Такой подход позволяет людям решать задачи, которые ранее были слишком сложными, трудоёмкими и масштабными.

Практический пример успешного применения ИИ: IKEA

Вызов: IKEA столкнулась с необходимостью масштабировать клиентскую поддержку и одновременно сохранить качество взаимодействия с покупателями. По мере роста цифровых каналов компании нужно было обрабатывать большой объём повторяющихся обращений, не снижая уровень сервиса.

Решение и результаты: IKEA внедрила чат-бота Billie, который взял на себя значительную часть стандартных запросов клиентов. При этом компания не сделала акцент только на сокращении затрат. Вместо этого IKEA инвестировала в переобучение сотрудников контакт-центров и перевела 8500 специалистов на роль консультантов по дизайну интерьера.

Сотрудники, ранее занимавшиеся типовыми обращениями, начали помогать клиентам с более сложными вопросами: подбором решений для интерьера, консультациями по товарам и улучшением клиентского опыта.

Этот переход от центра затрат к центру прибыли привёл к автоматизации 47% обращений, позволил избежать увольнений и помог переобученному «человеческому» каналу сгенерировать 1,3 млрд евро продаж в 2022 году.

Этот пример показывает, что внедрение ИИ в организации может быть человекоцентричным: ИИ автоматизирует повторяющиеся задачи, а люди переходят к работе, требующей эмпатии, контекста, креативности и профессионального суждения.

Пример IKEA показывает, как эффект от повышения эффективности может быть реинвестирован в создание новой ценности.

Организациям важно прямо объяснять, как будут использоваться выгоды от повышения эффективности. Например: «Мы не сокращаем команду; мы ожидаем, что команда удвоит результат при той же численности». Такая прозрачность помогает формировать психологическую безопасность и доверие.

Организация, которая делает это последовательно, получает больше преимуществ, чем компания, рассматривающая ИИ преимущественно как инструмент сокращения численности персонала.

«Для руководителей реальный вопрос не в том, какие ИИ-инструменты внедрить. Настоящий вопрос: какую организационную способность компания хочет «вырастить» с помощью ИИ?

Если ИИ остаётся набором разрозненных экспериментов, эффект будет ограниченным.

Если же ИИ связан с потоками ценности, стратегией, архитектурой, управлением, бережливым надзором и развитием людей, он становится частью устойчивого конкурентного преимущества. И это то, чем бизнес интересуется на самом деле.»

Алексей Ионов, ASPC, Lean-Agile коуч организаций, Ионов и Партнеры

Заключение

Гибкость, усиленная ИИ, – это не просто внедрение новых инструментов. Это изменение операционной модели, в которой искусственный интеллект помогает организациям учиться, принимать решения, создавать продукты, масштабировать инновации и усиливать Agile-команды.

Это системная способность, построенная на основе SAFe и достигаемая через стратегический переход от простого «использования ИИ» к становлению AI-native организации, в которой ИИ встроен в операционную модель как базовая способность, а не лоскутно используется только в отдельных инструментах.

ИИ-нативность высвобождает человеческую субъектность и усиливает конкурентную дифференциацию через четыре перехода:

• смещение усилий людей от исполнения к намерению и стратегии;
• ускорение циклов обучения;
• раскрытие инноваций в масштабе;
• расширение возможностей кросс-функциональных команд с помощью ИИ.

Эта эволюция поддерживается человекоцентричной ИИ-культурой. Такая культура гарантирует, что человеческое суждение остаётся финальным и обязательным контуром ценности, безопасности и целесообразности.

Вопросы-ответы: ИИ в SAFe и Agile

Что такое гибкость, усиленная ИИ?

Гибкость, усиленная ИИ, – это подход, при котором искусственный интеллект помогает организациям ускорять обучение, масштабировать инновации, усиливать Agile-команды и принимать решения при сохранении контроля со стороны людей.

Как ИИ применяется в SAFe?

ИИ может применяться в SAFe для анализа обратной связи, генерации гипотез, декомпозиции эпиков и фич, подготовки пользовательских историй, создания критериев приёмки, автоматизации тестирования, поддержки DevOps, управления портфелем и работы ИИ-агентов.

Что такое AI-native организация?

AI-native организация или ИИ-нативная организация – это компания, в которой ИИ встроен не только в отдельные инструменты, но и в операционную модель, процессы принятия решений, продуктовую разработку, обучение, культуру и управление.

Заменяет ли ИИ Agile-команды?

Нет. В человекоцентричном подходе ИИ берёт на себя часть рутинных, аналитических и повторяющихся задач, а люди сохраняют ответственность за намерение, контекст, этическое суждение и финальные решения.

Как ИИ влияет на роли владельца продукта и менеджера продукта?

ИИ помогает владельцу продукта и менеджеру продукта быстрее анализировать обратную связь, формулировать гипотезы, декомпозировать инициативы, готовить пользовательские истории и критерии приёмки. При этом продуктовые роли сохраняют ответственность за ценность, приоритеты, стратегию и решения.

Какую роль играют RTE и Скрам-мастера при внедрении ИИ?

Release Train Engineer (RTE) и Скрам-мастера помогают командам внедрять ИИ осознанно: развивать ИИ-грамотность, выстраивать human-in-the-loop практики, сохранять качество, безопасность и здоровую командную динамику.

Что такое AI governance?

AI governance или ИИ-надзор – это система правил, процессов и ограничений для безопасного, ответственного и управляемого применения ИИ. Она включает контроль данных, безопасность, стоимость, качество, соответствие требованиям и ответственность за результаты.

Какие риски есть при внедрении ИИ в Agile-организации?

Основные риски – рост технического долга, неконтролируемые затраты, утечки данных, предвзятость моделей, ошибки ИИ, снижение качества без проверки со стороны людей и недоверие сотрудников к целям внедрения.

Почему ИИ-грамотность важна для Agile-команд?

ИИ-грамотность помогает участникам команд понимать возможности и ограничения ИИ, формулировать качественные запросы, проверять результаты, управлять рисками и эффективно работать с ИИ-агентами.

Как ИИ помогает масштабировать инновации?

ИИ помогает быстрее анализировать рынок и обратную связь со стороны клиентов, генерировать идеи, создавать прототипы, проводить эксперименты и находить новые возможности для роста. В SAFe это может быть встроено в работу Поезда (ART), Общих сервисов, Сообществ Практик (CoP) и портфельное управление.

Источник: Scaled Agile, Inc. (вендор), статья «Achieving AI-Empowered Agility» (от 23.03.2026). Материал не является официальным переводом.

Перевод и адаптация: Алексей Ионов, Lean-Agile коуч организаций, Advanced SPC, Ионов и Партнеры.

Следующий шаг: AI-Empowered Leading SAFe

Чтобы перейти от понимания концепции к практическому применению ИИ в SAFe-организациях, мы предлагаем обновлённый тренинг Leading SAFe c применением ИИ – официальный сертификационный курс AI-Empowered Leading SAFe для руководителей, лидеров трансформации и специалистов, которые участвуют в масштабировании Agile в средних и крупных организациях.

Участники изучают, как использовать искусственный интеллект для усиления Lean-Agile практик, ускорения обучения, принятия решений, повышения эффективности Agile Release Train и масштабирования инноваций – сохраняя контроль человека над ценностью, безопасностью и качеством решений.

Подробнее о курсе AI-Empowered Leading SAFe

© «Ионов и Партнеры» (ИП Ионов Алексей Константинович), 2018-2025. Все права защищены. Цитирование материалов и размещение ссылок на материалы для формирования сторонних баз знаний, рубрикаторов или агрегаторов допускается только с письменного согласия «Ионов и Партнеры».

SAFe® and Scaled Agile Framework® are registered trademarks of Scaled Agile, Inc.