AI-native SAFe: как искусственный интеллект меняет систему создания ценности в организациях

Автор статьи: Алексей Ионов, Advanced SPC, Lean-Agile коуч организаций, Ионов и Партнеры

16 июня 2026 года Scaled Agile, Inc. открыла ранний доступ к новой AI-native версии SAFe. На первый взгляд, это может выглядеть как очередное обновление фреймворка. На деле речь идёт о более серьёзном сдвиге: попытке ответить на вопрос, который уже «в полный рост» стоит перед крупными организациями: как встроить искусственный интеллект в систему создания ценности, а не ограничиться набором разрозненных AI-пилотов.

Для тех, у кого нет времени читать всю статью, главный вывод я бы сформулировал так: AI-native SAFe не заменяет «классическую модель» Core SAFe, а задаёт следующий уровень зрелости для компаний, которые уже научились масштабировать адаптивность, и теперь собираются научиться масштабировать инновации с использованием ИИ. Под «масштабированием» я понимаю эффективное использование какой-либо технологии максимально в интересах бизнеса в масштабе всей организации.

Для организаций в России и СНГ этот разговор также практически важен. За последние годы многие крупные компании инвестировали в Agile-трансформации, Lean-подходы, продуктовые модели, Agile Release Train и портфельное управление. Где-то эти инвестиции дали устойчивые результаты, где-то остались на уровне отдельных командных практик. Хорошие новости заключаются в том, что эти инвестиции не обесцениваются. На самом деле, в эпоху AI большинство из этих идей становятся еще важнее для управления организацией.

Почему AI-native SAFe важен именно сейчас

Вокруг искусственного интеллекта сегодня много технологического энтузиазма и даже безудержного хайпа – от восторженных кейсов-прорывов до сценариев апокалипсиса. В реальности же компании внедряют генеративный ИИ, запускают ассистентов, автоматизируют отдельные процессы, создают прототипы новых сервисов и внутренних инструментов.

Но для зрелой организации довольно быстро становится понятно: одних инструментов недостаточно.

На практике возникают более сложные управленческие вопросы:

• как выбирать AI-инициативы, которые действительно связаны со стратегией;
• как управлять потоком экспериментов и пилотов;
• как обеспечить качество, подтверждённость происхождения и безопасность данных;
• как встроить ИИ в существующие продуктовые и технологические контуры;
• как управлять рисками, юридическими и регуляторными ограничениями, обеспечивать этичность;
• как не разрушить уже созданные Lean, Agile и продуктовые практики.

По опыту трансформаций в крупных организациях я бы сказал, что главный барьер чаще находится не в командах и отдельных инструментах. Он возникает на стыке портфельных приоритетов, архитектурных/технологических ограничений и безопасности/ответственности за данные. Здесь AI-инициативы чаще всего теряют скорость.

В своей практике на рынке России и СНГ я вижу крайне неоднородную картину. В одних компаниях уже несколько лет работают Agile Release Trains, есть канбан-системы портфеля, регулярное проведение PI-планирования или чего-то похожего, всё это подкрепляется зрелыми продуктовыми командами. В других организациях Agile до сих пор существует преимущественно на уровне отдельных ИТ-команд и не стал управленческой системой для бизнеса, а продуктовое discovery и инновации остаются уделом энтузиазма отдельных людей. И это общая картина.

В связи с неоднородностью практик, разговор об AI-native SAFe не может быть одинаковым для всех. Кому-то действительно пора экспериментировать с усиленными AI потоками ценности. А кому-то сначала нужно обеспечить самую базовую управляемость: прозрачность портфеля, единый ритм планирования, ответственность за результат и связь между бизнесом, ИТ и данными.

Почему Core SAFe остаётся актуальным для SAFe-трансформаций

Одно из наиболее зрелых решений Scaled Agile, Inc. – сохранить текущую Big Picture как Core SAFe и разместить рядом с ней новую AI-native SAFe Big Picture.

Это важный сигнал рынку. Не все организации готовы сейчас стать AI-native. И это нормально!

Как я уже упоминал выше, для многих компаний самым важным шагом остаётся не внедрение AI-агентов, а наведение базового порядка. Вот самые актуальные направления организации такого «базового» порядка:

• прозрачность портфеля и продуктовой разработки,
• прозрачность инвестиций в существующие и новые решения и продукты,
• связь между стратегией и реальной работой,
• синхронизация бизнес- и ИТ-приоритетов,
• регулярное проведение общего PI-планирования,
• работающие Agile Release Trains,
• понятные роли и зоны ответственности,
• единый ритм поставки ценности.

Если перед организацией стоят эти или похожие задачи, для неё Core SAFe по-прежнему остаётся правильной операционной моделью и первым приоритетным шагом.

AI-native SAFe, в свою очередь, можно рассматривать как целевое состояние — ориентир развития для компаний, которые уже готовы двигаться дальше и хотят осознанно встроить ИИ в свою систему управления ценностью.

Lean, Agile и AI: усиление, а не замена

Ключевая мысль новой версии SAFe состоит в том, что Lean, Agile и AI являются взаимодополняющими подходами.

Это важно подчеркнуть, потому что в периоды технологических скачков рынок часто склонен к крайностям, и это мы наблюдаем сейчас. Возникает ощущение, что новая технология должна заменить почти все предыдущие управленческие практики. На практике это редко работает.

Искусственный интеллект действительно меняет скорость работы. ИИ помогает быстрее анализировать данные, генерировать гипотезы, создавать прототипы, писать код, готовить спецификации, проводить исследования. Но чем выше скорость создания технических, количественных, процессных результатов работы – outputs, тем важнее становится вопрос реально создаваемой ценности и бизнес-результата – outcomes для клиента и компании. Не будем здесь углубляться в детали, но для правильно организованного человекоцентричного, не манипулятивного бизнеса бизнес-результат и клиентская ценность – это крайне близкие понятия, в некоторых случаях являющиеся одним и тем же, рассмотренным с разных перспектив.

Для человекоцентричного использования ИИ именно Lean и Agile являются критически важными «идеологиями». Они задают дисциплины:

• фокуса на ценности;
• короткой обратной связи;
• прозрачности;
• приоритизации;
• командной ответственности;
• постоянного обучения;
• управления потоком.

Без этих принципов ИИ может не ускорить организацию, а лишь помочь ей быстрее производить больше несогласованных, плохо проверенных и потенциально рискованных, не всегда этичных решений.

От артефактов – к результатам, намерению и продуктовому контексту

«Классический» Scaled Agile Framework во многом обеспечивал выравнивание через артефакты: эпики, фичи, энейблеры, пользовательские истории. Эта логика остаётся полезной, но в AI-native среде нам нужно несколько сместить приоритеты ориентиров.

ИИ резко снижает стоимость создания рабочих результатов. Команда может за считанные часы подготовить несколько вариантов решения, прототип, черновик архитектуры, пользовательские сценарии или фрагменты кода. Поэтому основной ограничитель смещается: важно не просто что-то быстро создать, а убедиться, что создаваемое решение соответствует бизнес-намерению и клиентской ценности.

В AI-native SAFe на первый план выходят:

• outcomes – измеримые ценностные результаты для бизнеса и клиентов;
• intent – четко выраженное намерение;
• product context – продуктовый контекст;
• specifications – спецификации, понятные как людям, так и AI-системам;
• curated data — курируемые данные: отобранные, проверенные и реально подготовленные, а не просто очищенные и структурированные, данные.

Для российских компаний вопрос данных часто оказывается более сложным, чем вопрос выбора AI-инструмента. В банках, промышленности, телекоме, ритейле и крупных холдингах данные исторически распределены между разными системами, владельцами и контурами безопасности. Поэтому реальная AI-трансформация начинается не с красивого пилота, а с менее эффектной, но критически важной работы: определения владельцев данных, качества справочников, правил доступа и ответственности за использование результатов моделей.

От PI-планирования – к более быстрым циклам согласования результатов

Еще один важный сдвиг связан с ритмом работы. «Классическое» PI-планирование на горизонте 8-12 недель, периодически даже называемое «квартальное планирование», за последние годы помогло многим крупным компаниям создать прозрачность и синхронизацию между бизнесом, ИТ и командами.

Но для организаций, которые действительно движутся к AI-native модели, такие циклы могут оказаться слишком длинными. Новая версия SAFe предлагает подумать о более коротких PI и о новом подходе к общему планированию – мероприятии PI Outcome Planning – планировании результатов PI.

Это не означает, что традиционное, иногда квартальное, PI-планирование больше не нужно. Для многих организаций оно остаётся необходимым управленческим механизмом. Но там, где команды уже работают с высокой скоростью, а ИИ помогает быстро проверять гипотезы и создавать решения, фокус планирования должен смещаться от согласования объёмов работ к согласованию бизнес-результатов, намерений и ограничений.

Для меня эта логика не является новой. Еще в 2023 году, работая с компаниями, которые проходили через периоды высокой турбулентности, мы разработали конфигурацию SAFe eXtreme / SAFeX. Её задача была близкой по управленческой природе: сохранить полноту Scaled Agile Framework, не разрушить уже работающую систему Agile Release Trains (ART) и одновременно повысить частоту синхронизации и дать организации возможность резко сократить горизонт планирования. Результатом как раз было сокращение продолжительности интервала общего планирования до примерно 1-1,5 месяца.

Сегодня AI-native SAFe поднимает этот вопрос на новый уровень, не только как ответ на кризис или нестабильность, а как постоянную способность организации быстро учиться и перестраиваться. Теперь, когда есть ИИ, быстрая разработка стала доступнее для всех, кто активно использует генеративные технологии.

Практически это означает более частый управленческий цикл, каденцию, которая позволяет:

• быстрее сформулировать гипотезу;
• быстрее проверить её на данных и клиентах;
• быстрее принять решение о масштабировании или остановке;
• быстрее скорректировать портфельные приоритеты.

От System Demo – к Customer Demo

Мне представляется очень точным переосмысление Демонстрации системы, или System Demo, теперь в виде Демонстрации для клиентов – Customer Demo.

В классических Agile-трансформациях мы часто видели ситуацию, когда демонстрация превращалась в технический отчёт для менеджмента о проделанной работе. Команды показывали функциональность, но не всегда было ясно, какую клиентскую или бизнес-гипотезу они проверяют.

AI-native подход усиливает необходимость проверки решений с помощью взаимодействия с реальными пользователями и клиентами. Если ИИ позволяет быстро создавать варианты продукта, то организация должна так же быстро получать обратную связь о том, какие из этих вариантов действительно имеют ценность.

Поэтому Customer Demo – это не просто новое название. Это изменение акцента: от демонстрации системы к валидации гипотез выгоды для клиента и созданной клиентской ценности.

Continuous Innovation and Delivery Pipeline: непрерывный поток инноваций

Одна из наиболее интересных идей AI-native SAFe – переход от Конвейера непрерывной доставки (Continuous Delivery Pipeline) к Конвейеру непрерывных инноваций и доставки (Continuous Innovation and Delivery Pipeline).

SAFe долгое время помогал организациям масштабировать разработку и поставку решений. Но сегодня перед крупными компаниями появляется новая задача – масштабировать инновации.

ИИ делает создание идей, прототипов и автоматизацию доступными для гораздо более широкого круга сотрудников. Это открывает большие возможности, но одновременно создаёт риск неконтролируемого, экспоненциального роста локальных инициатив.

В российской практике я редко вижу нехватку идей для применения с ИИ. Напротив, идей обычно даже слишком много. Дефицит возникает в другом: в способности быстро отделить стратегически полезные эксперименты от локальных улучшений или просто творческих фантазий, которые не меняют экономику продукта или процесса.

В последние годы многие компании научились быстро запускать пилоты. Но пилот сам по себе еще не является инновацией. Часто в организации одновременно идут десятки экспериментов, но у руководства нет единой картины: какие из них проверяют стратегически важные гипотезы, какие дублируют друг друга, какие готовы к масштабированию, а какие нужно было ещё вчера остановить.

Именно здесь идея Continuous Innovation and Delivery Pipeline становится не теоретической, а вполне практической.

Continuous Innovation and Delivery Pipeline (CIDP) должен помочь организациям управлять этим потоком: от идеи и эксперимента до проверки, масштабирования и встраивания в реальные продукты и процессы.

Особое значение здесь имеет принцип human in the loop – человек в контуре принятия решения. Даже при активном использовании AI-агентов человек должен оставаться в контуре принятия решений, особенно там, где затрагиваются клиенты, данные, безопасность, деньги, юридические обязательства и репутационные риски.

Портфельное управление AI-инициативами: governance, этика и риски

AI-native трансформация невозможна без сильного портфельного уровня.

В наших условиях портфельный governance, надзор, приобретает особое значение. Для крупного бизнеса AI-инициатива редко бывает просто технологическим экспериментом. Почти всегда рядом находятся вопросы информационной безопасности, регуляторных ограничений, импортонезависимости, архитектурной совместимости и ответственности перед клиентом.

Если эти темы не подняты на уровень портфеля, они рано или поздно возвращаются в виде задержек, конфликтов и остановленных пилотов и потерянных средств.

На практике проблема часто выглядит банально: пилот запущен, команда мотивирована, технология работает, но никто заранее не договорился, кто владеет данными, кто принимает риски и по каким критериям это решение можно/нужно масштабировать. С этого момента AI-инициатива перестаёт быть технологической и становится управленческой задачей или даже проблемой.

Портфель должен стать уровнем, где определяются:

• стратегические приоритеты AI-инициатив;
• правила работы с данными;
• требования к безопасности;
• этические ограничения;
• юридические рамки;
• критерии масштабирования;
• допустимые уровни автономности AI-решений;
• механизмы контроля и отчетности.

В этом смысле SAFe имеет сильную позицию: в отличие от многих подходов, он изначально работает не только на уровне команд, но и на уровне портфеля, потоков ценности и операционной модели предприятия.

Как меняются команды в AI-native SAFe

AI-native SAFe также отражает изменения в командной модели. Многие команды становятся меньше, быстрее и автономнее. Вместо классической команды из 8-10 человек всё чаще появляются группы из 3-4 специалистов, усиленных AI-инструментами.

При этом роли внутри таких команд еще не стабилизировались. На рынке уже появилось много новых названий: product engineer, product architect, maker, builder. В российском контексте их можно условно описать как продуктовых инженеров, продуктовых архитекторов и специалистов, которые способны быстро собирать рабочие решения на стыке продукта, данных и технологий, дословно – построителей (не путать с классическими ИТ разработчиками!). Поэтому новая Big Picture делает акцент не столько на ролях, сколько на capabilities – возможностях-компетенциях, которые должны быть представлены в команде. Как именно эти возможности будут распределяться между людьми-членами мини-команды – это вторичный и более локальный вопрос.

Ключевыми возможностями для каждой команды должны, скорее всего, быть:

• понимание продукта и клиента;
• экспертиза предметной области;
• способность создавать решения с использованием ИИ;
• работа с данными;
• системное мышление;
• способность быстро экспериментировать и учиться.

На рынке уже есть достаточно подтверждений подобной идеологии. В сильных продуктовых ИИ-нативных группах один специалист сегодня может закрывать гораздо больше задач, чем ещё несколько лет назад: подготовить аналитику, собрать прототип, проверить пользовательский сценарий, сформулировать требования для разработки.

Но новые возможности не отменяют командную работу. Наоборот, возрастает значение людей, которые способны удерживать целостность продукта, доменную специфику и архитектурные ограничения.

AI-native Value Architect: новая траектория для Agile-лидеров

Отдельного внимания заслуживает появление новой компетенции AI-native Value Architect.

Я вижу в этом важную возможность для тех ролей, которые в последние годы были опорой Agile-трансформаций: скрам мастеров (Scrum Master), коучей команд, RTE, SPC, внутренних Agile-коучей и лидеров изменений.

ИИ действительно меняет характер их работы. Некоторые ранее привычные для людей фасилитационные, аналитические и координационные задачи будут автоматизироваться. Но это не означает, что такие роли теряют значение. Скорее, они должны перейти на следующий уровень зрелости.

AI-native Value Architect, или архитектор AI-ценности, – это специалист, который помогает организации:

• встраивать ИИ в рабочие процессы команд;
• связывать AI-инициативы с потоками ценности;
• обеспечивать системное мышление;
• поддерживать безопасное и ответственное внедрение ИИ;
• помогать командам работать с намерением, данными и результатами;
• соединять продуктовую, технологическую и организационную перспективу.

Здесь хотелось бы подчеркнуть, что и для рынка России и СНГ, это также актуально. За последние годы у нас сформировалось сильное профессиональное сообщество специалистов, которые прошли через масштабные Agile-трансформации и понимают реальную сложность крупных организаций. Их опыт может стать крайне ценным в следующей волне AI-native изменений. Если, конечно, они будут готовы переучиваться и перестраиваться, и таких примеров уже также достаточно.

По сути, сейчас есть шанс для Agile-лидеров выйти за рамки роли фасилитаторов процессов и стать архитекторами новой системы создания ценности – там, где продукт, данные, ИИ, архитектура и управление изменениями должны работать как единое целое.

Когда компании стоит переходить к AI-native SAFe

AI-native SAFe не предлагает организациям одномоментно отказаться от существующей операционной модели. Это путь постепенного развития.

Для большинства компаний разумная траектория будет выглядеть следующим образом:

1. Оценить зрелость Core SAFe и текущих Agile Release Trains.
2. Определить, какие потоки ценности наиболее готовы к AI-native экспериментам.
3. Навести порядок в данных и продуктовом контексте.
4. Перевести часть планирования с outputs на outcomes.
5. Запустить короткие циклы экспериментов.
6. Усилить AI-governance на портфельном уровне.
7. Развивать новые capabilities в командах.
8. Постепенно формировать Continuous Innovation and Delivery Pipeline (CIDP).

Такой подход позволяет избежать двух крайностей: чрезмерной осторожности, когда организация бесконечно «готовится к ИИ», и технологического авантюризма, когда AI-инструменты внедряются без управленческой системы и оглядки на безопасность.

Отдельный вызов – управленческая готовность. AI-native подход требует от руководителей другой скорости принятия решений. Нельзя одновременно требовать от команд быстрых экспериментов и сохранять месячные циклы согласования по каждому «важному» вопросу.

В этом смысле AI-native SAFe ставит вопрос не только о технологиях, но и о зрелости управленческой системы.

Что AI-native SAFe означает для руководителей

Если перевести обсуждение AI-native SAFe на язык практических управленческих действий, я бы выделил несколько вопросов, с которых стоит начать.

Первый вопрос – где у нас уже есть основа для AI-native развития?

Если в организации работают Agile Release Trains, есть портфельные практики, продуктовые команды и регулярный ритм синхронизации, это серьёзное преимущество. Его важно использовать, а не «всё ломать» и начинать трансформацию заново.

Второй вопрос – насколько зрелы наши данные?

Без качественных, управляемых и подготовленных (курируемых) данных AI-native подход останется на уровне отдельных экспериментов.

Третий вопрос – умеем ли мы управлять экспериментами?

Не каждая проверка концепции, или PoC, должна становиться продуктом или вообще заслуживать существенного внимания. Но каждый выполненный эксперимент должен иметь понятный результат для бизнеса – новые знания или ценность.

Четвертый вопрос – готовы ли наши роли и компетенции к изменению?

Agile-лидеры, коучи, RTE и внутренние консультанты могут сыграть ключевую роль в переходе к AI-native модели, если будут развивать экспертизу в данных, рабочих процессах с использованием ИИ, управлении ИИ-инициативами и системном понимании архитектуры ценности.

Кому будет полезен AI-native SAFe

AI-native SAFe особенно актуален для организаций, которые:

• уже используют SAFe или элементы, похожие на используемые в Scaled Agile Framework;
• развивают Agile Release Trains и продуктовые команды;
• запускают AI-инициативы, но сталкиваются с проблемой масштабирования;
• хотят связать искусственный интеллект с потоками ценности и стратегией;
• работают в сложной регуляторной, технологической или архитектурной среде;
• нуждаются в более зрелом управлении портфелем AI-инициатив.

Для таких компаний AI-native SAFe может стать не просто новой версией фреймворка, а практической управленческой рамкой для AI-трансформации.

Заключение

AI-native SAFe – это не отказ от Lean и Agile. Это их развитие в новой технологической реальности.

Искусственный интеллект резко увеличивает скорость создания решений. Но именно Lean, Agile и SAFe помогают удерживать фокус на ценности, клиентах, прозрачности и ответственности.

Для крупных организаций России и СНГ это особенно важно. Наши компании работают в сложных регуляторных, технологических и организационных условиях. Поэтому AI-native трансформация должна быть не модной инициативой и не набором несвязанных пилотов, а зрелым управленческим переходом.

SAFe в новой AI-native версии предлагает язык и структуру для этого перехода. А значит, у организаций появляется возможность не просто внедрять ИИ, а системно перестраивать способ создания ценности – быстрее, осознаннее и ответственнее.

Дополнительно почитать по теме:

Что такое искусственный интеллект (ИИ): основные типы ИИ и применение в бизнесе
Гибкость, усиленная ИИ: применение искусственного интеллекта в SAFe и Agile

© «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.