AI-Native команды: как организовать продуктовую разработку с ИИ в AI-Native SAFe

Редакционная версия для русскоязычной аудитории. Материал подготовлен на основе статьи Scaled Agile, Inc. «AI-Native Teams» и адаптирован с учётом терминологии SAFe, практики внедрения SAFe в организациях и особенностей работы с Agile командами и Agile Release Train в корпоративной среде.

Адаптация и перевод – Алексей Ионов, первый в России и СНГ Certified Advanced SAFe® Practice Consultant (Advanced SPC) и аккредитованный AI-Native Trainer, основатель компании «Ионов и Партнеры». Компания «Ионов и Партнеры» – официальный бронзовый партнёр Scaled Agile, Inc. с 2019 года и первый в России и СНГ AI-Native Partner Scaled Agile, Inc.

Краткое содержание

AI-Native команда – это небольшая кросс-функциональная команда, которая использует искусственный интеллект как встроенную часть продуктовой разработки. ИИ помогает ей быстрее анализировать данные, автоматизировать повторяющиеся операции, разрабатывать функционал, создавать прототипы и проверять гипотезы, а люди сохраняют ответственность за цели, качество, риски и итоговые решения.

AI-Native команды объединяют человеческую изобретательность и технологии искусственного интеллекта, чтобы создавать ценность для клиентов и бизнеса. Такие команды строятся вокруг четырёх ключевых способностей: «Продукт», «Создание решений», «Экспертиза в предметной области» и «ИИ».

AI-Native команда работает на основе подхода, ориентированного на поток, который включает три непрерывных и взаимосвязанных вида деятельности: согласование (выравнивание), выявление и реагирование.

Согласование помогает принимать ключевые решения и поддерживать единое направление.

Выявление опирается на данные и обратную связь, помогая отслеживать состояние продукта, рабочих процессов и пользовательской среды.

Реагирование позволяет своевременно корректировать продукты и способы работы.

Статья будет полезна руководителям продуктовых направлений, CIO, CDO, Agile-лидерам, архитекторам, руководителям трансформации и командам, которые планируют внедрять ИИ в продуктовую разработку.

Что такое AI-Native команда и чем она отличается от обычной Agile команды?

AI-Native команды объединяют человеческую изобретательность и ИИ. Они создают ориентированные на клиента продукты, усиленные ИИ, и непрерывно улучшают рабочие процессы, обеспечивающие их поставку, в том числе с помощью ИИ.

Участники команды сохраняют контроль благодаря подходу «человек в контуре» (human-in-the-loop): именно люди финально проверяют и/или утверждают артефакты, созданные ИИ, чтобы обеспечить качество и снизить риск предвзятости.

В отличие от традиционной Agile-команды, AI-Native команда встраивает ИИ в повседневную работу с первого действия: использует его для анализа обратной связи, подготовки вариантов решений, автоматизации операций, создания ИИ-агентов и ускорения экспериментов. При этом ИИ не заменяет предметную и продуктовую экспертизу команды, а дополняет и усиливает её.

Люди сосредотачиваются на координации рабочих процессов и критическом мышлении, тогда как ИИ помогает анализировать данные и выявлять сложные закономерности в работе организации.

ИИ снимает ограничения по объёму работы, который команды крупных организаций могут выполнить за определённый период. Когда исполнение перестаёт быть узким местом, влияние команды определяется её способностью выбирать действительно важную работу, повышать качество и ускорять поток создания ценности.

Как правило, AI-Native команды невелики: от трёх до семи участников, усиленных ИИ. При этом важно понимать, что такой подход не предполагает сокращения численности персонала. Напротив, он помогает ART и организации достигать более широкого набора клиентских и бизнес-результатов и реализовывать стратегии, которые ранее были недостижимы.

Для достижения результатов команд на новом уровне необходим иной способ организации работы, сочетающий автономность и поток, одинаково необходимые AI-Native командам, с согласованностью и каденцией, которые обеспечивают совместное движение ART к общим клиентским и бизнес-результатам.

Рисунок 1. AI-Native команды, ориентированные на поток, в составе AI-Native ART с регулярной каденцией

В основе подхода лежит ориентация на клиентские и бизнес-результаты – ключевой принцип операционной модели AI-Native SAFe.

Подробнее о полном цикле продуктовой разработки, ориентированной на клиентские и бизнес-результаты, см. в статье «Как управлять продуктовой разработкой через клиентские и бизнес-результаты в AI-Native SAFe».

Когда AI-Native команда уместна, а когда переход к AI-Native требует осторожности?

AI-Native команда наиболее эффективна там, где ИИ может ускорить обучение, анализ и создание решений, а организация готова обеспечить качество данных, человеческий контроль и понятные критерии бизнес-результата.

Таблица 1. Когда AI-Native команда уместна, а когда нужна дополнительная подготовка

Перед запуском AI-Native команды важно определить, какую проблему клиента или бизнеса она должна решать, какие данные ей доступны, кто принимает итоговое продуктовое решение и как будет измеряться достигнутый бизнес-эффект или созданная ценность.

«Начинать внедрение ИИ стоит не с выбора модели или ассистента, а с конкретного клиентского или бизнес-результата. Если команда не может сформулировать, какой показатель она должна улучшить и как проверит полученный эффект, ИИ с высокой вероятностью лишь ускорит выполнение несогласованной или даже ненужной для бизнеса работы.»

Алексей Ионов, основатель «Ионов и Партнеры», ведущий эксперт по Lean-Agile, SAFe и AI-трансформациям в России и СНГ, Certified Advanced SAFe® Practice Consultant (ASPC), AI-Native Trainer.

Какие способности и роли нужны AI-Native команде?

AI-Native команды объединяют человеческую изобретательность со скоростью ИИ. В отличие от традиционных структур, они заменяют жёсткое определение ролей совместным подходом, основанным на способностях, которыми команда обладает в своей совокупности.

Важно уточнить, что ниже представлен не обязательный перечень ролей или должностей, а набор общих способностей команды как элемента AI-Native организации. AI-Native команда организуется, чтобы иметь все перечисленные способности: любой участник может сочетать несколько из них. Конкретный набор ролей команды определяется исходя из контекста продукта, бизнеса и масштаба работы.

Рисунок 2. Способности AI-Native команды

Продукт: кто определяет ожидаемую ценность и приоритеты?

Эта способность помогает определить, зачем создаётся продукт, согласовать команду с видением продукта и обобщить обратную связь. Продуктовая способность удерживает фокус команды на потребностях клиента, обеспечивая целенаправленность работы и измеримую ценность создаваемых с помощью ИИ артефактов.

Продуктовую способность обычно обеспечивают следующие роли или компетенции: владелец продукта, продуктовый дизайнер, бизнес-аналитик, продуктовый маркетолог и другие специалисты, отвечающие за продуктообразование.

Создание решений: кто превращает намерение в работающий продукт?

Способность создания или построения решений обычно реализуют большинство участников команды. Они используют ИИ для создания результатов продуктовой разработки, соответствующих согласованным клиентским и бизнес-результатам команды.

Создатели решений преобразуют человеческое намерение в функциональность систем: разрабатывают рабочие процессы, проектируют промпты, создают ИИ-агентов и обеспечивают соблюдение стандартов качества, безопасности и этики во всех артефактах работы.

Эту способность обычно обеспечивают «классические» разработчики и инженеры, создатели контента, архитекторы, дизайнеры и другие специалисты.

Экспертиза предметной области: кто обеспечивает команде специализированные знания бизнес-контекста?

Способность обеспечивать экспертизу в предметной области даёт специализированный клиентский и бизнес-контекст, необходимый для преобразования типовых предложений ИИ в решения, максимально соответствующие назначению.

Например, в медицинских компаниях такой способностью обладают врачи-практики, медицинские эксперты и другие специалисты, участвующие в оказании медицинской помощи, а в страховых организациях – эксперты в области финансов, права или регулирования. Дизайнеры, инженеры и многие другие специалисты также привносят собственную предметную экспертизу.

ИИ: как использовать технологии без потери контроля?

Способности ИИ определяются технологиями, которые использует команда. Под контролем людей ИИ выполняет множество автоматизированных операций в большинстве рабочих процессов. При этом искусственный интеллект должен действовать в чётко заданных рамках, регулярно обновляться и совершенствоваться.

Команде следует использовать ИИ в том числе для непрерывного анализа, формирования вариантов суждений и получения выводов, поддерживающих принятие критически важных решений. При этом окончательная ответственность за принятые решения должна оставаться за людьми.

Работая в AI-Native команде люди часто гибко переключаются между обеспечением разных способностей для своей команды. Именно поэтому команда организована вокруг набора способностей, а не жёстко закреплённых ролей, их обеспечивающих.

Обычно в начале работы участники обладают более глубокой экспертизой в какой-то одной области, чем в других; это часто связано с основной ролью участника в организации. Однако работа в AI-Native команде расширяет персональный набор навыков, поскольку ИИ открывает новые возможности для профессионального развития.

Ещё одно преимущество подхода, основанного на способностях, – совместное владение создаваемыми результатами работы и коллективная ответственность за них. Вся команда отвечает за совокупный результат своей деятельности. Каждый участник сосредотачивается на том, как продвинуть достижение наиболее значимых клиентских и бизнес-результатов.

Примечание. Важную роль в сопровождении работы AI-Native команд на уровне поезда (ART) играет AI-Value Architect – Архитектор ИИ-ценности. Он привносит системное видение в разработку ИИ-решений, помогает командам внедрять ИИ ответственно и обеспечивать надлежащее управление данными, рисками, юридическими и этическими вопросами.

«AI-Native команда не отменяет продуктовые, инженерные и предметные роли как таковые, более того, подход через обеспечение способностей позволяет иметь более гибкий набор ролей и более сбалансированно подходить к формированию команд.

Но также верно, что при этом AI-Native подход на уровне команды меняет характер взаимодействия существующих и новых ролей: ИИ расширяет возможности всех специалистов и не должен заменять их суждение.

За приоритеты продукта, качество решений, риски и последствия внедрения по-прежнему отвечают люди.»

Алексей Ионов, основатель «Ионов и Партнеры», ведущий эксперт по Lean-Agile, SAFe и AI-трансформациям в России и СНГ, Certified Advanced SAFe® Practice Consultant (ASPC), AI-Native Trainer.

Как AI-Native команда организует работу: согласование, выявление и реагирование?

AI-Native ART работает в рамках фиксированной событийной каденции, обеспечивающей синхронизацию и обучение между командами. AI-Native команда, в свою очередь, использует подход, ориентированный на поток и оптимизированный под скорость ИИ.

Чтобы совместить адаптивность с необходимой для эффективной работы структурой, AI-Native команды непрерывно организуют взаимодействие вокруг трех видов деятельности: согласования (выравнивания), выявления и реагирования.

Рисунок 3. Деятельность AI-Native команды: согласование, выявление и реагирование

Эти три вида деятельности позволяют команде эффективно управлять своей работой и создаваемыми артефактами.

• Согласование, или выравнивание понимания (Align) объединяет команду для принятия ключевых решений и движения к клиентским и бизнес-результатам.
• Выявление (Sense) обеспечивает сбор и анализ обратной связи, данных и возможностей для обучения.
• Реагирование (Respond) требует от команды вносить необходимые изменения в продукты и рабочие процессы.

Многократное повторение этих действий формирует поток, необходимый AI-Native команде для высокой результативности. При этом не существует единого шаблона мероприятий команды.

Команда определяет собственные способы взаимодействия с учётом контекста работы. Часть взаимодействий происходит по запросу или по необходимости, часть – в рамках запланированных мероприятий.

Чтобы поток оставался устойчивым и учитывал интересы распределённых, расположенных удалённо и совместно работающих участников из разных часовых поясов, команде необходимо установить понятные правила коммуникации.

Такие договорённости определяют, когда должны происходить взаимодействия для согласования, выявления и реагирования, а также какие командные мероприятия необходимы для их поддержки.

Когда команде требуется согласование?

Потребность в согласовании возникает сразу, когда выявляется существенное изменение или расхождение в любом из элементов:

• в намерении – почему и ради какого результата ведётся работа,
• в спецификациях – что именно требуется создать и как проверить результат,
• в контексте – в каких условиях решение должно работать.

Такое расхождение может быть связано с решениями за пределами команды или с выводами, полученными из обратной связи.

Согласование также необходимо, когда:

• участнику требуется помощь или рекомендации по выбору направления действий,
• команда начинает работать с новой технологией,
• команда вновь должна собраться для интеграции артефактов работы и синхронизации понимания прогресса после периода индивидуальной работы.

Иными словами, согласование, выравнивание понимания постоянно возвращает команду к совместному движению вперёд.

Согласование, как правило, наиболее эффективно обеспечивается сочетанием асинхронных каналов связи, взаимодействий по запросу и запланированных мероприятий. Ожидание очередного запланированного мероприятия редко позволяет обеспечивать непрерывность согласования, необходимую при работе с ИИ.

Если хотя бы один участник ощущает рассогласованность, этого достаточно, чтобы инициировать соответствующее взаимодействие всей команды.

Такой подход создаёт регулярные возможности для взаимной проверки работы коллегами (peer review) и коротких сверок (check-ins). Когда участники сталкиваются с неопределённостью в задачах, изменениями политик или сдвигом контекста, они взаимодействуют, чтобы восстановить фокус и устранить неоднозначность.

Что выявляет AI-Native команда?

Выявление как деятельность команды должно быть непрерывным и по возможности автоматизированным, встроенным непосредственно в повседневный рабочий процесс AI-Native команды.

Команде следует использовать возможности ИИ по обобщению и анализу данных для постоянного мониторинга продукта, инфраструктуры и пользовательской среды.

AI-Native команды должны активно обрабатывать обратную связь из нескольких источников:

• Обратная связь от клиентов: мониторинг поведения пользователей в реальном времени, данных об использовании приложения и входящих сигналов от клиентов для выявления меняющихся потребностей.
• Работа моделей: отслеживание результатов работы, создаваемых ИИ-агентами, для обнаружения дрейфа системы, галлюцинаций или логических аномалий.
• Контроль соответствия требованиям: мониторинг конвейера непрерывных инноваций и доставки, чтобы своевременно выявлять приближение к пороговым значениям архитектурных требований, требований безопасности и конфиденциальности данных.
• Анализ рынка и конкурентов: отслеживание внешних факторов, релизов конкурентов и изменений среды, которые ставят под сомнение исходные предположения команды.
• Внутренние рабочие процессы: анализ данных о времени цикла, пропускной способности и частоте ошибок для выявления узких мест.

Непрерывный мониторинг не заменяет специально выделенного времени на анализ данных. Поэтому AI-Native команды часто проводят специальные мероприятия, чтобы согласовать выводы и не упустить возможности для обучения в повседневной работе. Нередко такие мероприятия объединяют выявление и принятие решения о соответствующем реагировании.

Как команда реагирует на новые данные и изменения?

Реагирование происходит, когда выявление показывает, что ключевая гипотеза не подтверждается, возникает новая возможность или данные указывают на необходимость изменить курс.

Вместо продолжения работы по устаревшему или ошибочному плану команда применяет критическое мышление и оперативно корректирует ход выполнения работы.

Примеры реагирования:

• смена фокуса, если результаты проверки показывают, что фича или прототип не помогают достичь ключевых результатов;
• переработка интерфейсов системы для улучшения пользовательского опыта и доступности;
• внедрение структурированных процессов регулярного обновления системы, чтобы ИИ мог формировать более точные прогнозы и принимать более качественные решения;
• обновление репозиториев курированных данных посредством тщательной проверки качества, точности и релевантности содержащихся в них данных;
• настройка правил, по которым ИИ учитывает и сопоставляет разные факторы при формировании рекомендаций или принятии решений.

Выявление и реагирование часто объединяются: в течение одной недели происходит несколько таких мероприятий. Кроме того, команды нередко используют общие репозитории для фиксации выводов и поддержки взаимодействия, когда собрать команду для непосредственного общения проблематично.

Пример рабочей недели AI-Native команды

На рисунке 4 приведён пример рабочей недели AI-Native команды.

Рисунок 4. Пример рабочей недели AI-Native команды

• Понедельник. В начале недели во взаимодействии с продуктовым менеджментом команда выявила существенное изменение в намерении вследствие пересмотра видения продукта. Это потребовало немедленно собраться и согласовать дальнейшие действия.
• Вторник. Команда посвящает этот день текущей работе. Если не требуется критически важное взаимодействие, участники работают самостоятельно либо небольшими группами. При этом команда выделяет время для отдыха, восстановления и творческого осмысления задач вне цифровых инструментов, рассматривая это как условие устойчивой работы и инноваций.
• Среда. Команда проводит запланированное мероприятие по выявлению и реагированию (Sense and Response). На нём обсуждается новая ИИ-технология, рассматриваются варианты её применения, анализируются рыночные показатели. Важно, что такие заранее согласованные мероприятия могут быть отменены, если необходимость в них отпала.
• Четверг. Один из участников инициирует реагирование по запросу: команда и дополнительные заинтересованные лица собираются, чтобы принять решение по поводу несоответствия контекста, вызвавшего дрейф общего ИИ-агента. Принятое решение доводится до всех команд для поддержания согласованности.
• Пятница. Второе запланированное мероприятие предназначено для подготовки к предстоящим взаимодействиям и событиям уровня ART, а также для согласования всей обратной связи, собранной за неделю. Оно объединяет согласование, выявление и реагирование в одно событие.
• Постоянно. Команда использует асинхронные каналы связи, чтобы поддерживать согласованность в течение всей недели.

Руководствуясь моделью «согласование – выявление – реагирование», AI-Native команды определяют необходимое сочетание взаимодействий и мероприятий с учётом часовых поясов и особенностей глобальной рабочей среды. Одни действия выполняются по запросу, другие – планируются заранее.

При этом сложившиеся способы работы не являются неизменными: они могут меняться от недели к неделе по мере оптимизации работы команды и изменения самого характера работы.

Какие результаты продуктовой разработки или выходные артефакты создаёт AI-Native команда?

Каждый результат работы AI-Native команды должен продвигать клиентские и бизнес-результаты команды, согласованные в ходе PI Outcome Planning, и в конечном итоге создавать ценность для клиента или бизнеса.

Рисунок 5. Связь между клиентскими и бизнес-результатами, результатами работы и достигнутой ценностью

В AI-Native SAFe клиентские и бизнес-результаты (outcomes) – это изменения в поведении клиентов, бизнес-показателях, качестве, рисках или эффективности. Ради них создаются артефакты работы (outputs): фичи, эксперименты, прототипы, энейблеры и другие элементы поставки.

Хотя AI-Native команды вправе использовать столько типов артефактов работы, сколько необходимо для обеспечения процесса управления этой работой, рекомендуется использовать как минимум четыре типа артефактов. Они поддерживают эффективную приоритизацию в ключевых категориях: обучение (прототипы), проверка гипотез (эксперименты), технические инвестиции (энейблеры) и поставка ценного функционала (фичи).

• Прототипы. Быстрые и недорогие модели для оценки идей и подходов. Они помогают проверить концепции до инвестирования в дорогостоящую инфраструктуру или изменения бизнес-операций, а также создают новое знание.
• Эксперименты. Проверяют технические или бизнес-гипотезы в условиях низкого риска – например, в изолированной среде или на части клиентской базы. Они создают необходимую обратную связь, позволяют подтвердить или опровергнуть предположения и влияют на последующие решения о масштабе, финансировании и технических подходах.
• Энейблеры. Описывают работу по улучшению систем, архитектуры, курированных данных или локальных рабочих процессов. Они реализуются, чтобы повысить эффективность и результативность продуктовой разработки либо создать надёжную основу для будущих улучшений продукта.
• Фичи. Функциональные компоненты, поставляемые непосредственно пользователям. Они повышают ценность продукта для пользователей и обеспечивают появление измеримой ценности для бизнеса.

ИИ позволяет команде создавать больше артефактов работы за определённый период. Поэтому AI-Native команды, как правило, намеренно создают несколько вариантов артефактов, чтобы исследовать различные идеи и направления работы. Они также могут параллельно проводить эксперименты или одновременно тестировать различные прототипы.

Однако такая работа требует дисциплины: необходимо регулярно прекращать работу над теми элементами, которые больше не создают ценности.

Сочетание поиска различных вариантов с постоянным прекращением работы, не добавляющей ценность, ускоряет инновации.

Как управлять бэклогом, Kanban-системой и дорожной картой команды?

AI-Native команды самостоятельно определяют подход к управлению работой. Универсального решения не существует: характер работы разных команд различается, а технологические изменения требуют постоянного пересмотра рабочих процессов.

Бэклог команды

Командный бэклог используется для хранения всей работы, которая может потребоваться для развития продукта. Он поддерживает обсуждение приоритетов и помогает команде направлять усилия по согласованию на следующие наиболее важные элементы, не отвлекаясь на отдалённые возможности.

Kanban-система

Kanban-система, которую часто называют Kanban-доской, применяется для визуализации и управления работой, проходящей через команду. Она формирует общее понимание незавершённой работы и помогает команде сосредоточиться на улучшении потока.

Дорожная карта команды

Дорожные карты помогают определить путь к достижению каждого клиентского и бизнес-результата команды, включая ключевые вехи и релизы. Это особенно полезно для поддержания фокуса на объёме работы, необходимом в конкретный момент для достижения целей.

Как каденция ART поддерживает поток команд?

AI-Native команды работают на основе подхода, ориентированного на поток, тогда как уровень поезда (ART) обеспечивает каденцию для множества команд с помощью итераций, PI и мероприятий. Важно, что на уровне ART мероприятия также соответствуют модели «согласование – выявление – реагирование».

Рисунок 6. Каденция ART: согласование, выявление и реагирование

В ускоренной среде разработки, где используется ИИ, каденция создаёт необходимые моменты для взаимодействия команд ART и коллективного обучения. Каденция предотвращает ситуацию, в которой большой объём артефактов работы создаёт узкие места при обеспечении качества и согласованности.

Заданный ритм также поддерживает критически важные решения о том, какую работу продолжать, а какая больше не приближает ART к общим клиентским и бизнес-результатам.

Хотя мероприятия ART подробнее рассматриваются в отдельных статьях, ниже приведено их краткое описание.

Согласование с помощью мероприятий PI Outcome Planning и ART Sync

Команды должны согласовать свою работу с клиентскими и бизнес-результатами ART (ART Outcomes).

Мероприятие PI Outcome Planning создаёт пространство для совместной работы над клиентскими и бизнес-результатами, на достижение которых каждая команда может принять обязательство в рамках PI, с учётом зависимостей и ключевых вех.

Это мероприятие также позволяет командам обмениваться успешными практиками и выводами, полученными в предыдущем PI, чтобы улучшить коллективные рабочие процессы ART.

PI Outcome Planning – это, как правило, однодневное мероприятие AI-Native SAFe для согласования ART вокруг стратегии, PI Outcomes, Team Outcomes и ключевых вех.

Кроме того, представители каждой команды еженедельно участвуют в ART Sync – синхронизации поезда (ART). Это мероприятие даёт возможность сообщить о прогрессе в достижении клиентских и бизнес-результатов, а также запросить помощь и рекомендации по препятствиям и проблемам, с которыми сталкивается команда.

Улучшение системы через выявление и реагирование – Sense and Respond

На протяжении интервала планирования (PI) команды участвуют в регулярных мероприятиях уровня ART по выявлению и реагированию – Sense and Response. Как правило, они проводятся в каденции (ритме) итераций и рассматривают три важных аспекта:

• Как ART продвигается в достижении клиентских и бизнес-результатов?
• Как клиенты восприняли созданные результаты работы?
• Где можно улучшить коллективные рабочие процессы?

После рассмотрения этих аспектов и лежащих в их основе данных принимаются ключевые решения, которые помогают командам эффективно реагировать с использованием полученных знаний в следующей итерации.

Как запустить пилот AI-Native команды?

Пилот AI-Native команды следует запускать не с выбора инструмента, а с конкретной клиентской или бизнес-проблемы, которую можно улучшить и измерить такое улучшение.

1. Выберите поток создания ценности и один-два ключевых клиентских или бизнес-результата, которые можно измерить и где мы знаем текущий уровень этого показателя.
Например: сократить время подготовки коммерческого предложения, повысить качество обработки обращений клиентов или ускорить проверку продуктовых гипотез.

2. Сформируйте кросс-функциональную команду.
Включите продуктовую, предметную, разработческую/инженерную и ИИ-экспертизу. Определите владельца продукта и ответственного менеджера продукта, которые будут обеспечивать связь пилота с приоритетами продукта, клиентскими и бизнес-результатами.

3. Определите доступные данные и ограничения.
Зафиксируйте требования к безопасности, конфиденциальности, качеству данных и допустимому использованию ИИ.

4. Настройте правила человеческого контроля.
Определите, какие результаты работы ИИ требуют обязательной проверки, кто утверждает итоговые решения и как фиксируются ошибки.

5. Включите в работу эксперименты и проведите ограниченное число экспериментов.
Запустите два-три эксперимента с понятными критериями успеха, сроками и метриками.

6. Оцените эффект пилота.
Измерьте влияние на скорость, качество, стоимость, риски, клиентский опыт и достижение клиентских и бизнес-результатов.

7. Масштабируйте подтверждённые практики.
Распространяйте не отдельные инструменты, а проверенные рабочие процессы, правила управления данными и способы контроля качества.

«Пилот следует считать успешным не тогда, когда команда освоила новый инструмент, а когда подтверждён измеримый эффект: улучшилось качество, сократилось время цикла, снизился риск или изменилось поведение клиентов. Только после этого имеет смысл масштабировать практику на другие команды.»

Алексей Ионов, основатель «Ионов и Партнеры», ведущий эксперт по Lean-Agile, SAFe и AI-трансформациям в России и СНГ, Certified Advanced SAFe® Practice Consultant (ASPC), AI-Native Trainer.

Типичные ошибки внедрения AI-Native команд

• Автоматизация неэффективного процесса без пересмотра его цели и ограничений.
• Использование ИИ без вовлечения владельца продукта и продуктового менеджмента, ясных продуктовых приоритетов и измеримых клиентских или бизнес-результатов.
• Оценка успеха по количеству созданных материалов, кода или промптов вместо клиентской и бизнес-ценности и качества.
• Передача на сторону ИИ решений, требующих специфической для вашего бизнеса предметной экспертизы, этического суждения или персональной ответственности.
• Недостаточный контроль качества данных, конфиденциальности и безопасности.
• Отсутствие правил проверки результатов работы ИИ и прозрачного распределения ответственности.
• Игнорирование стоимости моделей, токенов, ИИ-агентов и автономных рабочих процессов.
• Попытка масштабировать пилот до получения подтверждённого бизнес-эффекта.

Как AI-Native команда формирует человекоцентричную культуру ИИ?

Описанные выше способности, подход, ориентированный на поток, и артефакты работы AI-Native команды важны. Однако их успех опирается на более фундаментальную основу — человекоцентричную культуру ИИ.

Такая культура поддерживает здоровый баланс между масштабом инноваций, который открывает ИИ, и ценностью, которую способны создать только люди.

Для формирования человекоцентричной культуры ИИ AI-Native командам необходимо развивать описанные ниже модели поведения и операционные дисциплины.

Сохраняйте ответственность

ИИ может выполнять задачи с высокой скоростью, но он не способен нести ответственность и принимать этические решения, необходимые при юридической или финансовой ответственности.

Если автоматизированное решение нарушает работу организации или не проходит регуляторную проверку, последствия несут люди.

Используйте ИИ ответственно

Команда должна полностью отвечать за каждый утверждённый результат работы. Передача кода, планов или спецификаций, созданных ИИ, без глубокого понимания лежащей в их основе логики может повлечь серьёзные юридические и этические последствия.

Поддерживайте качество и аутентичность

По мере роста объёма сгенерированных текстов и кода команда сохраняет ответственность за качество, достоверность и соответствие материалов поставленной задаче.

Участники активно проверяют черновики, устраняют шаблонные машинные формулировки и обеспечивают, чтобы итоговые материалы отражали подлинное человеческое понимание.

Соизмеряйте создаваемую ценность с затратами

Запуск автономных агентных рабочих процессов связан со значительными затратами на вычислительные ресурсы, модели и токены. Поэтому команда должна профессионально оценивать использование ресурсов организации.

Усилия ИИ следует направлять на решение подтверждённых проблем клиентов и достижение измеримых результатов, а не расходовать бюджет токенов на дублирующие или расплывчатые запросы.

Максимизируйте человеческий вклад

Основная цель усиления с помощью ИИ – устранить операционное трение и ручные повторяющиеся действия. Передавая ИИ рутинную обработку информации и административные задачи, команда направляет высвобождённую ёмкость на решение значимых проблем, совместное обучение и непрерывное совершенствование рабочих процессов. Это ещё больше раскрывает ценность, которую способны создать только люди.

Следуя этим культурным нормам, каждая AI-Native команда обеспечивает, чтобы быстрое внедрение ИИ не снижало, а усиливало уникальную ценность человеческой изобретательности.

Подробнее о создании улучшений рабочих процессов с помощью ИИ и разработке собственных агентов можно узнать в курсе AI-Native Foundations.

Ключевые выводы

• AI-Native команды кросс-функциональны и ориентированы на клиентские и бизнес-результаты.
• Они объединяют человеческую изобретательность и возможности ИИ для создания ориентированных на клиента продуктов, усиленных ИИ.
• AI-Native команды сочетают внутри себя способности «Продукт», «Создание решений», «Экспертиза предметной области» и «ИИ» для создания измеримой ценности для клиента и бизнеса.
• AI-Native команда действует на основе подхода, ориентированного на поток: согласование, выявление и реагирование.
• Для успешного внедрения AI-Native команд необходимы качественные данные, измеримые цели, человеческий контроль и ответственность за решения.
• Пилот следует начинать с конкретной бизнес-проблемы и ограниченного числа измеримых экспериментов.
• Команды формируют человекоцентричную культуру, в которой приоритет отдаётся ответственности, критическому мышлению и максимизации человеческого вклада.

Часто задаваемые вопросы об AI-Native командах

Что такое AI-Native команда?

AI-Native команда – это кросс-функциональная команда, которая использует ИИ как встроенную часть продуктовой разработки, анализа данных и автоматизации процессов, сохраняя человеческий контроль над целями, качеством, рисками и окончательными решениями.

Сколько человек должно быть в AI-Native команде?

Как правило, AI-Native команда включает от трёх до семи участников. Конкретный состав зависит от сложности продукта, доступности данных, требований безопасности и уровня автоматизации.

Заменяет ли AI-Native подход сотрудников?

Нет. Цель подхода – автоматизировать повторяющиеся операции и усилить специалистов, чтобы они могли сосредоточиться на продуктовых решениях, анализе, взаимодействии с клиентами и инновациях.

Чем AI-Native команда отличается от Agile-команды?

AI-Native команда использует ИИ в ежедневной работе с первого действия: для анализа обратной связи, создания вариантов решений, разработки функционала, автоматизации операций и ускорения экспериментов. Agile-принципы сохраняются, но скорость обучения и исполнения возрастает.

Что такое подход, ориентированный на поток?

Это способ организации работы, при котором команда непрерывно согласует действия, выявляет сигналы и изменения, а затем реагирует на них, не ограничиваясь только заранее запланированными встречами.

Как измерить эффект от AI-Native команды?

Эффект оценивают через клиентские и бизнес-результаты: скорость вывода продукта на рынок, качество, удовлетворённость клиентов, снижение рисков, эффективность процессов и стоимость выполнения работы.

Мини-глоссарий терминов AI-Native SAFe

AI-Native SAFe – подход к применению SAFe в условиях, когда ИИ становится частью разработки, принятия решений, обучения и управления потоком ценности.
ART, Agile Release Train – долгоживущая команда команд, которая совместно поставляет ценность в рамках общего потока.
PI, Planning Interval – интервал планирования, в рамках которого ART согласует цели, результаты и ключевые вехи.
PI Outcome Planning – мероприятие для согласования ART вокруг стратегии, PI Outcomes, Team Outcomes и ключевых вех.
Outcomes, клиентские и бизнес-результаты – измеримые изменения в поведении клиентов, бизнес-показателях, качестве, рисках или эффективности.
Outputs, результаты работы – фичи, эксперименты, прототипы, энейблеры и другие результаты поставки, также известные как выходные артефакты работы.
Team Outcomes – клиентские и бизнес-результаты команды, отражающие её вклад в общие цели ART.
ART Outcomes – долгосрочные клиентские и бизнес-результаты ART.
Sense and Respond – регулярное взаимодействие для выявления изменений, анализа данных, обучения, реагирования и адаптации.
Курированные данные – корпоративные данные, которые отобраны, структурированы, проверены и защищены для безопасного использования в ИИ. Процесс курирования данных является непрерывной активностью, а не разовым мероприятием.

Источник: Scaled Agile, Inc. (вендор), статья «AI-Native Teams» (от 14.07.2026). Материал не является официальным переводом.

Перевод и адаптация: Алексей Ионов, первый в России и СНГ Certified Advanced SAFe® Practice Consultant (Advanced SPC) и аккредитованный AI-Native Trainer, основатель компании «Ионов и Партнеры». Компания «Ионов и Партнеры» – официальный бронзовый партнёр Scaled Agile, Inc. с 2019 года и первый в России и СНГ AI-Native Partner Scaled Agile, Inc.

Дополнительно почитать по теме AI-Native SAFe:

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

⇒ Как управлять продуктовой разработкой через клиентские и бизнес-результаты в AI-Native SAFe
⇒ Инвестиционная стратегия портфеля в AI-Native SAFe: как связать результаты, бюджет и риски 
⇒ Намерение, спецификации и контекст в AI-Native SAFe: как управлять разработкой продуктов с ИИ
⇒ Курированные данные для ИИ: как корпоративные данные становятся конкурентным преимуществом

⇒ AI-Native ART: как Agile Release Train меняется в эпоху ИИ
⇒ Клиентские и бизнес-результаты ART в AI-Native SAFe
⇒ PI Outcome Planning в AI-Native SAFe: планирование клиентских и бизнес-результатов PI
⇒ Архитектор ИИ-ценности: роль AI-Value Architect в AI-Native SAFe и внедрении ИИ

⇒ Гибкость, усиленная ИИ: применение искусственного интеллекта в SAFe и Agile
⇒ Персонал, усиленный ИИ: руководство по внедрению в SAFe и Agile
⇒ Что такое искусственный интеллект (ИИ): основные типы ИИ и применение в бизнесе

© «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.