Skálázott agilitás az ai korában: AI NATIVE Safe®
A SAFe® az agilis keretrendszerek közül az elsők között jelentette be az AI hatására kialakított fejlesztéseit és keretrendszerében tett újításokat. Ezeket mutatja be cikkünk, melyben a SAFe® által kiadott hivatalos prezentációkban elhangzottakat kezdtük el összefoglalni. Ahogy a robosztus SAFe® keretrendszert, természetesen az AI-Native SAFe®-t sem egészében kell elfogadni, vagy integrálni. A SAFe®, mint egy nagy könyvtár és tapasztalat-gyűjtemény lehetőséget ad nekünk, hogy tanuljunk és kísérletezzünk az AI bevezetés opcióit illetően.
Mit jelent az AI-Native Imperative?
Ahhoz, hogy az egyének és a szervezetek az AI korában is versenyképesek lehessenek, három módon kell szemlélniük az AI szerepét. Az első, az AI technológiák megismerése, az eszközök megfelelő szintű használata. A második, annak felismerése, hogy az AI több, mint eszköz. Általa nem csak egyszerűbben, gyorsabban oldhatóak meg mindennapi feladataink, azzal a kihívással is szembesülünk, hogy meg kell találnunk azokat az új lehetőségeket, amikkel üzleti értéket teremthetünk. A harmadik annak a biztosítása, hogy az AI eszközökbe, megoldásokba fektetett pénz és egyéb erőforrások megtérüljenek a szervezet számára. Saját beszélgetéseink nyomán magyar vezetőkkel is meg tudjuk erősíteni a tendenciát, amit a Return on AI Institute 2026-os globális felmérése, amelyben 11 ország 1006 felsővezetője vett részt, kimutat: bár a szervezetek 90%-a számol be valamilyen AI-értékről, csupán 16%-uk képes ezt rendszerszinten realizálni, és kevesebb mint 10%-uk tekinti a generatív AI-t az érték elsődleges forrásának.
Mi ennek az oka?
A SAFe® bemutatója szerint a kutatás egyik fő tanulsága, hogy a szervezetek többségének nincs egy egységes, bevált keretrendszere az AI bevezetésére és működtetésére. Erről ügyvezetőnk, Czimbalmos Zsolt is írt cikket egy pár hete. Emiatt sok helyen ugyan kísérleteznek a mesterséges intelligenciával, de nem tudnak belőle valódi üzleti értéket teremteni.
A gyors technológiai változások közepette a szervezeteknek struktúrára és bevált működési gyakorlatokra van szükségük. Olyan keretrendszerre, amely segít meghatározni:
- milyen képességeket érdemes fejleszteni,
- milyen folyamatokat kell kialakítani,
- és hogyan lehet egyensúlyt teremteni a csapatok önállósága és a megfelelő irányítás (governance) között.
Az AI-Native SAFe® ezt a célt szolgálja: egy olyan keretrendszert kínál, amely segít a szervezeteknek tudatosan és következetesen bevezetni az AI-t, hogy abból valódi üzleti érték szülessen. Egy olyan keretrendszerre van szükség, amely épít az eddigi folyamat-szemléletű, kísérletező, adaptív szemléletre, hiszen az AI-jal ezek a működések kell, hogy felgyorsuljanak.
Mit kell figyelembe vennünk tehát az AI-jal támogatott szervezeti működésben?
| Lean-Agile SAFe® | AI-Native SAFe® |
|---|---|
| Fókusz az eredményeken | Fókusz az eredményeken és a szándékon (outcomes & intent) |
| Keresztfunkcionális csapatok | Keresztfunkcionális, AI-jal megerősített képességű csapatok |
| Iteratív tanulási ciklusok | Iteratív tanulási és gyors kísérletezési ciklusok |
| Skálázott fejlesztés | Skálázott fejlesztés és innováció |
A jobb oldalon látható, hogyan kell ezeknek a területeknek megváltozniuk ahhoz, hogy egy szervezet valóban AI-Native módon működjön.
Az eredmények (outcomes) továbbra is a középpontban vannak, de egyre fontosabbá válik a szándék (intent) is. Az AI-nak ugyanis nemcsak azt kell értenie, hogy mit szeretnénk elérni, hanem azt is, miért. Ismernie kell az üzleti céljainkat, a működésünket és az ügyfeleink igényeit ahhoz, hogy valódi segítséget tudjon nyújtani.
A csapatok átalakulnak, AI-jal támogatottá válnak, gyakran kisebb létszámúak, ugyanakkor gyorsabban és rugalmasabban képesek reagálni a változásokra. Jeff Sutherland, a Scrum egyik megalkotójának kísérleteit itt, illetve LinkedIn-jén olvashatjátok.
Az iterációk továbbra is fontosak maradnak, de önmagukban már nem elegendő csak az iteratív működést megtanulnunk. A modern szervezetek működésének egyik kulcsa a gyors kísérletezés lesz: gyorsan kipróbálnak és elvetnek ötleteket, tanulnak az eredményekből, majd ezek alapján továbbfejlesztik a megoldásaikat.
Korábban a legnagyobb kihívás az volt, hogyan tudjuk skálázni a fejlesztést egy szervezetben. Ez az innovációs képesség növelésével egészül ki az új keretrendszerben. Ennek oka, hogy az AI-eszközöknek köszönhetően ma már a szervezet szinte minden munkatársa képes új ötleteket kidolgozni, prototípusokat készíteni és fejlesztésekhez hozzájárulni.
A SAFe® is természetesen aláhúzza azt, hogy mindezt egy emberközpontú AI-kultúra teszi fenntarthatóvá. Ez a kultúra egyszerre ösztönzi az AI használatát, miközben felismeri és megőrzi azt az értéket, amelyet továbbra is kizárólag az emberek tudnak hozzáadni: a kreativitást, az ítélőképességet, az empátiát, az etikai döntéshozatalt és a valódi együttműködést.
Ez a négy szemléletmódbeli változás a keretrendszerben is megjelenik. Lássuk őket sorban:
I. Fókusz az eredményeken és a szándékon (outcomes & intent)
Az AI-Native SAFe® egyik legfontosabb szemléletváltása, hogy a hangsúly az elkészítendő munkáról (output) az elérni kívánt üzleti eredményekre (outcome) és a mögöttes szándékra (intent) helyeződik át. Az AI-jal a fejlesztés felgyorsult, ezért ma már nem az a fő kérdés, hogy képesek vagyunk-e megvalósítani valamit, hanem az, hogy valóban azt fejlesztjük-e, ami a legnagyobb értéket teremti az ügyfeleknek és az üzlet számára.
Az AI korában tehát a fejlesztés már nem a szűk keresztmetszet. A valódi kihívás az, hogy a megfelelő dolgokat fejlesszük. Ezért az AI-Native SAFe® az elkészített funkciók helyett az üzleti eredményekre és a mögöttes szándékra helyezi a hangsúlyt.
Hogyan biztosíthatjuk, hogy valóban elérjük ezeket az eredményeket?
A mesterséges intelligenciának nincs valódi józan esze vagy üzleti megértése. Ha nem kap megfelelő információt, egyszerűen végrehajtja az utasításokat anélkül, hogy értené azok célját vagy összefüggéseit. Ezért van szükség erre a három elemre:
Intent: a miért
A szándék (Intent) megfogalmazza, hogy miért végezzük az adott munkát. Egyértelművé teszi a célt, és leírja, milyen üzleti eredményt szeretnénk elérni.
Product Context: a kontextus
A termékkontextus (Product Context) biztosítja az üzleti és szakmai hátteret. Segít az AI-nak megérteni a terméket, a felhasználókat és a szervezet sajátosságait, így nem általános, sablonos megoldásokat fog javasolni.
Specification: a hogyan
A specifikáció (Specification) írja le, hogyan valósítsuk meg a megoldást. Összekapcsolja az üzleti igényeket a technikai megvalósítással, kijelöli a technikai kereteket, és a problémát kisebb, jól ellenőrizhető lépésekre bontja.
Az AI akkor tud valódi értéket teremteni, ha nemcsak azt mondjuk meg neki, mit csináljon, hanem azt is, miért, milyen üzleti környezetben és milyen feltételek mellett kell megoldania a feladatot.
A szervezet által elérhető, gondozott adatok (Curated Data) minősége, megbízhatósága és lefedettsége közvetlenül meghatározza, hogy az AI milyen értékes eredményeket képes előállítani, és milyen üzleti eredményeket tud támogatni.
Fontos, hogy a keretrendszer iránymutatást adjon ezen a területen, és ösztönözze a szervezeteket, valamint az ART-okat arra, hogy stratégiai befektetésként tekintsenek az adatok minőségének és kezelhetőségének fejlesztésére.
II. Keresztfunkcionális, AI-jal megerősített képességű csapatok
Az AI-Native SAFe®-ben a csapatok kisebbek és rugalmasabbak. A hangsúly már nem a hagyományos szerepkörökön, hanem azon van, hogy a csapat rendelkezzen a termékismerethez, a szakterületi szakértelemhez és a megvalósításhoz szükséges képességekkel.
Sok szervezetben ez a változás már el is kezdődött. A korábban jellemző akár 10 fős csapatok helyét egyre inkább 3-7 fős, AI-jal kiegészített csapatok veszik át. Ezek a csapatok kisebbek, és gyorsabban reagálnak a változásokra. Nem feltétlenül követik szigorúan a Scrum vagy a Kanban kereteit, hanem azokat a munkamódszereket alakítják ki, amelyek a saját környezetükben a legjobban támogatják az értékáramlást (flow).
A hangsúly a képességeken van, nem a szerepkörökön
Az AI korszakában a csapatszerepek még folyamatosan alakulnak. Szinte naponta jelennek meg új elnevezések, például Product Engineer, Product Architect vagy AI Product Manager. Éppen ezért az AI-Native SAFe® kevésbé a konkrét szerepkörökre, sokkal inkább a szükséges képességekre (capabilities) helyezi a hangsúlyt. Az AI-Native SAFe® négy képességgel írja le a csapatot: termékismeret, szakterületi szakértelem, megvalósítás (builder), valamint maga az AI. Az alábbiakban az első hármat, az emberi képességeket mutatjuk be.
1. Termékismeret (Product Capability)
Szükség van olyan emberekre, akik mélyen értik a terméket, az üzleti célokat és az ügyfelek igényeit.
2. Szakterületi szakértelem (Domain Expertise)
Szükség van olyan szakemberekre, akik mély üzleti vagy szakmai tudással rendelkeznek az adott területen. Például egészségügyben klinikusok, pénzügyi szervezeteknél pénzügyi szakértők, jogi környezetben jogászok. Ők biztosítják, hogy az AI által támogatott megoldások valóban megfeleljenek az adott szakterület követelményeinek.
3. Megvalósítási képesség (Builders)
Nem kizárólag szoftverfejlesztőkre van szükség, hanem minden olyan emberre, aki AI segítségével képes létrehozni, fejleszteni vagy megvalósítani a rá bízott munkát.
A builder ma már lehet fejlesztő, üzleti elemző, projektvezető, tesztelő vagy akár egy üzleti szakértő is, a lényeg, hogy AI-t használva képes értéket létrehozni.
A képességek kérdése eddig is erőteljesen jelen volt az agilis csapatokban. Beszéltünk keresztfunkcionalitásról, amelynek a lényege eddig is az volt, hogy a csapat rendelkezzen minden szükséges kompetenciával ahhoz, hogy értéket szállítson, ne funkcionális silókban működjön és a tudás lehetőleg ne egyetlen embernél koncentrálódjon.
Az újdonság tehát ennek a szemléletnek megerősödése, evolúciója lesz a fent említett három emberi képesség fényében. Nem azt fogjuk keresni egy csapatban, hogy van-e fejlesztés, tesztelés, UX, üzleti elemzés, DevOps, stb., hanem hogy jelen van-e a csapatban a Product capability, a Domain expertise és a Builder capability.
Egy kifejezett újdonság a SAFe® Big Picture-ben viszont az AI Value Architect szerepkör, amely egy új képességcsomagot testesít meg.
Feladata biztosítani, hogy:
- az AI ne önmagáért jelenjen meg a szervezetben, hanem valódi, mérhető üzleti értéket teremtsen. Ehhez összekapcsolja az üzleti célokat, a technológiai lehetőségeket és az emberek fejlődését.
- Folyamatosan keresi azokat a lehetőségeket, ahol az AI segítségével új érték teremthető, és támogatja a szervezetet abban, hogy felelősen alakítson ki AI-jal támogatott munkafolyamatokat és termékeket.
- Emellett fontos szerepe van abban is, hogy elősegítse az AI szélesebb körű alkalmazását a szervezetben, valamint az AI-ismeretek és az AI-használati készségek (AI fluency) folyamatos fejlődését.
Kik lehetnek AI Value Architectek?
Az AI-Native SAFe® szerint ebben a szerepkörben különösen nagy értéket képviselhetnek azok a szakemberek, akik már ma is a szervezeti változásokat támogatják, például Scrum Masterek, Team Coachok, Product Managerek, Architectek, valamint más agilis vezetők és coachok. Ők ugyanis már rendelkeznek azokkal a képességekkel, amelyek ehhez a szerephez szükségesek, pl. a rendszerszintű gondolkodás, változások vezetése, az üzleti és technológiai szempontok összekapcsolásának képessége, valamint coaching- és fejlesztői szemlélet, amellyel segítik a szervezet és az emberek fejlődését.
III. Iteratív tanulási és gyors kísérletezési ciklusok
Az iteratív fejlesztés továbbra is a SAFe® egyik alapelve marad. Sőt, az AI működésének sajátosságai miatt még fontosabbá válik a folyamatos tanulás, ellenőrzés és korrekció. Viszont mivel az AI által létrehozott eredmények nem teljesen kiszámíthatók, a megoldásokat folyamatosan validálni kell az üzleti célok és a felhasználói igények szempontjából.
Ennek a témakörnek lesznek alapjaiban a mindennapjainkat megváltoztató új gyakorlatai és erős új beépítendő szemlélete. Jeff Sutherland a Scrummal kapcsolatosan is azt hangsúlyozza, hogy az AI megjelenésével a bizalom új infrastruktúrájára van szükség, ez a bizalom pedig abból születik, hogy újra és újra igazolódik: a rendszer valóban azt teszi, amit ígér.
Hogyan épül ez be a mindennapokba?
Az AI-Native SAFe®-ben a hangsúly a gyors kísérletezésen, a folyamatos ügyfélvalidáción és az adatvezérelt tanuláson van, hogy az AI fejlesztései végig szorosan kapcsolódjanak a valódi üzleti eredményekhez.
Iterációk és PI-ok
A kadenciák (jellemzően kéthetes iteráció, 8-12 hetes PI) lényegében egyelőre változatlanok, de sokan voksolnak arra, hogy az iterációs ciklusok az AI segítségével jelentősen le fognak rövidülni. Az események viszont átalakulnak: a kétnapos PI Planningből egynapos PI Outcome Planning lesz, és a tanulási ciklusok sűrűsödnek, mert a Sense and Respond minden iterációban lezajlik.
A hangsúly már nem azon van, hogy hosszabb idő alatt minél több funkcionalitást fejlesszünk, hanem azon, hogy minél gyorsabban tanuljunk, mérjünk és alkalmazkodjunk.
Új (megnevezésű) események, illetve eseményrészek is beépülnek a rendszerbe:
| Lean-Agile SAFe® | AI-Native SAFe® | Új hangsúly |
|---|---|---|
| PI Planning (2 nap) | PI Outcome Planning (1 nap) | A fókusz nem a feladatok megtervezésén van, hanem az elérni kívánt üzleti eredményeken, az ügyfélértéken és a siker mérésén. |
| Inspect & Adapt és System Demo | Sense & Respond | PI-onként egyszeri, félnapos esemény helyett iterációnként kétórás esemény, amely a System Demo tevékenységeit is magában foglalja. Gyorsabban kezeljük a változásokat a termékkörnyezetben, az AI-modellekben és az ügyféligényekben, tudatosan leállítjuk az eredményt nem hozó kísérleteket, és ART-szinten tanulunk. |
| (új elem) | Customer Demo | Rendszeresen, közvetlenül az ügyfelekkel ellenőrizzük, hogy a megoldás kívánatos-e és működik-e a valós használatban. |
Az agilisták mosolyogva sóhajthatnak: eddig is ezt kellett volna tenni. Mégis, az AI segítségével talán áttolódhat végre a hangsúly arra az érték-központú gondolkodásra, amit eddig sokan feláldoztak a feladat-gyártásért, a mindenkit kielégítő leterheltség-érzetért cserébe.
IV. Skálázott fejlesztés és innováció
Az AI-Native SAFe® a Continuous Delivery Pipeline-t egy tágabb szemlélettel fejleszti tovább: a Continuous Innovation and Delivery Pipeline már nemcsak a fejlesztés és szállítás folyamatát, hanem a teljes innovációs életciklust támogatja. Ezzel az új elnevezéssel valójában megerősíti azt a folyamatot, amin az innovatív, piacképes megoldások létrehozása érdekében Product Managerek, Product Ownerek eddig is folyamatosan dolgoztak problémafelismeréssel, ötletalkotással, kísérletezéssel, validálással.
A valódi újdonságot az jelenti, hogy a Continuous Innovation and Delivery Pipeline (CIDP) egy AI-first munkafolyamatra épül. Ez azt jelenti, hogy a folyamatokat eleve úgy tervezzük meg, hogy az emberek és az AI-ügynökök együttműködjenek egymással. A munkafolyamat tudatosan kezeli azokat az átadási pontokat (handoffokat), ahol a feladatok embertől AI-ügynökhöz, AI-ügynöktől emberhez, vagy AI-ügynökök között kerülnek tovább. Az új CIDP útmutató segítséget fog nyújtani a szervezeteknek abban, hogy egyszerre alakítsák ki az AI-jal támogatott munkavégzés technikai hátterét, és az ehhez szükséges működési folyamatokat.
A fejlesztés megtervezésében új elemek bukkanhatnak fel, például prototípusok (prototypes) vagy kísérletek (experiments). Ezenkívül az AI lehetővé teszi azt is, hogy sokkal könnyebben alkalmazzuk a Set-Based Design szemléletet.
A Set-Based Design nem új fogalom. A Lean Product Development egyik alapelve is azt emeli ki, hogy a bizonytalanságot ne korai döntésekkel, hanem tanulással csökkentsük. Az AI ezt a megközelítést teszi sokkal olcsóbbá és gyorsabbá: míg korábban több alternatíva kidolgozása jelentős erőforrást igényelt, ma az AI percek alatt képes több megoldási javaslatot, prototípust vagy akár működő implementációt előállítani. Emiatt a Set-Based Design az AI korszakában sokkal inkább napi gyakorlattá válhat, mint korábban. A cél tehát már nem az, hogy minél hamarabb kiválasszuk az első működő megoldást, hanem hogy gyorsan feltárjunk több életképes alternatívát, és ez alapján válasszuk ki azt, amely a legnagyobb értéket teremti.
Végül
A SAFe® az AI hatására bevezetett újításokat tehát most egy prezentáció-sorozatban mutatja be itt. Hangsúlyozza, hogy a Core SAFe® nem tűnik el, nem helyettesíti az AI-Native SAFe®. Éppen ellenkezőleg: továbbra is az agilis keretrendszer jelenti a szervezetek számára az alapot. A Core SAFe® mellett jelenik meg az AI-Native SAFe®, amely az AI-t bevezetni kívánó szervezeteknek ad útmutatást.
SAFe and Scaled Agile Framework are registered trademarks of Scaled Agile, Inc.
Segítségre van szükséged?
Amennyiben szeretnél felkészülni az AI okozta változásokra, böngéssz AI-szerepköri képzéseink között, vagy kérj díjmentes konzultációt AI bevezetéssel és használattal kapcsolatban!
