Я имел удовольствие пообщаться с Элисон Бачер, известной как Agile Angel, одним из самых вдумчивых экспертов на пересечении коучинга, данных и искусственного интеллекта. Элисон много лет работала с техническими директорами и лидерами продуктов, помогая их командам работать на высоком уровне, оставаясь при этом ориентированными на человека и коммерчески обоснованными.
Она также является одним из создателей Performalise — платформы коучинга на базе искусственного интеллекта, которая проливает свет на то, что она называет «тихими данными», стоящими за эффективностью работы команд.
Я рад поделиться её идеями о слепых зонах в коучинге, о том, как искусственный интеллект может помочь в масштабировании и что на самом деле нужно, чтобы доказать ценность гибкости в зале заседаний.
О слепых зонах, которых не избежать коучам
Большинство гибких тренеров работают с несколькими командами. Разные локации, разные часовые пояса, разные уровни зрелости. Звучит нормально, но Элисон ясно даёт понять, что это означает на практике.
«Гибкие тренеры не масштабируются, — сказала она мне. — Мы не присутствуем на каждой встрече. Мы не слышим каждый комментарий. К тому времени, когда что-то появляется в ретроспективе, момент для реального вмешательства уже упущен».
Эти упущенные моменты создают слепые зоны. Команды могут делиться тщательно отобранными метриками или фильтрованной обратной связью, и важные закономерности остаются скрытыми.
Именно здесь Элисон видит в искусственном интеллекте партнёра, а не угрозу.
«Мы можем использовать искусственный интеллект для поиска закономерностей в потоке, оттоке, переделке, удовлетворённости заинтересованных сторон и даже в уверенности команды, — объяснила она. — Он улавливает поведенческие сигналы, которые мы никогда не увидим в режиме реального времени самостоятельно».
Вместо того чтобы полагаться только на то, что команды решают сообщить, тренеры могут работать с более полной картиной того, как система ведёт себя на самом деле.
В масштабе задача становится ещё более острой. Несколько тренеров. Много команд. Большое давление, чтобы сообщить руководству, что происходит на самом деле.
Элисон осторожно относится к роли метрик здесь.
«Единая метрика — это очень грубый инструмент, — сказала она. — Скорость сама по себе ничего полезного не скажет. Важно кластеры метрик, которые показывают тенденции. Мы не хотим становиться полицией метрик. Мы хотим быть людьми, которые видят закономерности».
Она подчёркивает, что цель никогда не состоит в том, чтобы сравнивать команды или называть имена. Вместо этого искусственный интеллект может выделить слабые места в доработке, повторяющуюся работу или низкий уровень вовлечённости заинтересованных сторон.
«Если у меня есть 5, 10 или даже двадцать команд, мне не нужно смотреть на всех каждый день, — сказала она. — С правильными метриками и приборной панелью я точно знаю, на какие пять мне нужно посмотреть сегодня и почему».
В результате — более целенаправленный коучинг и меньше шума для команд.
Доказательство эффективности гибкости
Рано или поздно каждый тренер слышит вопрос: «Работает ли эта гибкая штука?» Часто очень рано, иногда после самого первого спринта.
Совет Элисон — начать в мире руководителей, а не в нашем.
«Мы должны сначала встать на их место, — сказала она. — Что их действительно волнует? Время выхода на рынок. Риск. Результаты для клиентов. Если мы будем отвечать в баллах истории и скорости, это не сработает».
Вместо того чтобы обещать, что всё будет быстрее, дешевле и лучше, она предлагает использовать «богатые данные», которые напрямую связаны с результатами.
«Покажите им, что качество улучшается. Покажите, что время цикла сокращается. Покажите, как улучшение взаимодействия с заинтересованными сторонами снижает объём переделок», — объяснила она. «Когда у вас есть тенденции и опережающие индикаторы, они расслабляются. Они видят, что мы заранее видим риски и занимаемся ими».
Искусственный интеллект помогает, превращая тысячи небольших точек данных в читаемые закономерности. Тренеры больше не тратят часы на сбор таблиц. Они могут потратить это время на объяснение того, что означают данные и что нужно изменить.
Конечно, искусственный интеллект вызывает страх. Некоторые тренеры прямо спрашивают её, предназначены ли такие инструменты, как Performalise, для замены Scrum-мастеров. Элисон не колеблется.
«Нет! — сказала она. — Искусственный интеллект работает там, где люди не могут справиться в масштабе. Он выполняет повторяющийся анализ, чтобы мы могли сосредоточиться на человеческих разговорах. Он переводит нас от реактивного, после автомобильной катастрофы, к проактивному, видя, что авария приближается, и мы уже едем туда».
«Но искусственный интеллект не отнимает суждения или отношения. Он берёт на себя то, что машины делают лучше, чтобы люди могли делать то, что могут делать только люди».
Тихие данные и Performalise
Ближе к концу нашего разговора Элисон представила идею «тихих данных».
«Это данные, которые рассказывают настоящую историю. Комментарии, которые люди делают во время ежедневных скрамов, настроения в обзорах, небольшие сигналы, которые никогда не попадают в колоду слайдов».
Performalise работает поверх таких инструментов, как Jira или Azure DevOps, и фокусируется на этих человеческих аспектах производительности. Он помогает тренерам видеть закономерности в командах и даёт руководителям более правдивую картину происходящего.
Если вы хотите изучить Performalise, вы можете посетить [performalise.com](http://performalize.com) или перейти на [performalise.com/partner](https://partner.performalise.com/partner), если вы тренер, заинтересованный в работе с платформой.
Идеи Элисон — мощное напоминание о том, что настоящая гибкость — это не только доски, бэклоги и церемонии. Это видение того, что происходит на самом деле, правдивое представление данных и сохранение человеческого общения в центре перемен.
1. Как искусственный интеллект помогает гибким тренерам преодолевать слепые зоны в их работе?
Ответ: искусственный интеллект помогает гибким тренерам выявлять закономерности в данных, которые они могли бы упустить из-за ограниченного присутствия на встречах или невозможности услышать все комментарии. Это позволяет тренерам работать с более полной картиной того, как система ведёт себя на самом деле.
2. Какие проблемы могут возникнуть у гибких тренеров при работе с несколькими командами, и как искусственный интеллект может помочь их решить?
Ответ: при работе с несколькими командами гибкие тренеры могут столкнуться с проблемой отсутствия полной информации о том, что происходит в каждой команде. Искусственный интеллект может помочь решить эту проблему, анализируя большие объёмы данных и выявляя закономерности, которые могут быть незаметны для человека.
3. Какие метрики и индикаторы предлагает использовать Элисон Бачер для доказательства эффективности гибкого подхода?
Ответ: Элисон Бачер предлагает использовать кластеры метрик, которые показывают тенденции, а не полагаться на единую метрику. Она также предлагает использовать «богатые данные», которые напрямую связаны с результатами, такими как улучшение качества, сокращение времени цикла и снижение объёма переделок.
4. Какую роль играет искусственный интеллект в работе гибких тренеров, и не заменяет ли он их?
Ответ: искусственный интеллект выполняет повторяющийся анализ, чтобы тренеры могли сосредоточиться на человеческих разговорах. Он переводит тренеров от реактивного подхода к проактивному, позволяя им видеть риски заранее и заниматься ими. Однако искусственный интеллект не отнимает у тренеров их суждения или отношения, а лишь берёт на себя то, что машины делают лучше, чтобы тренеры могли делать то, что могут делать только люди.
5. Что такое «тихие данные», и как платформа Performalise использует их для улучшения работы гибких тренеров?
Ответ: «Тихие данные» — это данные, которые рассказывают настоящую историю, но обычно остаются незамеченными, такие как комментарии во время ежедневных скрамов или настроения в обзорах. Платформа Performalise использует эти данные для выявления закономерностей в командах и предоставления руководителям более правдивой картины происходящего.