当敏捷团队遇见AI，新的实践由此诞生 原创

自从ChatGPT问世以来，人们就一直在讨论AI技术将如何重塑我们的工作方式。结合自身需求，我尝试让AI畅想AI驱动方法如何帮助敏捷团队获取深层洞察并提供更具创新性的方案，而它给出的结果也令人大开眼界。下面我们就一起看看AI眼中新时代下敏捷团队的形态。

携手Deep Research，将分析推向新高度

在研究中，我发现Deep Research的功能极富成效。在接收详尽的研究提示词、思考AI如何改变敏捷开发之后，它输出了一份相当全面的综述报告，内容远远超出我对AI智能体的所有想象。

其中最令人震撼的，在于智能体会不断追问关于行业重点、开发阶段、时间框架和企业规模等具体细节，用协同改进的方式保证最终报告能够满足我的需求。

在短短11分钟内，Deep Research就将来自16个来源的调查结果整理成一份语句连续，包含三个深入案例研究和一段深入跨案例分析结论的报告。而且它的分析不仅仅是在堆叠信息，更从中提取出了有意义的模式，并以结构化、易于理解的格式呈现出可操作见解。

三个极富启发性的案例研究

报告研究了不同组织如何在原有敏捷框架内运用AI以改变产品的设计和交付：

1.Lightful：敏捷“AI小队”为非营利组织提供沟通支持

这家位于伦敦的科技企业组建了一支跨职能“AI小队”，由设计师、工程师和产品经理每天参与迭代。而且他们并非出于自身利益而采用AI，更多是为非营利客户确定相应痛点，并尝试用AI方案缩短实现流程。

他们最成功的创新在于“AI反馈”工具，该工具可提供带有解释的建议以帮助非营利用户润色社交媒体帖子。该方案在教育用户的同时增强了人类创造力。团队的敏捷方法，也让成员们能够在前沿模型面世后快速接入，确保哪怕是在冲刺阶段也能随时运用最新技术。

2.百事食品：发现“完美奇多”的秘密

百事食品采用生成式AI与深度强化学习为“奇多”尝试不同形状和口味。他们首先为生产流程建立起数字模拟，之后训练一套AI系统以优化面团水分、温度和机器设置等变量，并成功以远超实体实验室的速度完成了数千次虚拟试验。

AI设计出的“完美奇多”将产品属性与消费者偏好紧密结合起来，成功实现了15%的市场渗透率增长。其中领域专家负责设定明确目标，而AI则广泛探索解决方案空间，识别出可能被人类研发部门忽略的非直观组合。

3.Wayfair：生成式AI增强客户可视化效果

Wayfair开发的“Decorify”是一款由AI驱动的室内设计工具，允许用户上传房间照片并描述所需要的风格。该模型随后会生成逼真的空间图像，其中摆满与Wayfair家居及视觉风格相匹配的装饰，同时给出产品购买链接。

在发布后几个月内，该工具已经为用户生成了超过17.5万种房间设计。它满足了客户的一大关键需求：帮助设想家具在家中陈列时的直观感受。Wayfair则牢牢把握着敏捷开发的原则：快速发布，之后根据用户反馈和使用数据进行迭代更新。

成功案例中的六大关键模式

在这些案例中，Deep Research找到了有助于将AI成功集成至敏捷框架的关键模式。报告总结称，“研究发现的共通结论包括对客户需求的不懈关注、运用AI快速推进迭代开发、跨职能团队合作以及对道德/数据质量的密切关注。”

下面来看六大关键模式：

1. AI不只是效率工具，更是洞察引擎

AI提示出更深层的客户洞察，从而塑造了产品设计方向。换言之，组织可以利用AI技术发现潜在的需求和模式，而不仅仅是实现现有流程的自动化。

2. 以客户为中心、以问题为优先的方法

成功的团队是从客户的问题和需求为起点，再酌情应用AI——而非为了用AI而用AI。所以最重要的永远是：“AI要如何帮助解决特定的客户问题？”，而非“AI有了，我们该在哪里使用？”

3. 敏捷方法放大了AI能力

AI的快速发展离不开由敏捷实践提供的强大适应能力。团队可以借此将AI融入自己的工作流程：使用短期实验来测试可行性，逐步构建AI驱动功能，再进行多轮评审以多方协同评估质量。由此建立的强大反馈循环使得敏捷方法的适应性成为AI的支点，而AI生成的洞见则为后续迭代提供指引。

4. 跨职能团队与技能极其重要

AI项目与数据科学、工程、设计和领域专业知识相交叉。最成功的实施必然依托于掌握共同AI语言的多元化团队。这既可避免沟通不畅和不切实际的期望，也可实现更顺畅的协作并提高方案落地效率。

5. 人工监督、道德与数据质量

团队须建立流程以验证AI输出并缓解错误/偏见。具体包括在流程中引入QA步骤、在全面发布前对AI决策与人工决策进行A/B测试，同时主动解决道德问题。此外，保持对用户的透明度并确保合规性也至关重要。

6. 领导层的支持与实验文化

领导层的支持提供了愿景和资源，使得团队能够无所畏惧地推进迭代。因此必须设定符合现实的期望——不要将AI夸大成魔法，而只是一种自身也须改进的强大工具。另外，尽量依托客户指标、投资回报和竞争优势等角度传递进展。

淘汰是一种选择，而非必需

许多专业人士将AI视为威胁，但案例研究表明这项技术与印刷机、电力或互联网一样只是种改变原有业务范式的要素。

从三个案例来看，AI扮演的都是顾问的角色，且人类在创意循环中仍不可或缺。

也就是说，在AI时代淘汰一部分职能/工具只是选择，而非必需。真正重要的，永远是如何运用AI从非结构化数据发掘洞察、模拟复杂场景并增强决策能力。

对于敏捷实践的影响

对于强调适应性、持续改进与交付客户价值的敏捷思维来说，AI自身的属性与其天然契合，因此我们可以从以下三个角度探索实践可能性：

• 从小处着手，快速学习。从AI可能提供价值的特定客户痛点起步。通过短期迭代推进实验，收集反馈并快速适应。​
• 建立跨职能AI素养。确保团队成员们对于AI的能力和局限性拥有相通的理解。“理解”不代表人人都要成为数据科学家，但至少得达到能够参与有效协作的程度。​
• 以人为本。在AI实现的设计过程中要始终强调人类创造力和决策能力，保证大多数应用场景都有人类参与其中。​

总结

谁能够将AI分析能力与敏捷实践有效结合，谁就能掌控未来。前所未有的价值正蕴藏于其中，而Deep Research只代表我们对这种前景的惊鸿一瞥。

希望大家也能在敏捷实践中试用AI，观察其如何增强您的团队能力，最终让AI成为支撑敏捷价值观的杠杆、而非破坏原有秩序的“铁锤”。

原文标题：​​AI in Agile Product Teams​​，作者：Stefan Wolpers