Používanie AI na odhadovanie?

Milan, účastník nášho trénigu, sa ma tento týždeň spýtal: „Čo si myslíš o používaní AI na odhadovanie story pointov?“.

AI rezonuje. Už na poslednom ročníku ScrumImpulz sme so Scrum Mastrami rozpútali debaty ohľadom využitia AI v praxi agilných tímov.

AI v aplikácii ScrumDesk

Do našej aplikácie ScrumDesk sme doplnili AI ešte v minulom roku. Prvé kroky a hľadanie zmysluplných scenárov nebolo náročné. Núkali sa samé. Generovanie popisu user stories, generovanie akceptačných kritérií. Potom prišli zaujímavejšie.

Generovanie epikov a ich delenie na menšie features a user stories. Generovanie biznis modelu, value proposition. Potom Objectives and Key Results. Až po generovanie projektov a všetkých potrebných informácií len na základe promptu a finetuningu modelu.

Pre mňa osobne však príjemným prekvapením bola celkom dobrá schopnosť predikcie priorizačných perspektív ako napr. MoSCoW, biznis hodnoty (samozrejme podľa biznis modelu a value proposition) a aj KANO.

A takto prichádzame k odhadovaniu. Práve story pointy sa ukázali ako výzva implementácie AI.

Výzvy odhadov s pomocou AI

Správne vytvorený backlog zjednodušuje modelom „život“.

Správne definované user stories s akceptačnými kritériami môžu byť veľmi vhodným vstupom pre modely pre porozumenie referencií pre odhady. S dobrým promptovaním a finetuningom je možné si adaptovať modely pre váš backlog.

Odhadovanie v storypoints si vyžaduje pochopenie základných princípov odhadovania s ich pomocu. Kolega Martin Luknič o tom napísal super článok, ktorý odporúčam ak ich chcete aplikovať zmysluplne a naučiť modely správnemu rozhodovaniu.

Predtým než však začnete, musíte sa presvedčiť či máte backlog v správnom stave. Práve to bola moja odpoveď na minulotýždennú otázku.

Backlogy sú až príliš často iba zbierkou „niečoho“.

Najčastejšie sú v produktovom backlogu v podstate subtasky. Aktivity. Inokedy sú v ňom ani nie požiadavky, ale prosby a želania. Sem tam je niečo napísané ako user story, ale je to iba formát zápisu. Nie skutočná user story. Mnohokrát sú v backlogu všetky možné veľkosti entít. V skutočnosti epiky iba zapísané ako user stories. Dokonca bugy zapísané ako user stories.

„Najväčšie chyby v meraní nie sú chyby v samotnom meraní, ale chyby vo výbere toho, čo meriame.“ Douglas W. Hubbard (How to Measure Anything)

Prečo sa toľko točím okolo user stories? Pretože sa bavíme o story points. Nie, tie nie sú iba pre odhad user stories, no práve tie sú dobré pre nastavenie referencií odhadu.

Ak teda máte nesprávny produktový backlog, AI vám síce dokáže navrhnúť odhady, neznamená to ale, že budú správne. Naopak. Sami ste si postavili referencie na piesku.

Síce  sa budete tešiť ako ste krásne a jednoducho ušetrili čas a ako ste vybabrali so systémom a aká je AI úžasná.

Ale používanie AI má aj svoju veľkú slabinu. Sám ju zažívam. Človek až príliš jednoducho prepadne pocitu, že AI našepkáva správne. Ale AI aj halucinuje.

A tak keď dáte do tohto šelmostroja zlé vstupy a navyše s nekvalitnými promptami, tak získate aj taký výsledok. Číslo v storypointoch vám vypadne, len nemusí byť správne.

No nie toto je argumentom proti používaniu AI pre odhady. Vôbec nie, AI odporúčam.

Dajte si však pozor, aby ste neprišli o to podstatné z Agilných hodnôt.

Komunikácia a spolupráca nad nástrojmi a procesmi.

Najväčšia hodnota odhadovanie v storypointoch je totiž v diskusii. Zladeniu pohľadov. Inej perspektíve riešenia. Hľadaniu jednoduchosti vs. dlhodobosti a stabilite implementácie.

Zisteniu čo nevieme že nevieme. Možností pre juniorov porozumieť spôsob premýšľania seniorov a naopak, pre seniorov mladé prístupy k riešeniu problémov. Priznajme si, ako seniori často skôr následujeme naše zvyky a patterny.

AI ako ďalší expert v tíme, nie náhrada tímu

Po dvoch rokoch života s AI osobne radšej preferujem AI ako poradcu. Konzultanta nášho názoru. Nech nám dá perspektívu ako ďalší kolega v tíme. Neberieme odpoveď AI ako bezpodmienečne správnu.