האג'יל נגמר? האם הבינה המלאכותית מערערת את פרקטיקות העבודה שלנו?
מבוא – הזעזוע הגדול בעולם הפיתוח
שנים רבות ליווינו ארגונים בהטמעת תפיסת lean ופרקטיקות אג'יליות. ראינו איך צוותים לומדים לפרק משימות גדולות לחלקים קטנים, איך הם מפתחים תרבות של משוב מהיר ושיפור מתמיד. אבל בחודשים האחרונים, כשאנחנו יושבים מול לקוחות וממליצים על תהליכי פיתוח איטרטיביים, אנחנו מוצאים את עצמנו שואלים: האם כל זה עדיין רלוונטי?
השבוע, במהלך שיחה עם מנהל פיתוח, הוא שאל אותנו שאלה שמעסיקה אותנו זמן מה:
"אם אני יכול לקחת דרישה ולהעביר אותה למודל AI שיכתוב לי מערכת עובדת תוך כמה דקות, למה אני צריך לפרק את זה לספרינטים של שבועיים? למה אני צריך את כל הפרקטיקות האג'יליות האלו?"
זו שאלה שהתחלנו להתחבט בה לא מעט לאחרונה. העבודה שלנו עם גופי פיתוח בנויה על הנחה שפיתוח איכותי דורש תהליכים מובנים, המאפשרים זרימת ערך ללקוח על ידי מנות קטנות, שיתוף פעולה מולטי דיסציפלינרי, משוב מהיר ולמידה איטרטיבית.
אבל מה קורה כשמכונה יכולה לעשות את העבודה שלנו יעיל יותר, איכותי יותר ומהיר יותר?
זו לא עוד שאלה תיאורטית על עתיד הטכנולוגיה. זה קורה עכשיו, מול העיניים שלנו
איך נבנו הפרקטיקות האג'יליים – ולמה הם מתערערים עכשיו
כדי להבין לאיפה אנחנו הולכים, צריך להבין מאיפה באנו. כל הפרקטיקות האג'יליות נולדו מאילוץ ברור: האדם הוא חלק מהתהליך, ויש לו יכולת מוגבלת.
באחת השיחות שקיימנו השבוע בדרכים (בפקקים נולדות תובנות מעניינות):
"כל הפרקטיקות האג'יליות נולדו כדי לעשות יותר בפחות – יותר ערך ללקוח, בפחות משאבים. הפרקטיקות מסייעות לקצר את ה-lead time על ידי זה שאנחנו מוציאים בזבוזים מהתהליכים ומפנים זמן לאנשים לעשות יותר, כלומר משפרים את זרימת הערך ללקוח."
מתוך אילוץ הזה נולדו הפרקטיקות שאנחנו מכירים:
צוותים מולטי-דיסציפלינריים
כי כל אדם מביא מיומנות אחרת, צריך לקרב ביניהם כדי לאפשר זרימת ערך מהירה וטובה יותר
מנות קטנות (פירוק דרישות ל-user stories)
כי המוח האנושי מתקשה לעבד מורכבות גדולה. כדי להביא ערך מהר יותר ללקוח, ללמוד ולהיכשל מהר, תחושת הצלחה, צמצום אי ודאות, צמצום ייצור ועיבוד יתר
ספרינטים קצרים
כי בני אדם מתקשים לתכנן ולהעריך זמנים, לחזות משימות גדולות במיוחד בסביבה משתנה ואי וודאות גבוהה. ספרינטים קצרים מאפשרים משוב ועדכון מהיר
משוב מהיר ושיפור מתמיד
כי חלק מתהליך הלמידה מבוסס על ההנחה שבני אדם טועים ולומדים מאיטרציה לאיטרציה
עכשיו התחושה היא שמושכים לנו את השטיח מתחת לרגליים – ונשאלת השאלה האם בעידן ה AI אילוץ המשאב האנושי עדיין רלוונטי וכיצד זה ישפיע על צורת העבודה שלנו?
הרגע בו הבנו: הכללים השתנו
הבנו שהמציאות השתנתה כשהתחלנו לשאול את עצמנו שאלות יסודיות כגון:
למה בכלל לפרק דרישה לדרישות קטנות?
אם AI יכול לקחת דרישה גדולה ומורכבת ולהפוך אותה למערכת עובדת תוך זמן קצר, למה אנחנו צריכים את כל התהליך של פירוק ל-user stories? למה להמציא acceptance criteria ו-definition of done כשהמכונה יכולה להבין את הדרישה ולממש אותה ישירות?
למה ספרינטים?
"ספרינטים נשמע ממש לא רלוונטי. כי אנחנו עושים את זה בשעה אחת."
כשפיתוח לוקח דקות במקום שבועות, מה המשמעות של ספרינט של שבועיים? של שגרות יומיות? של תכנון שבועי? כשהתהליך נעשה על ידי מכונה ובזמן כל כך קצר?
למה צוותים מולטי-דיסציפלינריים?
כשמכונה אחת יכולה לעשות עבודה של מפתח, מעצב, אנליסט ובודק – מה הצורך בצוות? מה הצורך בכל הפרוטוקולים של תקשורת בין-תחומית?
למה בכלל QA?
אם AI כותב קוד שעובד בפעם הראשונה מדוע צריכים בדיקות? האם צריך תסריטי בדיקות? כשהקוד עצמו נכתב בצורה מושלמת.
מה קורה כשמכונה עושה את כל העבודה?
"כשמכונה יכולה לאפיין, לפתח, לבדוק ולדלוור מנות אינסופיות בזמן אפס, ואתה יודע שזה כבר בדוק" – אנחנו נכנסים למציאות שהפרקטיקות שפיתחנו הופכות פחות ופחות רלוונטיות.
מתוך הבנה שהאדם הוא כבר לא האילוץ, האם זה עוד שינוי קל במתודולוגיה? או שינוי הפרדיגמה שעליה נבנו הפרקטיקות האג'יליות?
חשבו על זה ככה: אג'יל נולד כי המציאות הייתה של מחסור – מחסור בזמן, במשאבים, ביכולות. הפרקטיקות שפותחו היו מיועדים לנהל את המחסור הזה בצורה חכמה.
עכשיו פתאום אין מחסור. יש שפע. שפע של יכולת פיתוח, של מהירות, של דיוק. מה עושים עם השפע?
מה בינתיים עדיין נשאר רלוונטי?
הערך ללקוח נשאר מרכזי
"יש פה איזה צורך למישהו (אדם/ מכונה? – נתייחס לזה בהמשך הסדרה), ויש ציפייה לענות על הצורך כמה שיותר מהר. הצורך, זה הערך ללקוח."
עדיין צריך להבין מי הלקוח ומה הוא צריך. אולי נעשה זאת בדרכים אחרות – אבל הצורך לזהות ולהבין צרכים אמיתיים לא נעלם.
הזרימה עדיין חשובה – אבל היא אחרת
"עדיין אנחנו רוצים פה זרימה, אבל היא אחרת."
הזרימה לא נעלמת, היא משתנה. במקום זרימה של קוד בין מפתחים שונים, אולי נדבר על זרימה של רעיונות מהלקוח ל-AI ובחזרה.
לאור צמצום הבזבוזים בתהליך הפיתוח, האם ייתכן שיווצרו בזבוזים במקומות אחרים?
המגבלה עברה לקצה השרשרת
"האילוץ החדש הוא בקצה השרשרת, הלקוח, שביינתיים לא נוכל לזרוק עליו מיליון פיצ'רים בבת אחת, כי הוא לא ידע להשתמש בהם"
המגבלה עברה מיכולת הפיתוח ליכולת הטמעה והשימוש. זה משנה הכל. במקום לנהל תהליכי פיתוח, אולי נצטרך לנהל תהליכי למידה והטמעה.
ואנחנו שואלים את עצמנו, איך כל זה מתחבר לעקרונות המצוינות?
אחד העקרונות המרכזיים בהטמעת מצוינות ארגונית הינו עקרון זרימת הערך ללקוח.
עקרון זה לא משתנה, הערך צריך להמשיך ולזרום. מה שמשתנה זה אופן מימוש זרימת הערך.
כיום עדיין יש פער גדול בין קצב הדרישות לקצב אספקת הערך, בעתיד הקרוב (הוא כבר כאן) המכונה (אוטומציה) תייצר מענה לדרישות בקצב מהיר.
כשנסינו לדמיין פרויקט שמתחיל היום עם שילוב מלא של AI בפיתוח, מצאנו את עצמנו מתקשים להצדיק את רוב הפרקטיקות שאנחנו מטמיעים.
זה לא אומר שהן לא נכונות, זה אומר שהן פותרות בעיה שייתכן ומתחילה להעלם.
מה זה אומר לגבי העתיד הקרוב?
במאמר הבא, נעמיק בשאלות גדולות יותר שמתעוררות מהשינוי שמביאה הבינה המלאכותית:
- איך השינוי ישפיע על התפקידים הקיימים?
- איך השינוי ישפיע על הארגונים עצמם?
- מה קורה לשליחות הארגונית כשרוב העבודה נעשית על ידי מכונות?
- איך נראה עולם העבודה כשחסמי הכניסה לפיתוח טכנולוגי מצטמצמים?
- האם אנחנו עומדים בפני שינוי פרדיגמה חברתית שלמה?
אבל קודם, חשוב שנעכל את המשמעות של השינוי הטכנולוגי עצמו. השינוי הזה לא רק טכני – הוא מאלץ אותנו לחשוב מחדש על כל מה שהכרנו על עבודה, שיתוף פעולה, ויצירת ערך.
בחלק הבא של הסדרה, נבחן איך השינוי הזה משפיע לא רק על הדרך שבה אנחנו עובדים, אלא על הסיבה שבגללה אנחנו עובדים – ועל העתיד של הארגון האנושי עצמו.
מוזמנים לעקוב אחרינו, להגיב, לשתף ובעיקר – לצמוח יחד איתנו.
בברכה,
צוות KAMY
