Andrew Sales, Kepala Metodologi, Scaled Agile – Seri Wawancara

Andrew Sales, Kepala Metodologi, Scaled Agile, adalah seorang pemimpin Lean, Agile, dan DevOps berpengalaman yang membantu perusahaan memperbaiki cara mereka mengatur, mengirim, dan menskala nilai. Saat ini, ia menjabat sebagai Kepala Metodologi dan Kepala Petugas Produk di Scaled Agile, di mana ia membantu membentuk evolusi SAFe dan mendukung organisasi melalui transformasi Agile skala besar. Sebelum bergabung dengan Scaled Agile, Andrew menjabat sebagai pemimpin Agile senior dan konsultan di CA Technologies, Rally Software, dan Pearson, bekerja di seluruh EMEA dengan organisasi di sektor keuangan, telekomunikasi, ritel, perangkat lunak, dan pendidikan.

Scaled Agile, Inc. adalah perusahaan di balik Kerangka Scaled Agile, lebih dikenal sebagai SAFe, kerangka yang sangat diadopsi untuk membantu perusahaan menerapkan prinsip Lean, Agile, dan DevOps pada skala besar. Melalui kerangka, pelatihan, program sertifikasi, jaringan mitra, dan platform SAFe Studio, Scaled Agile mendukung organisasi yang ingin memperbaiki keselarasan, kecepatan pengiriman, kualitas produk, keterlibatan karyawan, dan kesadaran bisnis. Perusahaan melaporkan bahwa SAFe telah diadopsi oleh lebih dari 20.000 perusahaan di seluruh dunia dan bahwa lebih dari satu juta profesional telah dilatih dalam kerangka tersebut.

Apa pelajaran dari transformasi skala besar yang paling langsung mempengaruhi pembuatan AI-Native SAFe?

Selama 15 tahun terakhir, kami telah menyaksikan lebih dari 20.000 organisasi mengadopsi SAFe untuk menyelesaikan satu tantangan dasar: mengoordinasikan pengembangan produk kompleks pada skala perusahaan. Satu pelajaran yang tetap konsisten: prinsip Lean dan Agile terus berfungsi. Apa yang berubah adalah bagaimana prinsip-prinsip tersebut perlu diterapkan karena perubahan teknologi.

AI tidak membuat prinsip-prinsip tersebut usang; itu mengubah di mana kendala-kendala tersebut berada. Tim menjadi lebih kecil, lebih dioptimalkan dengan AI, dan semakin fokus pada mengarahkan pekerjaan daripada melakukan setiap tugas secara manual. Siklus keputusan semakin cepat, dan interaksi antara penilaian manusia dan eksekusi AI menjadi sentral dalam bagaimana nilai dibuat.

AI-Native SAFe membangun pada fondasi SAFe yang terbukti sambil mengembangkan model operasional untuk kenyataan baru ini. Ini mempertahankan fokus pada nilai pelanggan, kolaborasi fungsional, keselarasan portofolio, dan perbaikan terus-menerus, sambil memperkenalkan cara-cara baru untuk mengatur AI, mengelola data sebagai aset strategis, dan membangun akuntabilitas dalam organisasi yang dioptimalkan dengan AI.

Mengapa kerangka Agile tradisional tidak lagi cukup untuk era AI?

Kerangka Agile tradisional tetap sangat berharga. Apa yang berubah adalah lingkungan di mana mereka beroperasi.

Selama bertahun-tahun, organisasi dibatasi oleh seberapa cepat mereka dapat merancang, membangun, dan mengirim perangkat lunak. AI secara dramatis mengubah persamaan tersebut. Seperti yang dikatakan oleh salah satu pelanggan kami baru-baru ini, mereka tidak lagi dibatasi oleh seberapa cepat mereka dapat membangun hal-hal; mereka dibatasi oleh seberapa cepat mereka dapat menentukan apakah solusi-solusi tersebut menciptakan nilai yang berarti, aman untuk diterapkan, dan selaras dengan tujuan bisnis.

Bottleneck telah bergeser dari produksi ke penilaian. Dari output ke hasil.

Organisasi sekarang memerlukan model operasional yang membantu mereka terus-menerus mengevaluasi nilai, mengatur AI secara bertanggung jawab, dan mengoordinasikan pekerjaan antara orang dan AI. Itu adalah evolusi di luar praktik Agile tradisional, bukan penggantian untuk mereka.

Apa kesalahan terbesar yang dilakukan perusahaan saat mencoba menskala inisiatif AI?

Kesalahan pertama adalah menganggap AI sebagai masalah tooling. Sebagian besar perusahaan sudah memiliki akses ke kemampuan AI lebih dari yang mereka gunakan secara efektif.

Kesalahan kedua adalah melapis AI pada alur kerja yang ada tanpa mempertanyakan apakah alur kerja tersebut harus ada di tempat pertama. Mengotomatisasi proses yang tidak efisien jarang menghasilkan transformasi.

Kesalahan ketiga adalah menganggap AI sebagai inisiatif inovasi yang terisolasi daripada kemampuan organisasional. Adopsi AI yang berkelanjutan memerlukan perubahan pada strategi, tata kelola, pengembangan produk, praktik operasional, dan kepemimpinan, bukan hanya menerapkan platform teknologi lain.

Organisasi yang melihat dampak terbesar merancang ulang bagaimana pekerjaan terjadi. AI menjadi bagian dari model operasional daripada hanya alat lain yang diharapkan digunakan oleh karyawan.

Apa celah yang diisi oleh Arsitek Nilai AI, dan bagaimana itu mengubah dinamika tim?

AI secara dramatis mengurangi biaya pembuatan solusi, tetapi tidak mengurangi biaya memecahkan masalah yang salah.

Arsitek Nilai AI ada untuk membantu organisasi menemukan peluang untuk memanfaatkan AI sambil memastikan mereka tetap fokus pada hasil bisnis. Peran ini membantu menyeimbangkan nilai pelanggan, kelayakan teknis, biaya, tata kelola, pertimbangan hukum, dan tanggung jawab etis sebelum organisasi berinvestasi dalam kemampuan AI yang diperkuat.

Daripada menjadi lapisan persetujuan lain, peran Arsitek Nilai AI menciptakan keselarasan antara pemimpin bisnis, tim produk, dan organisasi teknis sehingga keputusan tentang AI lebih cepat dan lebih terinformasikan. Ini menyediakan mekanisme praktis untuk menyeimbangkan inovasi dengan tanggung jawab sambil menjaga nilai bisnis yang terukur di pusat setiap investasi AI.

Bagaimana Anda menyeimbangkan kecepatan inovasi dengan pengawasan AI yang bertanggung jawab?

Tata kelola tidak boleh menjadi sesuatu yang terjadi setelah inovasi. Ini harus dibangun ke dalam model operasional sehingga inovasi dapat terjadi dengan aman dan terus-menerus.

Perusahaan besar selalu memerlukan keseimbangan antara kecepatan dan akuntabilitas. AI meningkatkan pentingnya keseimbangan tersebut karena sistem AI memperkenalkan pertimbangan baru seputar kualitas data, transparansi, bias, kepatuhan, dan tanggung jawab organisasional.

AI-Native SAFe membuat tata kelola eksplisit daripada implisit. Ini mengintegrasikan tata kelola ke dalam pengambilan keputusan portofolio, meningkatkan manajemen data sebagai kepedulian utama, menjaga manusia dalam lingkaran, dan memperkenalkan kejelasan peran seputar akuntabilitas AI. Ketika tata kelola terintegrasi ke dalam cara organisasi bekerja, itu menjadi penggerak inovasi daripada hambatan.

Bagaimana struktur tim perusahaan akan berubah dalam lima tahun ke depan?

Kami melihat empat pergeseran besar yang muncul di seluruh organisasi berkinerja tinggi.

Pertama, orang-orang semakin fokus pada mendefinisikan niat dan hasil yang diinginkan daripada melaksanakan setiap tugas secara manual.

Kedua, siklus pembelajaran dan eksperimen menjadi jauh lebih cepat karena AI mempercepat eksplorasi dan umpan balik.

Ketiga, inovasi menjadi lebih terdistribusi karena AI mengurangi biaya eksperimen di seluruh perusahaan.

Keempat, tim menjadi semakin dioptimalkan dengan AI, dengan AI bertindak sebagai peserta aktif dalam pengiriman daripada hanya alat produktivitas lain.

Di masa depan, tim AI-Native kemungkinan akan didefinisikan lebih oleh seberapa efektif mereka mengoordinasikan kolaborasi antara keahlian manusia dan kemampuan AI.

Mengapa kesiapan data masih menjadi hambatan besar, dan apa yang harus diprioritaskan oleh organisasi?

Data tetap menjadi salah satu hambatan terbesar untuk mewujudkan AI skala perusahaan karena AI hanya seefektif informasi yang dibangun di atasnya. Data yang terfragmentasi, tata kelola yang tidak konsisten, dan alur kerja yang tidak dirancang untuk lingkungan AI-Native terus menjaga banyak organisasi terjebak dalam mode pilot daripada menskala AI di seluruh bisnis.

Penelitian dari Return on AI Institute menemukan bahwa 55% eksekutif global menyebutkan kurangnya data yang siap AI sebagai penghambat terbesar untuk mewujudkan nilai dari AI. Ini memperkuat apa yang kami lihat dalam praktik: sebelum organisasi berinvestasi besar-besaran dalam aplikasi AI baru, mereka perlu memperlakukan data sebagai aset strategis yang dikelola, dengan kepemilikan yang jelas, tata kelola, standar kualitas, dan kepercayaan. AI menskala informasi apa pun yang diberikan, baik itu baik atau buruk.

Itulah mengapa AI-Native SAFe mengintegrasikan pengelolaan data yang terkurasi sebagai elemen struktural dari model operasional daripada memperlakukannya sebagai prasyarat atau tanggung jawab orang lain. Kesiapan data bukan hanya tantangan IT; itu adalah tantangan tata kelola dan model operasional yang secara langsung mempengaruhi kemampuan organisasi untuk menghasilkan nilai bisnis dari AI.

Bagaimana AI-Native SAFe membantu organisasi beralih dari mengukur output ke mengukur hasil?

AI membuatnya secara dramatis lebih mudah untuk menghasilkan output. Ketika eksekusi menjadi lebih cepat dan menos mahal, output saja menjadi ukuran kemajuan yang jauh lebih lemah. Keunggulan kompetitif sebenarnya bergeser ke mengukur apakah output tersebut menciptakan hasil bisnis yang berarti.

AI-Native SAFe dibangun di sekitar siklus pengembangan produk yang berfokus pada hasil. Ini menyediakan peran, praktik, dan tata kelola yang diperlukan untuk terus-menerus menghubungkan investasi AI dengan nilai bisnis yang terukur.

Penelitian yang sama dari Return on AI Institute mendukung pergeseran ini: organisasi yang secara teratur mengukur dan mengkomunikasikan nilai AI pada tingkat eksekutif dan dewan melaporkan pengembalian yang jauh lebih kuat pada investasi AI mereka. AI-Native SAFe membantu membuat disiplin berbasis hasil ini menjadi bagian kontinu dari cara perusahaan beroperasi.

Apa faktor yang harus dipertimbangkan oleh organisasi saat memutuskan untuk beralih ke AI-Native SAFe?

SAFe inti tetap menjadi model operasional yang tepat untuk banyak organisasi. AI-Native SAFe tidak dimaksudkan untuk menggantikannya; itu memperluasnya untuk organisasi yang model operasionalnya semakin dibentuk oleh AI.

Organisasi harus mempertimbangkan di mana AI menciptakan peluang yang berarti untuk merancang ulang pekerjaan daripada hanya mengotomatisasi kegiatan yang ada. Mereka harus mengevaluasi apakah tata kelola, praktik kepemimpinan, dan kemampuan data mereka siap untuk mendukung AI pada skala perusahaan.

Yang paling penting, ini bukanlah keputusan semua atau tidak sama sekali. AI-Native SAFe termasuk panduan adopsi sehingga organisasi dapat berkembang secara inkremental, mengadopsi praktik AI-Native SAFe.

Setiap organisasi memulai dari tempat yang berbeda, dan AI-Native SAFe dirancang untuk mendukung evolusi tersebut.

Apa bentuk perusahaan AI-Native yang sebenarnya pada tahun 2030?

Pada tahun 2030, organisasi berkinerja tertinggi tidak akan memikirkan AI sebagai masalah teknologi tetapi sebagai peluang bisnis. Ini akan menjadi integral dengan cara mereka bekerja, tetap kompetitif, dan mengirim nilai kepada pelanggan mereka.

Pemimpin manusia akan semakin mendefinisikan niat, membuat keputusan strategis, melatih penilaian, dan tetap bertanggung jawab atas hasil. Agen AI akan melakukan lebih banyak analisis, koordinasi, dan eksekusi yang sebelumnya memerlukan upaya manusia yang signifikan.

Apa yang akan membedakan pemimpin industri tidak akan menjadi akses ke AI; semua orang akan memiliki akses ke kemampuan AI yang kuat. Pembeda akan menjadi kualitas model operasional mereka: seberapa efektif mereka mengoordinasikan orang, AI, data, tata kelola, dan pembelajaran terus-menerus untuk menghasilkan hasil bisnis yang terukur pada skala.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Scaled Agile.