Andrew Sales, Chief Product Officer, Scaled Agile – Intervjuserie

Andrew Sales, Chief Product Officer och Chief Methodologist på Scaled Agile, är en erfaren Lean-, Agile- och DevOps-ledare som har tillbringat mer än två decennier med att hjälpa företag att förändra sättet de levererar värde på. I sin nuvarande roll vägleder han produktstrategin och utvecklingen av Scaled Agile Framework (SAFe), och arbetar med globala organisationer för att anta agila metoder i företagsstorlek. Innan han gick med i Scaled Agile, hade Sales ledande och konsultuppdrag på CA Technologies, Rally Software och Pearson, där han rådde organisationer i Europa, Mellanöstern och Afrika om agila transformationsinitiativ som omfattade finansiella tjänster, telekommunikation, detaljhandel, programvara och utbildning.

Scaled Agile, Inc. är företaget bakom Scaled Agile Framework, bättre känt som SAFe, ett allmänt antaget ramverk för att hjälpa företag att tillämpa Lean-, Agile- och DevOps-principer i stor skala. Genom sitt ramverk, utbildningsprogram, certifieringsprogram, partner­nätverk och SAFe Studio-plattform stöder Scaled Agile organisationer som vill förbättra samordning, leveranshastighet, produktkvalitet, anställdas engagemang och affärsagilitet. Företaget rapporterar att SAFe har antagits av mer än 20 000 företag globalt och att mer än en miljon proffs har utbildats i ramverket.

Vilka lärdomar från storskaliga transformationer har påverkat skapandet av AI-Native SAFe mest direkt?

Under de senaste 15 åren har vi sett mer än 20 000 organisationer anta SAFe för att lösa en grundläggande utmaning: att samordna komplex produktutveckling i företagsstorlek. En lärdom har förblivit förvånansvärt konsekvent: Lean- och Agile-principer fortsätter att fungera. Vad som förändras är hur dessa principer behöver tillämpas när tekniken förändras.

AI gör inte att dessa principer blir föråldrade; det förändrar var begränsningarna finns. Team blir mindre, mer AI-förstärkta och alltmer fokuserade på att styra arbetet snarare än att utföra varje uppgift själva. Beslutsprocesser komprimeras, och interaktionen mellan mänskligt omdöme och AI-exekvering blir central för hur värde skapas.

AI-Native SAFe bygger på den beprövade grunden av SAFe medan den utvecklar driftsmodellen för denna nya verklighet. Den bevarar fokuset på kundvärde, tvärfunktionellt samarbete, portföljjustering och kontinuerlig förbättring, samtidigt som den introducerar nya sätt att styra AI, hantera data som en strategisk tillgång och etablera ansvar i AI-aktiverade organisationer.

Varför är traditionella Agile-ramverk inte längre tillräckliga för AI-eran?

Traditionella Agile-ramverk förblir otroligt värdefulla. Vad som har förändrats är miljön de verkar inom.

Under många år var organisationer begränsade av hur snabbt de kunde designa, bygga och leverera programvara. AI förändrar dramatiskt den ekvationen. Som en kund nyligen sa till oss, är de inte längre begränsade av hur snabbt de kan bygga saker; de är begränsade av hur snabbt de kan avgöra om dessa lösningar skapar meningsfullt värde, är säkra att distribuera och överensstämmer med affärsmål.

Flaskhalsen har flyttats från produktion till omdöme. Från utdata till resultat.

Organisationer behöver nu driftsmodeller som hjälper dem att kontinuerligt utvärdera värde, styra AI på ett ansvarsfullt sätt och samordna arbete mellan människor och AI. Det är en utveckling bortom traditionella Agile-praktiker, inte en ersättning för dem.

Vilka är de största misstagen företag gör när de försöker skala upp AI-initiativ?

Det första misstaget är att behandla AI som ett verktygsproblem. De flesta företag har redan tillgång till fler AI-kapaciteter än de effektivt använder.

Det andra är att lägga till AI på befintliga arbetsflöden utan att ifrågasätta om dessa arbetsflöden borde existera från första början. Att automatisera ineffektiva processer producerar sällan en transformation.

Ett tredje misstag är att behandla AI som en isolerad innovationsinitiativ snarare än en organisationsförmåga. Hållbar AI-antagning kräver förändringar i strategi, styrning, produktutveckling, driftsmodell och ledarskap, inte bara distribution av en annan teknologiplattform.

Organisationer som ser den största påverkan omformar hur arbetet sker. AI blir en del av driftsmodellen snarare än ett verktyg som anställda förväntas använda.

Vilken lucka fyller AI Value Architect, och hur förändrar den teamdynamiken?

AI sänker dramatiskt kostnaden för att skapa lösningar, men det sänker inte kostnaden för att lösa fel problem.

AI Value Architect finns för att hjälpa organisationer att upptäcka möjligheter för att utnyttja AI samtidigt som de håller fokus på affärsresultat. Denna roll hjälper till att balansera kundvärde, teknisk genomförbarhet, kostnad, styrning, juridiska överväganden och etiskt ansvar innan organisationer investerar i att skala upp AI-aktiverade funktioner.

Som ett alternativ till att bli en annan godkännandeprocess skapar AI Value Architect-rollen en samordning mellan affärsledare, produktteam och tekniska organisationer så att beslut om AI är både snabbare och bättre informerade. Den tillhandahåller ett praktiskt mekanism för att balansera innovation med ansvar samtidigt som den håller mätbara affärsresultat i centrum för varje AI-investering.

Hur balanserar du innovationshastighet med ansvarsfull AI-övervakning?

Styrning bör inte vara något som händer efter innovation. Det bör byggas in i driftsmodellen så att innovation kan ske på ett säkert och kontinuerligt sätt.

Stora företag har alltid behövt balansera hastighet med ansvar. AI ökar vikten av den balansen eftersom AI-system introducerar nya överväganden kring datakvalitet, transparens, fördomar, regelefterlevnad och organisationsansvar.

AI-Native SAFe gör styrning explicit snarare än implicit. Den inkorporerar styrning i portföljbeslut, höjer datahantering till en första klassens angelägenhet, håller människan i loopet och introducerar rolltydlighet kring AI-ansvar. När styrning är inbäddad i hur organisationer fungerar, blir det en möjliggörare för innovation snarare än en begränsning.

Hur kommer företags teamstrukturer att förändras under de närmaste fem åren?

Vi ser fyra stora förändringar som uppstår över högpresterande organisationer.

För det första fokuserar människor alltmer på att definiera avsikt och önskade resultat snarare än att utföra varje uppgift manuellt.

För det andra blir lärande- och experimentcyklerna dramatiskt snabbare när AI accelererar utforskning och feedback.

För det tredje blir innovation mer distribuerad eftersom AI sänker kostnaden för experiment över hela företaget.

Slutligen blir team alltmer AI-förstärkta, med AI som en aktiv deltagare i leverans snarare än bara ett produktivitetsverktyg.

I framtiden kommer AI-Native-team sannolikt att definieras mindre av personalstyrka och mer av hur effektivt de samordnar samarbete mellan mänsklig expertis och AI-kapacitet.

Varför är databeredskap fortfarande ett sådant stort hinder, och vad bör organisationer prioritera?

Data förblir en av de största barriärerna för att förverkliga företagsstorlek AI eftersom AI bara är så effektiv som den information den byggs på. Fragmenterad data, inkonsekvent styrning och arbetsflöden som inte är utformade för en AI-nativ miljö fortsätter att hålla många organisationer fast i pilotläge snarare än att skala upp AI över hela verksamheten.

Forskning från Return on AI Institute fann att 55% av globala chefer anger bristen på AI-klar data som den största hämmaren för att förverkliga värde från AI. Det förstärker vad vi ser i praktiken: innan organisationer investerar kraftigt i nya AI-applikationer, måste de behandla data som en hanterad strategisk tillgång, med tydligt ägandeskap, styrning, kvalitetsstandarder och förtroende. AI skalar vad som helst information den får, oavsett om det är bra eller dåligt.

Det är därför AI-Native SAFe inkorporerar kuraterad datahantering som en strukturdel av driftsmodellen snarare än att behandla den som en förutsättning eller någon annans ansvar. Databeredskap är inte bara en IT-utmaning; det är en lednings- och driftsmodellutmaning som direkt påverkar en organisations förmåga att generera affärsresultat från AI.

Hur hjälper AI-Native SAFe organisationer att skifta från att mäta utdata till att mäta resultat?

AI gör det dramatiskt enklare att generera utdata. När exekvering blir snabbare och billigare, blir utdata ensamma en mycket svagare mått på framsteg. Den riktiga konkurrensfördelen skiftar till att mäta om dessa utdata skapar meningsfulla affärsresultat.

AI-Native SAFe är byggt kring en resultatorienterad produktutvecklingscykel. Den tillhandahåller de roller, praktiker och styrning som behövs för att kontinuerligt ansluta AI-investeringar till mätbara affärsresultat.

Samma forskning från Return on AI Institute stöder denna skift: organisationer som regelbundet mäter och kommunicerar värdet av AI på lednings- och styrelsenivå rapporterar betydligt starkare avkastning på sina AI-investeringar. AI-Native SAFe hjälper till att göra den resultatorienterade disciplinen en kontinuerlig del av hur företaget fungerar.

Vilka faktorer bör organisationer överväga när de bestämmer sig för att gå över till AI-Native SAFe?

Kärn-SAFe förblir den rätta driftsmodellen för många organisationer. AI-Native SAFe är inte avsett att ersätta den; det utvidgar den för organisationer vars driftsmodell alltmer formas av AI.

Organisationer bör överväga var AI skapar meningsfulla möjligheter att omforma arbetet snarare än att bara automatisera befintliga aktiviteter. De bör utvärdera om deras styrning, ledningspraktiker och dataförmågor är redo att stödja AI i företagsstorlek.

Det viktigaste är att detta inte är ett antingen-eller-beslut. AI-Native SAFe innehåller antagningsvägledning så att organisationer kan utvecklas inkrementellt, anta AI-Native SAFe-praktiker.

Varje organisation börjar från en annan plats, och AI-Native SAFe är utformat för att stödja den utvecklingen.

Vad ser en riktigt AI-nativ företagsstruktur ut som i 2030?

År 2030 kommer de högpresterande organisationerna inte att tänka på AI som ett tekniskt problem, utan som en affärsmöjlighet. Det kommer att bli en integrerad del av hur de arbetar, förblir konkurrenskraftiga och levererar värde till sina kunder.

Mänskliga ledare kommer att alltmer definiera avsikt, fatta strategiska beslut, öva omdöme och förbli ansvariga för resultat. AI-agenter kommer att utföra mer av analysen, samordningen och exekveringen som tidigare krävde betydande mänskligt arbete.

Vad som kommer att skilja branschledare åt kommer inte att vara tillgång till AI; alla kommer att ha tillgång till kraftfulla AI-kapaciteter. Differentieraren kommer att vara kvaliteten på deras driftsmodell: hur effektivt de samordnar människor, AI, data, styrning och kontinuerligt lärande för att leverera mätbara affärsresultat i stor skala.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Scaled Agile.