อンドรู เซลส์, ประธานฝ่ายผลิตภัณฑ์, Scaled Agile – สัมภาษณ์ซีรีส์

อันดรู เซลส์ ประธานฝ่ายผลิตภัณฑ์และประธานฝ่ายวิธีการของ Scaled Agile มีประสบการณ์เป็นผู้นำด้าน Lean, Agile และ DevOps มากกว่า 20 ปีในการช่วยให้ธุรกิจเปลี่ยนแปลงวิธีการส่งมอบคุณค่า ในบทบาทปัจจุบันของเขา เขาเป็นผู้นำกลยุทธ์ผลิตภัณฑ์และพัฒนารูปแบบ Scaled Agile Framework (SAFe) โดยทำงานร่วมกับองค์กรระดับโลกเพื่อนำแนวทางปฏิบัติ Agile ไปใช้ในระดับองค์กร ก่อนที่จะเข้าร่วม Scaled Agile เซลส์曾ดำรงตำแหน่งผู้นำและที่ปรึกษาอาวุโสที่ CA Technologies, Rally Software และ Pearson โดยให้คำแนะนำแก่องค์กรต่างๆ ทั่วยุโรป ตะวันออกกลาง และแอฟริกา ในการเปลี่ยนแปลง Agile ที่ครอบคลุมด้านการเงิน การสื่อสาร ค้าปลีก ซอฟต์แวร์ และการศึกษา

Scaled Agile, Inc. เป็นบริษัทที่อยู่เบื้องหลัง Scaled Agile Framework หรือที่รู้จักกันในชื่อ SAFe ซึ่งเป็นเฟรมเวิร์กที่ได้รับการยอมรับอย่างกว้างขวางสำหรับการช่วยให้องค์กรนำแนวทางปฏิบัติ Lean, Agile และ DevOps ไปใช้ในระดับองค์กร โดยผ่านเฟรมเวิร์ก การฝึกอบรม โปรแกรมการรับรอง เครือข่ายพันธมิตร และแพลตฟอร์ม SAFe Studio Scaled Agile สนับสนุนองค์กรที่ต้องการปรับปรุงการประสานงาน ความเร็วในการส่งมอบ คุณภาพผลิตภัณฑ์ การมีส่วนร่วมของพนักงาน และความยืดหยุ่นทางธุรกิจ บริษัทรายงานว่า SAFe ได้รับการนำไปใช้โดยมากกว่า 20,000 องค์กรทั่วโลก และมีมากกว่า 1 ล้านมืออาชีพที่ได้รับการฝึกอบรมในเฟรมเวิร์ก

บทเรียนจากการเปลี่ยนแปลงขนาดใหญ่ที่ส่งผลกระทบต่อการสร้าง AI-Native SAFe มากที่สุดคืออะไร?

ในช่วง 15 ปีที่ผ่านมา เราได้เห็นมากกว่า 20,000 องค์กรนำ SAFe ไปใช้เพื่อแก้ไขความท้าทายพื้นฐานหนึ่งประการ: การประสานงานพัฒนาผลิตภัณฑ์ที่ซับซ้อนในระดับองค์กร บทเรียนหนึ่งที่ยังคงสม่ำเสมอคือ หลักการ Lean และ Agile ยังคงทำงานได้ สิ่งที่เปลี่ยนแปลงคือวิธีการนำหลักการเหล่านั้นไปใช้เมื่อเทคโนโลยีเปลี่ยนแปลง

AI ไม่ทำให้หลักการเหล่านั้นล้าสมัย แต่เปลี่ยนจุดจำกัดของทีม ทีมงานกำลัง变得เล็กลง มีการเสริมด้วย AI มากขึ้น และมุ่งเน้นไปที่การกำกับงานมากกว่าการปฏิบัติงานทุกอย่างด้วยตนเอง วงจรการตัดสินใจกำลังถูกบีบอัด และการโต้ตอบระหว่างการตัดสินใจของมนุษย์และการดำเนินการของ AI กำลังเป็นสิ่งสำคัญในการสร้างคุณค่า

AI-Native SAFe สร้างบนพื้นฐานที่มั่นคงของ SAFe ในขณะเดียวกันก็พัฒนาโมเดลการดำเนินงานสำหรับโลกใหม่นี้ มันรักษาการมุ่งเน้นไปที่คุณค่าของลูกค้า การทำงานร่วมกันข้ามฟังก์ชัน การจัดตำแหน่งพอร์ตโฟลิโอ และการปรับปรุงอย่างต่อเนื่อง ในขณะเดียวกันก็แนะนำวิธีการใหม่ๆ ในการกำกับดูแล AI การจัดการข้อมูลเป็นสินทรัพย์เชิงกลยุทธ์ และการสร้างความรับผิดชอบในองค์กรที่ใช้ AI

ทำไมเฟรมเวิร์ก Agile แบบดั้งเดิมจึงไม่เพียงพอสำหรับยุค AI แล้ว?

เฟรมเวิร์ก Agile แบบดั้งเดิมยังคงมีคุณค่าอย่างมาก สิ่งที่เปลี่ยนแปลงคือสภาพแวดล้อมที่พวกมันทำงาน

ในช่วงหลายปีที่ผ่านมา องค์กรต่างๆ ถูกจำกัดด้วยความเร็วในการออกแบบ สร้าง และส่งมอบซอฟต์แวร์ AI เปลี่ยนแปลงสมการนั้นอย่างมาก ลูกค้าคนหนึ่งบอกเราว่าพวกเขาไม่ได้ถูกจำกัดด้วยความเร็วในการสร้างสิ่งต่างๆ แต่ถูกจำกัดด้วยความเร็วในการตัดสินใจว่าโซลูชันเหล่านั้นสร้างคุณค่าที่มีความหมาย เป็นมิตรต่อการนำไปใช้ และสอดคล้องกับวัตถุประสงค์ทางธุรกิจ

จุดอัดตัวได้เปลี่ยนจากการผลิตไปสู่การตัดสินใจ จากผลผลิตไปสู่ผลลัพธ์

องค์กรต่างๆ ต้องการโมเดลการดำเนินงานที่ช่วยให้พวกเขาประเมินคุณค่าอย่างต่อเนื่อง กำกับดูแล AI อย่างรับผิดชอบ และประสานงานระหว่างคนและ AI นั่นคือการเปลี่ยนแปลงที่เหนือกว่าการปฏิบัติ Agile แบบดั้งเดิม ไม่ใช่การแทนที่

ความผิดพลาดที่ใหญ่ที่สุดขององค์กรคืออะไรเมื่อพยายามขยายโครงการ AI?

ความผิดพลาดแรกคือการรักษา AI เป็นปัญหาเครื่องมือ ส่วนใหญ่องค์กรมีการเข้าถึงความสามารถ AI มากกว่าที่พวกเขาใช้อย่างมีประสิทธิภาพ

ความผิดพลาดที่สองคือการวาง AI ลงบนกระบวนงานที่มีอยู่โดยไม่ตั้งคำถามว่ากระบวนงานเหล่านั้นควรจะดำรงอยู่หรือไม่ การทำให้กระบวนการที่ไม่มีประสิทธิภาพเป็นอัตโนมัติแทบจะไม่เคยสร้างการเปลี่ยนแปลง

ความผิดพลาดที่สามคือการรักษา AI เป็นโครงการนวัตกรรมที่แยกออกมาแทนความสามารถขององค์กร การนำ AI ไปใช้อย่างยั่งยืนต้องการการเปลี่ยนแปลงในกลยุทธ์ การกำกับดูแล การพัฒนาผลิตภัณฑ์ การปฏิบัติงาน และการนำของทีม ไม่ใช่แค่การนำเทคโนโลยีใหม่มาใช้

องค์กรที่มีผลกระทบมากที่สุดคือการออกแบบวิธีการทำงานใหม่ AI กลายเป็นส่วนหนึ่งของโมเดลการดำเนินงานแทนการเป็นเพียงเครื่องมือที่พนักงานคาดหวังให้ใช้

ช่องว่างที่ AI Value Architect เติมคืออะไร และมันเปลี่ยนแปลงพลวัตทีมอย่างไร?

AI ลดต้นทุนในการสร้างโซลูชัน แต่ไม่ลดต้นทุนในการแก้ปัญหาที่ไม่ถูกต้อง

AI Value Architect มีบทบาทในการช่วยให้องค์กรค้นหาความเป็นไปได้ในการใช้ AI ในขณะเดียวกันก็รักษาความมุ่งเน้นไปที่ผลลัพธ์ทางธุรกิจ บทบาทนี้ช่วยสร้างความสมดุลระหว่างคุณค่าของลูกค้า ความเป็นไปได้ทางเทคนิค ต้นทุน การกำกับดูแล การพิจารณาทางกฎหมาย และความรับผิดชอบทางจริยธรรม ก่อนที่องค์กรจะลงทุนในการขยายความสามารถของ AI

แทนที่จะเป็นอีกชั้นหนึ่งของการอนุมัติ บทบาท AI Value Architect สร้างความสอดคล้องกันระหว่างผู้นำธุรกิจ ทีมผลิตภัณฑ์ และองค์กรทางเทคนิค เพื่อให้การตัดสินใจเกี่ยวกับ AI เป็นทั้งเร็วและเป็นข้อมูลที่ดีขึ้น มันให้กลไกที่เป็นประโยชน์ในการสร้างสมดุลระหว่างนวัตกรรมและความรับผิดชอบ ในขณะเดียวกันก็รักษาคุณค่าทางธุรกิจที่วัดได้เป็นศูนย์กลางของการลงทุน AI ทุกครั้ง

คุณสร้างสมดุลระหว่างความเร็วของนวัตกรรมและความรับผิดชอบของ AI อย่างไร?

การกำกับดูแลไม่ควรเกิดขึ้นหลังนวัตกรรม มันควรจะถูกสร้างเข้าไปในโมเดลการดำเนินงานเพื่อให้สามารถสร้างนวัตกรรมได้อย่างปลอดภัยและต่อเนื่อง

องค์กรขนาดใหญ่จำเป็นต้องสร้างสมดุลระหว่างความเร็วและความรับผิดชอบเสมอ AI เพิ่มความสำคัญของสมดุลนั้นเพราะระบบ AI นำเสนอการพิจารณาใหม่ๆ เกี่ยวกับคุณภาพข้อมูล ความโปร่งใสา ความเอนเอียง การปฏิบัติตามกฎระเบียบ และความรับผิดชอบขององค์กร

AI-Native SAFe ทำให้การกำกับดูแลเป็นเรื่องชัดเจนมากกว่าที่จะซ่อนอยู่ มันรวมการกำกับดูแลเข้ากับการตัดสินใจพอร์ตโฟลิโอ ยกระดับการจัดการข้อมูลให้เป็นเรื่องสำคัญ และสร้างความชัดเจนเกี่ยวกับบทบาทความรับผิดชอบของ AI เมื่อการกำกับดูแลถูกฝังเข้าไปในกระบวนการทำงานขององค์กร มันจะกลายเป็นตัวช่วยในการสร้างนวัตกรรมมากกว่าที่จะเป็นข้อจำกัด

คุณคาดหวังว่าโครงสร้างทีมขององค์กรจะเปลี่ยนแปลงไปอย่างไรในช่วง 5 ปีถัดไป?

เรามองเห็นความเปลี่ยนแปลง 4 ประการกำลังเกิดขึ้นในองค์กรที่มีประสิทธิภาพสูง

ประการแรก คนที่มุ่งเน้นไปที่การกำหนดเจตนาและผลลัพธ์ที่ต้องการมากกว่าการปฏิบัติงานทุกอย่างด้วยตนเอง

ประการที่สอง วงจรการเรียนรู้และทดลองเร็วขึ้นอย่างมากเนื่องจาก AI เร่งการสำรวจและรับข้อมูลย้อนกลับ

ประการที่สาม การนวัตกรรมจะกระจายมากขึ้นเพราะ AI ลดต้นทุนในการทดลองในองค์กร

ประการที่สี่ ทีมงานจะเสริมด้วย AI มากขึ้น โดย AI จะเป็นผู้เข้าร่วมที่กระตือรือร้นในการส่งมอบมากกว่าแค่เครื่องมือเพิ่มประสิทธิภาพ

ในอนาคต ทีม AI-Native มีแนวโน้มที่จะถูกกำหนดโดยความสามารถในการประสานงานระหว่างความเชี่ยวชาญของมนุษย์และความสามารถของ AI มากกว่าที่จะถูกกำหนดโดยจำนวนพนักงาน

ทำไมการเตรียมข้อมูลยังคงเป็นอุปสรรคสำคัญ และสิ่งที่องค์กรควรจัดลำดับความสำคัญคืออะไร?

ข้อมูลยังคงเป็นหนึ่งในอุปสรรคที่ใหญ่ที่สุดในการนำ AI ไปใช้ในระดับองค์กร เพราะ AI มีประสิทธิภาพเท่ากับข้อมูลที่ใช้ในการสร้างมันขึ้น ข้อมูลที่กระจัดกระจาย การกำกับดูแลที่ไม่สอดคล้องกัน และกระบวนงานที่ไม่ได้ออกแบบสำหรับสภาพแวดล้อม AI-Native ยังคงทำให้องค์กรจำนวนมากติดอยู่ในโหมดทดลองมากกว่าที่จะขยาย AI ไปทั่วทั้งธุรกิจ

การวิจัยจาก Return on AI Institute พบว่า 55% ของผู้บริหารระดับโลกอ้างว่าขาดข้อมูลที่พร้อมสำหรับ AI เป็นอุปสรรคที่ใหญ่ที่สุดในการรับผลตอบแทนจาก AI ซึ่งเสริมสิ่งที่เราพบในการปฏิบัติ: ก่อนที่องค์กรจะลงทุนอย่างมากในแอปพลิเคชัน AI ใหม่ๆ พวกเขาต้องปฏิบัติต่อข้อมูลเป็นสินทรัพย์เชิงกลยุทธ์ที่มีการจัดการชัดเจน มีการกำกับดูแล มาตรฐานคุณภาพ และความเชื่อมั่น AI ขยายข้อมูลที่ให้มา ไม่ว่ามันจะดีหรือไม่ดี

นั่นเป็นเหตุผลที่ AI-Native SAFe รวมการจัดการข้อมูลที่คัดสรรมาเป็นองค์ประกอบโครงสร้างของโมเดลการดำเนินงาน แทนที่จะรักษามันเป็นข้อกำหนดหรือความรับผิดชอบของคนอื่น ความพร้อมของข้อมูลไม่ใช่แค่ความท้าทายของ IT แต่เป็นความท้าทายด้านความเป็นผู้นำและโมเดลการดำเนินงานที่ส่งผลกระทบโดยตรงต่อความสามารถขององค์กรในการสร้างคุณค่าทางธุรกิจจาก AI

AI-Native SAFe ช่วยให้องค์กรเปลี่ยนจากการวัดผลผลิตไปสู่การวัดผลลัพธ์อย่างไร?

AI ทำให้การสร้างผลผลิตง่ายขึ้นอย่างมาก เมื่อการดำเนินการเร็วขึ้นและราคาถูกกว่า ผลผลิตเพียงอย่างเดียวกลายเป็นตัววัดความก้าวหน้าที่อ่อนแอจริงๆ ความได้เปรียบทางการแข่งขันเปลี่ยนไปสู่การวัดว่าผลผลิตเหล่านั้นสร้างผลลัพธ์ทางธุรกิจที่มีความหมาย

AI-Native SAFe ถูกสร้างขึ้นรอบๆ วงจรพัฒนาผลิตภัณฑ์ที่ขับเคลื่อนด้วยผลลัพธ์ มันให้บทบาท การปฏิบัติ และการกำกับดูแลที่จำเป็นในการเชื่อมโยงการลงทุน AI กับคุณค่าทางธุรกิจที่วัดได้อย่างต่อเนื่อง

การวิจัยเดียวกันจาก Return on AI Institute สนับสนุนการเปลี่ยนแปลงนี้: องค์กรที่วัดและรายงานคุณค่าของ AI ที่ระดับผู้บริหารและคณะกรรมการอย่างสม่ำเสมอ รายงานผลตอบแทนจากการลงทุน AI ที่แข็งแกร่งกว่า AI-Native SAFe ช่วยให้วินัยในการวัดผลลัพธ์นี้เป็นส่วนหนึ่งของการดำเนินงานขององค์กรอย่างต่อเนื่อง

ปัจจัยใดที่องค์กรควรพิจารณาเมื่อตัดสินใจว่าจะเปลี่ยนไปใช้ AI-Native SAFe หรือไม่?

SAFe 核心ยังคงเป็นโมเดลการดำเนินงานที่เหมาะสมสำหรับหลายองค์กร AI-Native SAFe ไม่ได้มีจุดมุ่งหมายเพื่อทดแทน แต่ขยายออกไปสำหรับองค์กรที่โมเดลการดำเนินงานถูกกำหนดโดย AI มากขึ้น

องค์กรควรพิจารณาว่า AI สร้างโอกาสที่มีความหมายในการออกแบบงานใหม่แทนการเพียงแต่อัตโนมัติกระบวนการกิจกรรมที่มีอยู่ พวกเขาควรประเมินว่าการกำกับดูแล การปฏิบัติความเป็นผู้นำ และความสามารถด้านข้อมูลพร้อมที่จะสนับสนุน AI ในระดับองค์กรหรือไม่

สิ่งที่สำคัญที่สุดคือการตัดสินใจนี้ไม่ใช่แบบทั้งหรือไม่มี AI-Native SAFe มีคำแนะนำในการนำไปใช้เพื่อให้องค์กรสามารถพัฒนาไปอย่างค่อยเป็นค่อยไป โดยการนำแนวปฏิบัติของ AI-Native SAFe ไปใช้

ทุกองค์กรเริ่มต้นจากจุดต่างๆ และ AI-Native SAFe ได้รับการออกแบบเพื่อสนับสนุนการเปลี่ยนแปลงนั้น

องค์กรที่เป็น AI-Native จริงๆ ในปี 2030 จะมีลักษณะอย่างไร?

ในปี 2030 องค์กรที่มีประสิทธิภาพสูงสุดจะไม่คิดถึง AI เป็นปัญหาเทคโนโลยี แต่เป็นโอกาสทางธุรกิจ AI จะกลายเป็นส่วนหนึ่งของวิธีการทำงาน การแข่งขัน และการมอบคุณค่าให้กับลูกค้า

ผู้นำมนุษย์จะกำหนดเจตนา ตัดสินใจเชิงกลยุทธ์ ใช้วิจารณญาณ และรับผิดชอบต่อผลลัพธ์ ตัวแทน AI จะดำเนินการวิเคราะห์ การประสานงาน และการดำเนินการมากขึ้นที่เคยต้องใช้ความพยายามของมนุษย์

สิ่งที่จะแยกผู้นำในอุตสาหกรรมไม่ใช่การเข้าถึง AI ทุกคนจะมีการเข้าถึง AI ที่ทรงพลัง ความแตกต่างจะอยู่ที่คุณภาพของโมเดลการดำเนินงาน: วิธีการประสานงานระหว่างคน AI ข้อมูล การกำกับดูแล และการเรียนรู้อย่างต่อเนื่องเพื่อนำไปสู่ผลลัพธ์ทางธุรกิจที่วัดได้ในระดับใหญ่ ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Scaled Agile เพื่อเรียนรู้เพิ่มเติม