安德鲁·塞尔斯，Scaled Agile 首席产品官 – 采访系列

安德鲁·塞尔斯，Scaled Agile 首席产品官和首席方法学家，是一位经验丰富的精益、敏捷和DevOps领导者，他在过去的二十多年里帮助企业改变了他们交付价值的方式。在他的当前角色中，他指导产品策略和Scaled Agile Framework（SAFe）的演变，与全球组织合作，在企业规模上采用敏捷实践。加入Scaled Agile之前，塞尔斯曾在CA Technologies、Rally Software和Pearson担任高级领导和咨询职位，他曾为欧洲、中东和非洲的组织提供建议，涉及金融服务、电信、零售、软件和教育等行业的敏捷转型计划。

Scaled Agile, Inc. 是支持Scaled Agile Framework的公司，也就是广泛采用的SAFe框架，用于帮助企业在规模上应用精益、敏捷和DevOps实践。通过其框架、培训、认证计划、合作伙伴网络和SAFe Studio平台，Scaled Agile支持希望改善对齐、交付速度、产品质量、员工参与和业务敏捷性的组织。该公司报告称，SAFe已被全球20,000多家企业采用，并且超过100万专业人士已接受过该框架的培训。

大规模转型中哪些经验最直接影响了AI-Native SAFe的创建？

在过去的15年里，我们观察到20,000多家组织采用SAFe来解决一个基本挑战：在企业规模上协调复杂的产品开发。一个经验始终如一：精益和敏捷原则继续发挥作用。变化的是这些原则需要如何应用，因为技术的变化。

AI不会使这些原则过时；它改变了约束的位置。团队变得更小、更具AI增强能力，并且越来越专注于指导工作，而不是自己执行每个任务。决策周期正在压缩，人类判断和AI执行之间的交互变得越来越重要，决定了如何创造价值。

AI-Native SAFe建立在SAFe的成熟基础上，同时为新的现实演化了运营模式。它保留了对客户价值、跨功能协作、投资组合对齐和持续改进的关注，同时引入了新的方法来治理AI、管理数据作为战略资产以及在AI启用组织中建立问责制。

为什么传统的敏捷框架不再适用于AI时代？

传统的敏捷框架仍然非常有价值。发生变化的是它们所处的环境。

多年来，组织受到的限制是他们设计、构建和交付软件的速度。AI极大地改变了这个等式。正如一位客户最近告诉我们的那样，他们不再受限于他们可以构建东西的速度；他们受限于他们可以确定这些解决方案是否创造有意义的价值、是否安全部署以及是否与业务目标保持一致的速度。

瓶颈从生产转移到判断。从输出转移到结果。

组织现在需要运营模型来帮助他们不断评估价值、负责地治理AI并在人和AI之间协调工作。这是对传统敏捷实践的演变，而不是取代它们。

企业在尝试扩大AI计划时犯的最大的错误是什么？

第一个错误是把AI当作工具问题。绝大多数企业已经拥有比他们有效利用的更多的AI能力。

第二个错误是将AI叠加在现有的工作流上，而不质疑这些工作流是否应该存在。自动化低效的流程很少会产生转变。

第三个错误是把AI当作一个孤立的创新计划，而不是一个组织能力。可持续的AI采用需要对战略、治理、产品开发、运营实践和领导力进行改变，而不仅仅是部署另一个技术平台。

那些重新设计工作发生方式的组织会看到最大的影响。AI成为运营模型的一部分，而不是员工被期望使用的另一个工具。

AI价值建筑师填补了什么空白，它如何改变团队动态？

AI大大降低了创建解决方案的成本，但它并没有降低解决错误问题的成本。

AI价值建筑师的作用是帮助组织发现利用AI的机会，同时确保他们保持对业务结果的关注。这个角色有助于在组织投资于扩大AI驱动的能力之前，平衡客户价值、技术可行性、成本、治理、法律考虑和道德责任。

而不是成为另一个审批层，AI价值建筑师的角色在业务领导者、产品团队和技术组织之间创建了对齐，使得关于AI的决策既快速又更好地得到信息。它提供了一种在保持可衡量的业务价值的同时，平衡创新与责任的实用机制。

如何平衡创新速度与负责的AI监督？

治理不应该在创新之后发生；它应该被构建到运营模型中，以便创新可以安全、持续地发生。

大型企业一直需要平衡速度与问责。AI提高了这种平衡的重要性，因为AI系统引入了新的考虑，例如数据质量、透明度、偏见、合规性和组织责任。

AI-Native SAFe使治理显式化，而不是隐式化。它将治理纳入投资组合决策，提升数据管理为一流问题，保持人类在循环中，并引入了围绕AI问责的角色清晰度。当治理被构建到组织的工作方式中时，它就成为创新的一种促进因素，而不是一种限制因素。

未来五年中，企业团队结构将如何变化？

我们看到四种主要的变化正在高绩效组织中出现。

首先，人们越来越专注于定义意图和期望的结果，而不是手动执行每个任务。

第二，学习和实验周期由于AI加速了探索和反馈而变得极其快速。

第三，创新变得更加分散，因为AI降低了整个企业的实验成本。

最后，团队变得越来越具有AI增强能力，AI在交付中发挥着积极的作用，而不仅仅是另一个生产力工具。

在未来，AI-Native团队可能会根据他们如何有效地协调人类专业知识和AI能力来定义自己，而不是依靠人数。

为什么数据准备仍然是一个主要障碍，组织应该优先考虑什么？

数据仍然是实现企业规模AI的一个最大障碍，因为AI的有效性取决于其构建的信息。分散的数据、不一致的治理和不是为AI本地环境设计的工作流程继续使许多组织停留在试点模式，而不是在整个业务中扩大AI。

来自Return on AI Institute的研究发现，55%的全球高管认为缺乏AI就绪数据是实现AI价值的最大障碍。这强化了我们在实践中看到的内容：在组织大量投资新的AI应用之前，他们需要将数据视为战略资产，具有明确的所有权、治理、质量标准和信任。AI放大任何信息，无论是好还是坏。

这就是为什么AI-Native SAFe将精心管理的数据管理作为运营模型的结构元素，而不是将其视为先决条件或他人的责任。数据准备不仅仅是一个IT挑战；它是一个领导力和运营模型的挑战，这直接影响了组织从AI中产生业务价值的能力。

AI-Native SAFe如何帮助组织从衡量输出转变为衡量结果？

AI使得生成输出变得极其容易。随着执行变得更快、更便宜，输出本身成为衡量进步的较弱指标。真正的竞争优势转移到衡量这些输出是否创造有意义的业务结果。

AI-Native SAFe围绕着一个以结果为导向的产品开发周期构建。它提供了角色、实践和治理，以便在AI投资和可衡量的业务价值之间建立持续的联系。

同样的来自Return on AI Institute的研究支持这种转变：经常在高管和董事会层面衡量和传达AI价值的组织报告了他们的AI投资回报显著更强。AI-Native SAFe帮助使这种以结果为导向的纪律成为企业运营的持续部分。

组织在决定是否转向AI-Native SAFe时应该考虑哪些因素？

核心SAFe仍然是许多组织的正确运营模型。AI-Native SAFe不是用来取代它；它是为那些运营模型越来越受到AI影响的组织而扩展的。

组织应该考虑AI在哪里创造了有意义的机会来重新设计工作，而不是简单地自动化现有的活动。他们应该评估他们的治理、领导实践和数据能力是否准备好支持企业规模的AI。

最重要的是，这不是一个非此即彼的决定。AI-Native SAFe包括采用指导，因此组织可以逐渐演变，采用AI-Native SAFe实践。

每个组织都从不同的起点开始，AI-Native SAFe的设计支持这种演变。

2030年真正的AI本地企业会是什么样子？

到2030年，业绩最佳的组织不会把AI视为技术问题，而是把它视为业务机会。它将成为他们工作、保持竞争力和为客户提供价值的方式的一部分。

人类领导者将越来越多地定义意图、做出战略决策、行使判断并对结果负责。AI代理将执行更多的分析、协调和执行，这些任务以前需要大量的人力努力。

将区分行业领导者的不是对AI的访问权；每个人都将拥有强大的AI能力。区分者将是他们的运营模型的质量：他们如何有效地协调人、AI、数据、治理和持续学习，以在规模上交付可衡量的业务结果。

感谢这次伟大的采访，希望了解更多的读者可以访问Scaled Agile。