De techniek is er klaar voor! Jouw Scrum -team ook?

In de afgelopen jaren zijn grote technologiebedrijven zoals IBM en Microsoft begonnen met het integreren van AI in hun Scrum -beleid. Dit heeft aanzienlijke invloed gehad op hoe hun teams opereren en projecten uitvoeren (Appugliese et al., 2020; Baroni, 2018). AI-tools worden bijvoorbeeld ingezet om sprintplanningen te optimaliseren, bugs op te sporen en mogelijke obstakels en afhankelijkheden te voorspellen. Hierdoor werken de teams sneller en nauwkeuriger, wat leidt tot een verhoogde snelheid en kwaliteit van opgeleverde functionaliteiten. Deze voorbeelden laten zien dat AI niet alleen een ondersteunende rol vervult, maar ook een transformatie teweegbrengt in de Scrum-wereld.

Ook bij YNNO zien we deze ontwikkeling. De integratie van AI in Scrum heeft een aanzienlijke invloed op de werkwijze binnen Scrum- tteams en kan deze zelfs compleet veranderen. In dit artikel verkennen we de impact van AI op Scrum en welke uitdagingen dit met zich meebrengt. Ook beschrijven we hoe een Scrum-team met deze uitdagingen kan omgaan.

Uitdaging 1: effectiviteit van AI versus kwaliteit van uitkomsten

Een Scrum -team kan AI-tools, zoals large language models (modellen die grote hoeveelheden tekst verwerken), gebruiken voor het identificeren van processen op basis van aangeleverde documentatie, het toetsen van de kwaliteit van data en het beredeneren van mogelijke procesoptimalisaties (Vidgof et al., 2023). Deze tools kunnen diverse rollen binnen een Scrum -team ondersteunen.

Het samenspel tussen de werkzaamheden van mensen en AI-tooling vereist vertrouwen in AI-gedreven (beslissings)systemen. Dit roept echter ook ethische vragen op, zoals hoe mens en AI het beste kunnen samenwerken en hoe om te gaan met mogelijke vooringenomenheid (bias) of hallucinaties in AI-uitkomsten (Deloitte, 2020; Rawte et al., 2023; Winfield & Jirotka, 2018).

Voor het Scrum-team is het daarom essentieel om AI-resultaten zorgvuldig te beoordelen en kritisch te blijven. Leidinggevenden kunnen hierbij ondersteunen door een AI-ethiekbeleid te implementeren (Blackman, 2020; Winfield & Jirotka, 2018), gericht op het waarborgen van eerlijkheid, verantwoording en transparantie in AI-gestuurde beslissingen en processen. Een belangrijk uitgangspunt is dat het altijd mogelijk moet zijn om te achterhalen waarom een autonoom systeem een bepaalde beslissing heeft genomen (TNO, 2013). Daarnaast kan het aanbieden van trainingen over het evalueren van AI-resultaten het Scrum -team verder ondersteunen.

Uitdaging 2: tijd versus kwaliteit van teamverbindingen

Een andere uitdaging is de impact van AI op menselijke verbinding. Enerzijds kan AI-tooling zo efficiënt worden ingezet dat er meer tijd vrijkomt voor zinvolle menselijke interacties. AI-tooling kan bijvoorbeeld helpen bij het samenvatten van documentatie, het leveren van gedetailleerde beschrijvingen van modellen en het formuleren van requirements voor user stories. Dit creëert ruimte voor activiteiten waarbij mensen samenkomen, zoals ontwerpsessies en discussies.

Anderzijds verwacht 41% van de werkgevers dat AI-tooling de menselijke verbinding zal verminderen (Deloitte, 2023). Dit kan gebeuren wanneer er een te grote afhankelijkheid van AI-input ontstaat, waardoor input uit menselijke discussies en ontwerpsessies naar de achtergrond verdwijnt, wat de interactie binnen het team kan verminderen (Deloitte, 2023). Het is aan de Scrum Master om dit goed te begeleiden, zodat er een balans blijft tussen het gebruik van AI-tooling en de essentiële interactie binnen het Scrum-team.

Omgaan met uitdagingen binnen het Scrum -proces

Er zijn verschillende manieren waarop een Scrum -team kan omgaan met de bovengenoemde uitdagingen. Denk hierbij aan:

  1. Het introduceren van AI-tooling als bespreekpunt in de sprintplanning, stand-up, definition of done of sprint review. Het team bespreekt waar en wanneer AI-tooling ingezet kan worden, welke specifieke tools gebruikt worden en hoe dit op een verantwoorde manier kan gebeuren. Zo blijft het team elkaar informeren en worden mogelijke belemmeringen (zoals ethische kwesties of de kwaliteit van uitkomsten) tijdens de sprint besproken.
  2. Het evalueren van AI-tooling tijdens de Retrospective. Het team bespreekt de ervaringen met het gebruik van AI-tooling gedurende de sprint. Daarnaast kan het onderwerp breder worden besproken, door te onderzoeken in hoeverre de AI-tooling relevant is en ondersteuning biedt bij het analyse- of ontwikkelproces (Zhang et al., 2024).
  3. Het bepalen van de toepassing van AI-tooling voor routinetaken of terugkerende overleggen. Verschillende tools helpen bij het structureren en organiseren van taken of overleggen en doen aanbevelingen om deze efficiënter uit te voeren. Zo krijgt het Scrum team tijdens de sprint meer tijd en ruimte voor discussies en het ontwikkelen van creatieve oplossingen (Cabrero-Daniel et al., 2024; Microsoft, 2019).

Conclusie: de impact van AI op Scrum teams

In dit artikel is besproken wat de impact is van AI op het Scrum proces en de werkwijze van Scrum teams. Enerzijds biedt de integratie van AI aanzienlijke voordelen, zoals een verhoogde efficiëntie en verbeterde werkkwaliteit. Anderzijds brengt het ook uitdagingen met zich mee, zoals de balans tussen effectiviteit en kwaliteit en de impact op menselijke interacties binnen teams. Het is van cruciaal belang dat Scrum-teams zorgvuldig omgaan met AI, door zowel ethische kaders te waarborgen als te blijven investeren in menselijke verbindingen. Door AI-tooling op een bewuste en verantwoorde manier te integreren en regelmatig te evalueren, kunnen teams de voordelen van AI benutten zonder afbreuk te doen aan de kernwaarden van Scrum.

Kadertekst

YNNO is dé partij die organisaties vanuit een integrale aanpak begeleidt bij het realiseren van hun ambities om met AI aan de slag te gaan. Onze missie is om organisaties te helpen starten en navigeren in de wereld van AI, met een focus op digitale transformatie. In nauwe samenwerking met u als klant zetten we uw unieke behoeften om in uitvoerbare procesontwerpen, ondersteund door AI-tools. Door middel van iteratieve workshops en diepgaande discussies verfijnen we deze ontwerpen tot gedetailleerde, robuuste procesdefinities die aansluiten bij uw organisatiedoelen en markteisen, onder andere door het gebruik van AI-tools zoals Pega Blueprint. Daarnaast ondersteunen wij u bij gedigitaliseerde processen om te onderzoeken welke optimalisatiemogelijkheden er zijn en helpen we u deze mogelijkheden te realiseren.

YNNO biedt verschillende diensten en producten aan waarbij we uw situatie als klant analyseren op de mogelijkheden die AI biedt voor digitale transformaties of optimalisaties. Zo bieden wij de Pega Blueprint Essentials Workshop aan, waarin we laten zien hoe dit product strategisch kan worden ingezet om bedrijfsprocessen te stroomlijnen en te verbeteren. Ook is er de Readiness Scan voor AI, bedoeld om de essentiële stappen te identificeren die nodig zijn om de capaciteiten van Pega Blueprint binnen uw organisatie effectief te benutten. Verder is er de Procesverbeteringsscan met AI, die zich richt op het evalueren van uw bestaande digitale processen vanuit de mogelijkheden die Pega biedt. Ten slotte bieden we de dienst AI-proof maken van Organisatieprocessen aan, waarbij uw huidige softwareproductieproces grondig wordt geanalyseerd en de impact van Pega duidelijk wordt, zowel wat betreft procestempo als veranderende rollen binnen uw teams.

In het verlengde hiervan levert YNNO, binnen het samenwerkingsverband 1DigitalNL, ook leden voor scrumteams, zoals business analisten, scrum masters en product owners. Zij hebben kennis van en ervaring met de inzet van AI in deze rollen. YNNO levert deze diensten vanuit onze rol als adviseur, project- en programmamanager, en als begeleider en facilitator van trainingen en workshops.

Bronnenlijst
Appugliese, A., Nathan, P. & S. Roberts, W. (2020). Agile AI A Practical Guide to Building AI Applications and Teams. O’Reilly Media, Inc.
Baroni, K. (2018, 20 september). Getting AI/ML and DevOps working better together. Geraadpleegd op 09 augustus, van Getting AI/ML and DevOps working better together | Microsoft Azure Blog
Blackman, R. (2020). A Practical Guide to Building Ethical AI. https://hbr.org/2020/10/a-practical-guide-to-building-ethical-ai
Cabrero-Daniel, B., Herda, T., Pichler, V., & Eder, M. (2024, May). Exploring Human-AI Collaboration in Agile: Customised LLM Meeting Assistants. In International Conference on Agile Software Development (pp. 163-178). Cham: Springer Nature Switzerland.
Deloitte, 2020. https://www2.deloitte.com/content/dam/Deloitte/nl/Documents/public-sector/deloitte-nl-ps-government-trends-trend4.pdf
Deloitte, 2023. AI in the workplace | Deloitte Digital
Microsoft: The future of meetings: Using ai to improve team collaboration (2019) Accessed on November 30, 2023
Rawte, Vipula & Chakraborty, Swagata & Pathak, Agnibh & Sarkar, Anubhav & Towhidul, S & Tonmoy, S M & Chadha, Aman & Sheth, Amit & Das, Amitava. (2023). The Troubling Emergence of Hallucination in Large Language Models – An Extensive Definition, Quantification, and Prescriptive Remediations. 10.18653/v1/2023.emnlp-main.155.
TNO. (2013). Privacy en ethiek in kunstmatige intelligentie.
Vidgof, Maxim & Bachhofner, Stefan & Mendling, Jan. (2023). Large Language Models for Business Process Management: Opportunities and Challenges. 10.48550/arXiv.2304.04309.
Winfield, Alan & Jirotka, Marina. (2018). Ethical governance is essential to building trust in robotics and artificial intelligence systems. Philosophical Transactions of The Royal Society A Mathematical Physical and Engineering Sciences. 376. 20180085. 10.1098/rsta.2018.0085.
Zhang, Z., Rayhan, M., Herda, T., Goisauf, M., Abrahamsson, P. (2024). LLM-Based Agents for Automating the Enhancement of User Story Quality: An Early Report. In: Šmite, D., Guerra, E., Wang, X., Marchesi, M., Gregory, P. (eds) Agile Processes in Software Engineering and Extreme Programming. XP 2024. Lecture Notes in Business Information Processing, vol 512. Springer, Cham. https://doi.org/10.1007/978-3-031-61154-4_8