Co poszło dobrze

Co praca wspierana przez AI przyspieszyła lub ulepszyła w tym cyklu?

Agent przygotował szkielet naszego zestawu testów w kilka minut, co oszczędziło mniej więcej pół dnia pisania boilerplate'u. Widać to w PR.
Dzięki pierwszym wersjom dokumentacji wygenerowanym przez AI recenzenci tylko poprawiali tekst, zamiast pisać od zera. Czas realizacji wyraźnie spadł.
Programowanie w parze z asystentem wyłapało dwa przypadki brzegowe z obsługą nulli, zanim trafiły na staging.
Tarcia i ich przyczyny

Gdzie praca szła opornie i jaka była przyczyna źródłowa?

Agent ciągle halucynował nieaktualne API, co kosztowało ok. 2 godziny poprawek. Przyczyna: dokumentacja (nieaktualne materiały referencyjne).
Lokalne środowisko nie zgadzało się z CI, więc kod wygenerowany przez AI przechodził lokalnie, a potem wywalał pipeline. Przyczyna: środowisko.
W każdej sesji od nowa tłumaczyliśmy asystentowi ten sam kontekst. Przyczyna: proces (brak wspólnego dokumentu z kontekstem/promptami).
Założenia, które przepuściliśmy

Co agent (lub my) założył bez wystarczających informacji?

Założyliśmy, że obsługa limitów zapytań przez agenta jest poprawna, ale nigdy nie zrobiliśmy testów obciążeniowych.
Przyjęliśmy skrypt migracji danych od AI bez sprawdzenia go na wolumenach w skali produkcyjnej.
Agent założył, że wszyscy nasi użytkownicy są w jednej strefie czasowej. To niezweryfikowane i najpewniej nieprawdziwe.
Zostawić czy usunąć

Które z tych tarć wybraliśmy celowo?

ZOSTAW: Ludzka bramka przeglądu dla wszystkich migracji generowanych przez AI. Spowalnia, ale wyłapała prawdziwy błąd. Celowa kontrola.
USUŃ: Tłumaczenie kontekstu od nowa w każdej sesji. Czyste marnotrawstwo; dodamy wspólny dokument z kontekstem.
ZOSTAW: Krok zatwierdzania, zanim agent dotknie konfiguracji produkcyjnej. Wybrany celowo.
Zacznij od tego

Która jedna poprawka da najwięcej i na jakim pułapie?

Zaktualizować dokumentację referencyjną API, z której korzysta agent. Właściciel: Priya. Pułap: dokumentacja.
Ujednolicić lokalne środowisko deweloperskie z CI za pomocą obrazu kontenera. Właściciel: Marcus. Pułap: środowisko.
Stworzyć wspólny dokument z kontekstem/promptami, żebyśmy przestali wszystko tłumaczyć od nowa. Właściciel: Lena. Pułap: proces.

Czym jest retrospektywa pracy wspieranej przez AI?

Gdy agenci i asystenci AI stają się częścią codziennej pracy, trudno odróżnić prawdziwe przyspieszenie od ukrytych kosztów. Retrospektywa pracy wspieranej przez AI daje zespołowi sposób na przegląd cyklu dostarczania wspieranego przez AI, w którym dowody są na pierwszym miejscu. Nazywacie sukcesy warte ochrony, każde tarcie wiążecie z jego przyczyną źródłową, a potem decydujecie, które tarcia wprowadziliście celowo. Ten ostatni krok jest ważny, bo nie każde tarcie to marnotrawstwo. Bramki przeglądu, kroki zatwierdzania i pętle weryfikacji to kontrole wybrane przez zespół, a triaż oddziela je od marnotrawstwa, zanim ktoś pospiesznie zabierze się do ich „naprawiania”. Tablica ma pięć kolumn. W kolumnie Co poszło dobrze trafiają sukcesy poparte dowodami. Tarcia i ich przyczyny nazywa każde spowolnienie i przypisuje mu przyczynę źródłową. Założenia, które przepuściliśmy zbiera to, co agent (lub zespół) przyjął bez sprawdzenia. Zostawić czy usunąć oznacza każde tarcie jako kontrolę do ochrony albo marnotrawstwo do usunięcia, a Zacznij od tego kończy się maksymalnie trzema poprawkami. Każda poprawka ma określony pułap (dokumentacja, środowisko, proces, materiał lub upstream), dzięki czemu trafia na właściwy poziom, zamiast stać się ogólnikowym zadaniem do zrobienia. Wymaganie dowodów dla sukcesów, przyczyn dla tarć i szczerości co do niesprawdzonych założeń chroni retrospektywę zarówno przed hurraoptymizmem, jak i przed cynizmem, a do tego daje zespołowi stałe słownictwo do rozmów o pracy wspieranej przez AI. W TeamRetro wszyscy dodają karty równolegle, grupują wspólne tematy i głosują, a na koniec macie działania z przypisanymi właścicielami i jasny obraz tego, co chronić, co usunąć, a co zostawić w spokoju.

Format retrospektywy pracy wspieranej przez AI

Co poszło dobrze

Co praca wspierana przez AI przyspieszyła lub ulepszyła w tym cyklu?

Trafiają tu tylko sukcesy poparte dowodami, więc pomińcie ogólne pochwały. Poproś każdą osobę, żeby wskazała coś, co wsparcie AI faktycznie poprawiło: zadanie dostarczone szybciej, błąd wykryty wcześniej, szkic, który zaoszczędził godziny pracy. Celem jest ustalenie, co chronić i powtarzać, więc przy każdym sukcesie pytaj o konkretny moment albo liczby.

Tarcia i ich przyczyny

Gdzie praca szła opornie i jaka była przyczyna źródłowa?

Każda karta opisuje konkretny moment, przybliżony koszt i jedną etykietę przyczyny źródłowej ze stałego słownika zespołu (dokumentacja, środowisko, proces, materiał lub upstream). Odciągaj rozmowę od ogólnego narzekania i pytaj o konkretną sytuację oraz o to, ile kosztowała. Nazwanie przyczyny teraz sprawia, że kroki Zostawić czy usunąć oraz ustalanie priorytetów są znacznie trafniejsze.

Założenia, które przepuściliśmy

Co agent (lub my) założył bez wystarczających informacji?

To tarcia, które jeszcze nie zabolały: założenia, których nikt nie sprawdził. Poproś zespół o wskazanie wszystkiego, co agent wywnioskował albo co zespół przyjął na wiarę, na przykład nieprzetestowany przypadek brzegowy, niepotwierdzone wymaganie czy skrót z serii „pewnie będzie dobrze”. Wyłapanie ich teraz zapobiega temu, by stały się incydentem w kolejnym cyklu.

Zostawić czy usunąć

Które z tych tarć wybraliśmy celowo?

Nie każde tarcie to marnotrawstwo. Bramki przeglądu i kroki zatwierdzania mogą być punktami kontrolnymi, które zespół wybrał celowo. Przejdźcie przez karty z tarciami i oznaczcie każdą jako ZOSTAW (kontrola warta ochrony) albo USUŃ (marnotrawstwo do usunięcia). Usunięcie kontroli powinno być wyraźną decyzją zespołu, a nigdy efektem ubocznym porządków.

Zacznij od tego

Która jedna poprawka da najwięcej i na jakim pułapie?

Bądź stanowczy: maksymalnie trzy poprawki. Każda potrzebuje wskazanego właściciela i konkretnego pułapu (dokumentacja, środowisko, proces, materiał lub upstream), dzięki czemu trafia na właściwy poziom. Zagłosujcie w TeamRetro, żeby wybrać poprawki o największym efekcie, zanim przypiszecie właścicieli.

Kiedy należy skorzystać z niniejszego przeglądu retrospektywnego

  • Na koniec sprintu lub cyklu dostarczania, w którym agenci AI lub asystenci programowania wykonali realną część pracy.
  • Gdy zespół rozszerza przepływy pracy wspierane przez AI i chce oddzielić prawdziwe zyski od ukrytych kosztów.
  • Po okresie szybkiego wdrażania AI, gdy tarcia i obejścia narosły bez żadnego przeglądu.
  • Gdy podejrzewasz, że ktoś zaraz usunie tarcie, które w rzeczywistości jest kontrolą wartą zachowania.
  • Gdy chcecie wypracować wspólne słownictwo zespołu do rozmów o pracy wspieranej przez AI bez hurraoptymizmu i cynizmu.

Proponowane pytania lodołamacze

  • Gdyby twój asystent AI miał w tym sprincie osobowość, byłby gorliwym stażystą, przemądrzałym wszystkowiedzącym czy cichym geniuszem? Dlaczego?
  • Jakiego zadania nigdy nie powierzyłbyś AI, a które z chęcią oddałbyś jej już jutro?

Czy chciałby Pan/Pani, aby Państwa zespół wykonał ćwiczenie rozgrzewkowe, a nie tylko odpowiadał na pytania na głos? Przejrzyj bezpłatne lodołamacze →

Pomysły i wskazówki dotyczące spotkania retrospektywnego

  • Uzgodnijcie słownik przyczyn źródłowych (dokumentacja, środowisko, proces, materiał, upstream) przed rozpoczęciem. Spójne etykiety sprawiają, że triaż i ustalanie priorytetów są znacznie trafniejsze.
  • Wymagaj dowodów dla sukcesów. „Wydawało się szybciej” to nie sukces; „zaoszczędziło pół dnia pisania boilerplate'u” już tak.
  • W kroku Zostawić czy usunąć traktuj usunięcie kontroli jako decyzję. Nigdy nie usuwaj bramki przeglądu tylko dlatego, że spowalnia. Najpierw sprawdź, czy nie wyłapuje prawdziwych problemów.
  • Ogranicz listę działań do trzech, każde z wskazanym właścicielem i pułapem. Dłuższa lista zwykle oznacza, że nic nie zostanie zrobione.
  • Daj przestrzeń osobom cichszym i bardziej sceptycznym. Entuzjazm wobec AI potrafi zagłuszyć uzasadnione obawy dotyczące niesprawdzonych założeń.
  • W kolejnym cyklu wróćcie do kolumny Założenia, które przepuściliśmy i sprawdźcie, czy któreś z nich przełożyło się na realny koszt.

Najczęściej zadawane pytania

Ile trwa retrospektywa pracy wspieranej przez AI?
Większość zespołów kończy w 45–60 minut. Zostawcie kilka dodatkowych minut na krok Zostawić czy usunąć i końcowe ustalanie priorytetów, bo wymagają one prawdziwych decyzji dotyczących kontroli i właścicieli.
Kiedy użyć tego formatu zamiast standardowej retrospektywy sprintu?
Używajcie go zawsze, gdy agenci lub asystenci AI w dużej mierze kształtowali pracę w danym cyklu. Standardowa retrospektywa traktuje każde tarcie jako coś do poprawy, a ten format oddziela celowe kontrole od marnotrawstwa.
Co oznacza „pułap” w kroku działań?
Pułap to poziom, na którym działa poprawka: dokumentacja, środowisko, proces, materiał lub upstream. Nazwanie go kieruje każde działanie na właściwą warstwę, dzięki czemu nie zamienia się ono w mgliste zadanie do zrobienia.
Po co oddzielać „tarcia” od „założeń, które przepuściliśmy”?
Tarcie to koszt, który już ponieśliście. Założenia to niesprawdzone przypuszczenia, które jeszcze nie zaszkodziły. Przyglądanie się jednym i drugim pozwala naprawić dzisiejsze problemy i zapobiec kolejnemu incydentowi.
O co chodzi w zasadzie „nie każde tarcie to marnotrawstwo”?
Niektóre tarcia, takie jak bramka przeglądu czy krok zatwierdzania, to kontrole, które zespół wybrał celowo. Triaż oddziela te kontrole od marnotrawstwa, zanim cokolwiek zostanie usunięte.
Ile działań powinno wyniknąć z retrospektywy?
Maksymalnie trzy, każde z wskazanym właścicielem i pułapem. Krótka lista działań z właścicielami ma znacznie większą szansę na realizację.
Czy są Państwo gotowi do przeprowadzenia tej retrospektywy?Zapraszamy do obejrzenia tej retrospektywy na żywo