Lider operacji produktowych twierdzi, że przyszłość przepływów pracy opartych na AI zależy od deterministycznych procesów

Zajmuję się automatyzacją procesów z wykorzystaniem AI, koncentrując się na tym, jak AI zmienia sposób pracy ludzi. Lubię również snuć rozważania na temat tego, jak nowe technologie zmieniają przyszłość pracy.

You should also read

• Rzeczywiste przepływy pracy z AI stosowane przez szefa realizacji w agencji wdrażającej Asanę

• Menedżer projektów i edukator wspomagany przez AI przedstawia prosty przepływ pracy AI, który zasadniczo zmienia sposób realizacji projektów

Jak AI pomaga nam analizować opinie i podejmować lepsze decyzje

Wiele najbardziej żmudnych czynności, które wcześniej zajmowały człowiekowi dużo czasu — a przez to często nie były wykonywane wcale — zostało zautomatyzowanych.

Najbardziej oczywistym rezultatem wykorzystania AI jest więc to, że zespoły poświęcają mniej czasu na zadania manualne, a więcej na analizowanie rezultatów.

Skuteczniej analizowaliśmy również opinie. Wcześniej ludzie otrzymywali lawinę informacji zwrotnych, czytali tylko ich ułamek, a mimo to często podejmowali decyzje intuicyjnie. Później generowano raporty i automatycznie dodawano komentarze do elementów pracy. Dzięki temu mogliśmy znacznie szybciej je segregować.

Uważałem również, że lepiej radziliśmy sobie z podejmowaniem trafnych decyzji — ponieważ mogliśmy analizować wykonaną pracę. Zaczęliśmy też dostrzegać sygnały wskazujące na istotne luki, którymi się nie zajmowaliśmy.

Niektóre rzeczy muszą jednak wykonywać ludzie — zazwyczaj są to trudne decyzje, często związane z kulturą organizacyjną i metodami pracy. Osobiście monitorowałem również zaangażowanie w materiały tworzone przez tych agentów AI, aby znaleźć sygnały świadczące o ludzkim sukcesie.

Chris dzieli się

Wiele najbardziej żmudnych czynności, które wcześniej zajmowały człowiekowi dużo czasu, zostało zautomatyzowanych.

Jak przepływy pracy agentowe mogą wspierać zespoły

Wykorzystywaliśmy AI do takich zadań jak raportowanie, segregowanie, ustalanie priorytetów i zbieranie opinii klientów z wielu kanałów.

Segregowanie ma kluczowe znaczenie dla zespołu, który stara się stworzyć lepszy produkt. Nasz produkt był zaawansowany technicznie, więc poświęcaliśmy dużo czasu na segregowanie nowych przypadków użycia i błędów. Po stronie UX odkrywaliśmy trendy i decydowaliśmy, nad czym pracować.

Nasz zespół był nowy i mieliśmy wiele źródeł opinii, ale brakowało nam łatwej w użyciu platformy, która analizowałaby i ustalała priorytety opinii pochodzących ze wszystkich tych źródeł.

Dlatego korzystałem z Codespaces, VS Code, Copilot CLI (z różnymi modelami) oraz GitHub Agentic Workflows, aby stworzyć całe rozwiązanie.

Ostatnią rzeczą, którą stworzyłem, był agent sugerujący treści w mediach społecznościowych na podstawie tego, co zostało dostarczone, oraz trendów na rynku. Zespół był mocno skoncentrowany na inżynierii, więc potrzebował pomocy w prowadzeniu własnego marketingu frameworka.

W rezultacie tego oraz działania innych agentów zespół zyskał więcej czasu na skupienie się na produkcie.

Stos technologiczny do wieloetapowych przepływów pracy

Jeśli chodzi o nasz stos technologiczny, korzystaliśmy z narzędzi AI GitHub do automatyzacji wieloetapowej pracy.

Obejmowało to przepływy pracy agentowe do delegowania zadań agentom AI, Copilot CLI do uruchamiania tych agentów z terminala, Codespaces do korzystania z chmurowych środowisk programistycznych, Copilot Spaces do zapewniania AI właściwego kontekstu projektu oraz Skills do pakowania powtarzalnych instrukcji lub przepływów pracy.

Jak tworzyć przepływy pracy agentowe

W większości przypadków tworzyłem, testowałem i monitorowałem przepływy pracy agentowe z pomocą innych agentów.

GitHub Next stworzył platformę o nazwie Agentic Workflows, która umożliwia bezpieczne wdrażanie agentów do GitHub Actions. Platforma zapewnia ludziom i agentom przejrzysty sposób tworzenia, testowania i monitorowania przepływów agentowych, więc może okazać się przydatna.

Poniżej znajduje się minimalny przepływ agentowy, który dba o aktualność dokumentacji. To tylko prosty przykład ilustrujący składnię — nie jest przeznaczony do użytku produkcyjnego. Bardziej kompletny przykład jest dostępny w repozytorium przykładów GitHub Next. Oto również kilka przepływów pracy, które przygotowałem z myślą o zastosowaniach niezwiązanych z inżynierią.

---

on:

  push:

    branches: [main]

permissions:

  contents: read

  pull-requests: read

safe-outputs:

  create-pull-request:

tools:

  edit:

  web-fetch:

  web-search:

---

# Aktualizator dokumentacji

Jesteś autorem dokumentacji technicznej. Twoim zadaniem jest sprawić, aby dokumentacja w repozytorium ${{ github.repository }} była _doskonała_.

Kroki:

1. Przeanalizuj zmiany w repozytorium. Przy każdym wypchnięciu zmian do głównej gałęzi przeanalizuj różnice, aby zidentyfikować zmienione, dodane i usunięte elementy.

2. Sprawdź dokładność i kompletność istniejącej dokumentacji. Zidentyfikuj luki w dokumentacji, w tym brakujące lub nieaktualne sekcje.

3. W razie potrzeby zaktualizuj dokumentację.

4. Utwórz pull request z jasnym opisem zmian.

Jak widać powyżej, wyzwalacze, uprawnienia, dane wyjściowe i narzędzia są jasno i jednoznacznie określone w definicji przepływu pracy.

Dlaczego procesy deterministyczne nadal mają kluczowe znaczenie

Praca nad projektami nadal wymaga procesów deterministycznych.

Wewnętrznie przepływy agentowe nadal opierają się na GitHub Actions, co oznacza, że mogą łączyć ustalone, oparte na regułach kroki z bardziej otwartą pracą wykonywaną przez AI. To ważne, ponieważ istnieje wiele sytuacji, w których chcesz, aby proces deterministyczny działał obok czegoś bardziej niedeterministycznego, takiego jak agent.

Dobrym przykładem są cotygodniowe podsumowania statusu. Agent może być przydatny do podsumowania tego, co się zmieniło, i przekształcenia tych informacji w pomocne zestawienie, ale pierwszy krok — pobranie właściwych komentarzy do zgłoszeń z właściwego widoku projektu za właściwy okres — musi być precyzyjny. Tę część lepiej obsłużyć jako krok deterministyczny, zanim agent zacznie interpretować informacje.

Zaczęliśmy również dzielić te przepływy pracy na elementy wielokrotnego użytku. Jeden deterministyczny krok gromadził informacje w standardowy sposób, podczas gdy osobny zestaw instrukcji mówił agentowi, jak sformatować podsumowanie dla konkretnego zespołu. Ma to znaczenie, ponieważ zespoły często przekazują podobne informacje na nieco różne sposoby.

Drugim ważnym elementem są zabezpieczenia. W przepływach agentowych „bezpieczne dane wyjściowe” mogą ograniczać działania, na które agent ma pozwolenie. Na przykład agent może mieć możliwość gromadzenia danych ze zgłoszeń, ale jako dane wyjściowe może tworzyć wyłącznie pull request lub wpis w dyskusji. Dzięki temu korzystanie z agentów w przypadku poufnych danych organizacyjnych jest bezpieczniejsze.

W tym miejscu pojawia się szersza idea „procesu jako kodu”. Gdy przepływ pracy zostanie podzielony na kroki deterministyczne, instrukcje dla agenta, dozwolone dane wyjściowe i punkty kontroli człowieka, proces nie jest już tylko dokumentacją. Staje się czymś, co mogą wykonywać zarówno ludzie, jak i agenci.

Nasz rzeczywisty proces to nie tylko to, co zostało zapisane. To również to, co robimy, o czym rozmawiamy, co faktycznie aktualizujemy i czego nie aktualizujemy. Często istnieje rozdźwięk między tym, co mówimy, że robimy, a prawdziwym ukrytym systemem, który działa w tle. Dzięki tego typu narzędziom, a zwłaszcza przepływom agentowym, możemy zacząć zmniejszać tę lukę.

Nasz rzeczywisty proces to nie tylko to, co jest zapisane. To to, co robimy, o czym rozmawiamy, co faktycznie aktualizujemy i czego nie aktualizujemy.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Chris ButlerOpens new window

Były dyrektor ds. operacji produktowych w GitHubie

Jak AI zmienia realizację projektów

Wkrótce AI wyeliminuje większość ręcznych kontroli z zakresu obowiązków kierownika projektu.

Raportowanie przejdzie od modelu wypychania do modelu pobierania.

AI będzie obliczać ryzyko, zamiast je kształtować. Będziemy też mogli tworzyć raporty uwzględniające dane ilościowe (daty, wskaźniki) i jakościowe (rozmowy ludzi, PR-y), aby uzyskać pełniejszy profil ryzyka — zamiast pozwalać, by intuicja zespołu kształtowała status czerwony/żółty/zielony.

Co to oznacza dla kierowników projektów? Ostatecznie w przyszłości nie będzie pracy dla osób zajmujących się „podwójnym sprawdzaniem”. I to dobrze. Ludzie nie powinni być automatyzacją. Powinniśmy automatycznie otrzymywać wersje robocze raportów, zamiast samodzielnie je zbierać. Nie powinniśmy natrafiać na nowy problem ani element bez automatycznego wstępnego sortowania.

Oznacza to jednak, że kierownicy projektów muszą przenieść uwagę na bardziej wartościową, ludzką pracę — taką jak uzgadnianie stanowisk interesariuszy i podejmowanie trudnych decyzji, o których wspomniałem wcześniej.

Oto moja rada: korzystajcie z narzędzi, ale je sprawdzajcie. Bierzcie odpowiedzialność za trudne decyzje. I rozmawiajcie z interesariuszami.

Chris dzieli się

Oto moja rada: korzystajcie z narzędzi, ale je sprawdzajcie. Bierzcie odpowiedzialność za trudne decyzje. I rozmawiajcie z interesariuszami.

Śledź dalsze informacje

Możesz śledzić pracę Chrisa Butlera na platformie LinkedIn.

Na The Digital Project Manager pojawią się kolejne wywiady z ekspertami!