The post has been translated automatically. Original language: Russian
How to preserve the knowledge that appears during Agile iterations and use it by humans and artificial intelligence
Modern software development has become faster.
Agile teams have learned to work in short cycles: formulate a hypothesis, create a solution, get feedback, and change the product.
But along with the increase in speed, a new problem has appeared.
Each iteration creates knowledge:
- why was a specific decision made?;
- what options were considered?;
- what limitations were found;
- which approaches have proved effective;
- what mistakes are not worth repeating.
Some of this knowledge gets into the code.
Part of it is in the tasks and documentation.
Part of it is in the discussions of the team.
And a significant part remains only in people's memory.
As long as the team is small, it works.
But as the project grows, there is a gap.:
new employees do not know the history of decisions, and AI tools do not have access to the context that experts consider obvious.
As a result, companies receive a lot of information, but they lose their understanding.
Information and knowledge are not the same thing.
Most teams already use a variety of tools.:
- Git for code storage;
- task management systems;
- documentation databases;
- corporate messengers;
- analytics systems.
But these tools mostly answer the question:
"What happened?"
They don't always answer the more important question.:
"Why is the system set up like this?"
For example, there may be a rule in the project:
"We use only one way to transfer data between modules."
But it is more important to understand the rule itself.:
- why did it appear;
- what problem does it solve;
- which alternatives were rejected;
- in which cases it does not apply.
This part is the real expertise of the team.
Why Agile creates knowledge faster than companies manage to retain it
Agile is based on continuous learning.
The team receives feedback and changes the product.
But each change creates a new layer of understanding.
After several months of work, a project can contain hundreds of solutions.:
- architectural;
- technical;
- grocery stores;
- organizational.
The problem is that these solutions often exist in different places.:
- the part in the code;
- part of the documentation;
- part of the task history;
- some of it is in the memory of individual specialists.
If a person leaves the team, part of the context disappears with them.
The company is losing more than just an employee.
She loses some of her expertise.
AI makes the context problem critical
With the advent of ChatGPT and other AI tools, a new member of the team has appeared in development.
AI already knows how to:
- analyze the code;
- create tests;
- explain complex concepts;
- offer architectural solutions;
- help with documentation;
- to look for errors.
But AI has a limitation.:
he knows the general principles of development, but does not know the unique history of a particular project.
For example, AI can offer a standard architectural solution.
But he doesn't know:
- why did the team abandon this approach a year ago;
- what are the limitations in the current system?;
- What compromises have already been made?;
- which terms have a special meaning within the company.
Therefore, AI can give a technically correct answer that turns out to be incorrect for a particular product.
Why just uploading documents is not enough
The first solution seems obvious:
"Let's give AI all the project documents."
But the documents themselves are not a complete knowledge system.
They can:
- outdated;
- contradict each other;
- contain old solutions;
- Don't separate hypotheses and accepted rules;
- describe the result for no reason.
The AI can find the desired text.
But he doesn't always understand.:
- is this a relevant solution?;
- who confirmed it;
- where it is applied;
- what are the exceptions?
AI doesn't need an archive to work.
We need an up-to-date model for understanding the system.
The examination does not consist only of facts
This is especially evident in expert companies.
The competitive advantage of a specialist is rarely only in information.
It consists of experience:
- how to choose between the options;
- what signs indicate a problem?;
- what details should not be omitted;
- when the standard rule doesn't work;
- why a certain solution is better than another.
Most of this expertise is implicit.
The expert often says:
"It's obvious."
But for a new employee or an AI agent, this is not at all obvious.
What is the total memory of the command?
For people and AI to work effectively, a separate layer of knowledge is needed.
It should store not just documents, but a proven understanding of the system.:
- definitions;
- rules;
- architectural solutions;
- limitations;
- methods;
- reasons for choosing;
- connections between concepts.
This layer allows the team to save the result of each iteration.
The new solution becomes part of the shared memory.
The next task begins not with restoring the context, but with continuing the development of the system.
An example of a complex technology project
The more complex the system, the more important it is to maintain understanding.
For example, a modern technology stack may include:
- hardware architecture;
- the operating system;
- programming language;
- development tools;
- application modules.
Changing one solution can affect several levels at once.
For example, changing the memory model may affect:
- processor;
- the core of the operating system;
- the work of the modules;
- programming language;
- testing tools.
Even an experienced engineer finds it difficult to keep all the connections in working memory.
For AI, this task is even more difficult without a special layer of knowledge.
What does working with shared memory look like?
The new development model may look like this:
1. The team makes a decision
For example:
"The module must have one resource owner."
2. The decision is fixed
Added:
- the rule;
- reason;
- limitations;
- the scope of application.
3. AI gets the relevant context
At the next task, the AI understands:
- what rule is in effect?;
- why does it exist;
- which solutions correspond to it.
4. New feedback updates knowledge
If the team finds a new case, the system evolves.
Thus, each iteration improves not only the product, but also the understanding of the product.
Sekura Noda: an example of a guided examination system
One approach to solving this problem is to create a separate layer of managed expertise.
Sekura Noda considers the expert's knowledge as a system of related elements:
- rules;
- solutions;
- methods;
- restrictions;
- professional conclusions.
The expert determines:
- what knowledge is proven?;
- what rules are relevant?;
- where can they be applied;
- which AI tools can use them.
As a result, expertise becomes not a set of documents, but an evolving system of knowledge.
Sekura Noda helps experts use AI to accumulate, refine, and monetize their unique expertise.
Checklist: is the company ready to work with AI
Before implementing AI, it is worth checking:
- Is there a place where decisions are stored?
- Are the reasons for the important architectural changes clear?
- Can a new employee quickly understand the logic of the system?
- Can AI get the actual context of the project?
- Are proven knowledge and hypotheses separated?
- Is there a process for updating knowledge after iterations?
- Is it clear who is responsible for expert decisions?
If the answers to most of the questions are negative, the problem of implementing AI will not be in the model.
The problem will be the lack of a managed expertise.
Expertise as an asset of the company
Companies often consider code, data, or technology to be their main asset.
But in complex systems, understanding becomes the main advantage.
It allows you to:
- Make decisions faster;
- train new specialists;
- create high-quality AI agents;
- scale up expert work;
- preserve the knowledge of the organization.
As long as expertise exists only in the minds of individuals, it limits growth.
When it becomes a system, it starts working independently of a specific person.
Conclusion
Agile has taught teams to constantly gain new knowledge through iteration.
AI has made it possible for artificial intelligence to participate in these processes.
But without shared memory, each new cycle begins with restoring the context.
The future of development is not just about more powerful AI models.
These are teams where humans and artificial intelligence work around a common knowledge system.
The expert creates new solutions.
AI helps you apply the accumulated expertise.
And the shared memory retains the understanding that allows the system to evolve.
The accumulated expertise continues to work while the expert creates a new one.
Как сохранять знания, которые появляются во время Agile-итераций, и использовать их людьми и искусственным интеллектом
Современная разработка программного обеспечения стала быстрее.
Agile-команды научились работать короткими циклами: сформулировать гипотезу, создать решение, получить обратную связь и изменить продукт.
Но вместе с ростом скорости появилась новая проблема.
Каждая итерация создаёт знания:
- почему было принято конкретное решение;
- какие варианты рассматривались;
- какие ограничения обнаружились;
- какие подходы оказались эффективными;
- какие ошибки не стоит повторять.
Часть этих знаний попадает в код.
Часть — в задачи и документацию.
Часть — в обсуждения команды.
А значительная часть остаётся только в памяти людей.
Пока команда небольшая, это работает.
Но по мере роста проекта возникает разрыв:
новые сотрудники не знают историю решений, а AI-инструменты не имеют доступа к контексту, который эксперты считают очевидным.
В результате компании получают много информации, но теряют понимание.
Информация и знание — не одно и то же
Большинство команд уже используют множество инструментов:
- Git для хранения кода;
- системы управления задачами;
- базы документации;
- корпоративные мессенджеры;
- системы аналитики.
Но эти инструменты в основном отвечают на вопрос:
«Что произошло?»
Они не всегда отвечают на более важный вопрос:
«Почему система устроена именно так?»
Например, в проекте может существовать правило:
«Используем только один способ передачи данных между модулями».
Но важнее самого правила понять:
- почему оно появилось;
- какую проблему решает;
- какие альтернативы были отвергнуты;
- в каких случаях оно не применяется.
Именно эта часть является настоящей экспертизой команды.
Почему Agile создаёт знания быстрее, чем компании успевают их сохранять
Agile основан на постоянном обучении.
Команда получает обратную связь и меняет продукт.
Но каждое изменение создаёт новый слой понимания.
После нескольких месяцев работы проект может содержать сотни решений:
- архитектурных;
- технических;
- продуктовых;
- организационных.
Проблема в том, что эти решения часто существуют в разных местах:
- часть в коде;
- часть в документации;
- часть в истории задач;
- часть в памяти отдельных специалистов.
Если человек уходит из команды, часть контекста исчезает вместе с ним.
Компания теряет не только сотрудника.
Она теряет часть своей экспертизы.
AI делает проблему контекста критичной
С появлением ChatGPT и других AI-инструментов в разработке появился новый участник команды.
AI уже умеет:
- анализировать код;
- создавать тесты;
- объяснять сложные концепции;
- предлагать архитектурные решения;
- помогать с документацией;
- искать ошибки.
Но у AI есть ограничение:
он знает общие принципы разработки, но не знает уникальную историю конкретного проекта.
Например, AI может предложить стандартное архитектурное решение.
Но он не знает:
- почему команда отказалась от этого подхода год назад;
- какие ограничения существуют в текущей системе;
- какие компромиссы уже были сделаны;
- какие термины имеют специальное значение внутри компании.
Поэтому AI может дать технически правильный ответ, который окажется неправильным для конкретного продукта.
Почему просто загрузить документы недостаточно
Первое решение кажется очевидным:
«Давайте дадим AI все документы проекта».
Но документы сами по себе не являются полноценной системой знаний.
Они могут:
- устареть;
- противоречить друг другу;
- содержать старые решения;
- не разделять гипотезы и принятые правила;
- описывать результат без причины.
AI может найти нужный текст.
Но он не всегда понимает:
- является ли это актуальным решением;
- кто его подтвердил;
- где оно применяется;
- какие есть исключения.
Для работы AI нужен не архив.
Нужна актуальная модель понимания системы.
Экспертиза состоит не только из фактов
Особенно хорошо это видно в экспертных компаниях.
Конкурентное преимущество специалиста редко находится только в информации.
Оно состоит из опыта:
- как выбирать между вариантами;
- какие признаки указывают на проблему;
- какие детали нельзя пропускать;
- когда стандартное правило не работает;
- почему определённое решение лучше другого.
Большая часть этой экспертизы является неявной.
Эксперт часто говорит:
«Это очевидно».
Но для нового сотрудника или AI-агента это совсем не очевидно.
Что такое общая память команды
Для эффективной работы людей и AI нужен отдельный слой знаний.
Он должен хранить не просто документы, а проверенное понимание системы:
- определения;
- правила;
- архитектурные решения;
- ограничения;
- методы;
- причины выбора;
- связи между понятиями.
Такой слой позволяет команде сохранять результат каждой итерации.
Новое решение становится частью общей памяти.
Следующая задача начинается уже не с восстановления контекста, а с продолжения развития системы.
Пример сложного технологического проекта
Чем сложнее система, тем важнее сохранение понимания.
Например, современный технологический стек может включать:
- аппаратную архитектуру;
- операционную систему;
- язык программирования;
- инструменты разработки;
- прикладные модули.
Изменение одного решения может затронуть сразу несколько уровней.
Например, изменение модели памяти может повлиять на:
- процессор;
- ядро операционной системы;
- работу модулей;
- язык программирования;
- инструменты тестирования.
Даже опытному инженеру сложно удерживать все связи в рабочей памяти.
Для AI эта задача ещё сложнее без специального слоя знаний.
Как выглядит работа с общей памятью
Новая модель разработки может выглядеть так:
1. Команда принимает решение
Например:
«Модуль должен иметь одного владельца ресурса».
2. Решение фиксируется
Добавляется:
- правило;
- причина;
- ограничения;
- область применения.
3. AI получает актуальный контекст
При следующей задаче AI понимает:
- какое правило действует;
- почему оно существует;
- какие решения ему соответствуют.
4. Новая обратная связь обновляет знание
Если команда обнаружила новый случай, система развивается.
Таким образом, каждая итерация улучшает не только продукт, но и понимание продукта.
Sekura Noda: пример системы управляемой экспертизы
Одним из подходов к решению этой проблемы является создание отдельного слоя управляемой экспертизы.
Sekura Noda рассматривает знания эксперта как систему связанных элементов:
- правил;
- решений;
- методов;
- ограничений;
- профессиональных выводов.
Эксперт определяет:
- какие знания являются подтверждёнными;
- какие правила актуальны;
- где их можно применять;
- какие AI-инструменты могут их использовать.
В результате экспертиза становится не набором документов, а развивающейся системой знаний.
Sekura Noda помогает экспертам использовать ИИ для накопления, совершенствования и монетизации своей уникальной экспертизы.
Чек-лист: готова ли компания к работе с AI
Перед внедрением AI стоит проверить:
- Есть ли место, где хранятся принятые решения?
- Понятны ли причины важных архитектурных изменений?
- Может ли новый сотрудник быстро понять логику системы?
- Может ли AI получить актуальный контекст проекта?
- Разделены ли проверенные знания и гипотезы?
- Есть ли процесс обновления знаний после итераций?
- Понятно ли, кто отвечает за экспертные решения?
Если ответы на большинство вопросов отрицательные, проблема внедрения AI будет не в модели.
Проблема будет в отсутствии управляемой экспертизы.
Экспертиза как актив компании
Компании часто считают главным активом код, данные или технологии.
Но в сложных системах главным преимуществом становится понимание.
Именно оно позволяет:
- быстрее принимать решения;
- обучать новых специалистов;
- создавать качественные AI-агенты;
- масштабировать экспертную работу;
- сохранять знания организации.
Пока экспертиза существует только в голове отдельных людей, она ограничивает рост.
Когда она становится системой, она начинает работать независимо от конкретного человека.
Заключение
Agile научил команды постоянно получать новое знание через итерации.
AI сделал возможным участие искусственного интеллекта в этих процессах.
Но без общей памяти каждый новый цикл начинается с восстановления контекста.
Будущее разработки — это не только более мощные AI-модели.
Это команды, где люди и искусственный интеллект работают вокруг общей системы знаний.
Эксперт создаёт новые решения.
AI помогает применять накопленную экспертизу.
А общая память сохраняет понимание, которое позволяет системе развиваться.
Уже накопленная экспертиза продолжает работать, пока эксперт создаёт новую.
Share
