La IA no arreglarà el teu refinament. Però pot exposar com pensa el teu equip.
La majoria d’equips no tenen un problema amb el refinament perquè el refinament sigui lent.
Tenen un problema amb el refinament perquè el refinament s’ha convertit en un ritual.
Un ticket entra a la reunió. La gent fa preguntes. Algú parla d’edge cases. Algú demana una estimació. Algú altre obre Slack en silenci.
Al final, potser el ticket sembla més refinat.
Però l’equip no sempre és més savi.
Aquesta és la veritat incòmoda: moltes sessions de refinament no estan dissenyades per millorar el pensament. Estan dissenyades per moure feina a través d’un procés.
Es completa una checklist. S’estima una història. Un ticket s’acosta una mica més a l’Sprint. Tothom té la sensació que s’ha avançat.
Però de vegades el que ha passat realment és més administratiu que intel·lectual.
L’equip no ha descobert el valor que hi ha darrere de la petició. No ha destapat les assumpcions amagades. No ha explorat les persones afectades. No ha entès els riscos al voltant de la feina.
Simplement ha fet que el ticket sembli ready.
I per això la IA és alhora prometedora i perillosa.
La IA pot fer que el refinament sigui més ràpid. Fins i tot pot donar una estimació molt ràpidament, tenint en compte històries passades, com si aquell número fos tot el que necessitem per dir que una user story està refinada.
Però si la conversa de fons és feble, la IA no l’arreglarà.
Simplement farà que un refinament feble sigui més ràpid.
L’oportunitat real és una altra.
La IA pot exposar com pensa l’equip.
Pot revelar assumpcions que falten, riscos amagats, usuaris oblidats, valor poc clar i decisions que ningú ha pres realment encara.
Però només si els humans aporten el criteri que la IA no té per si mateixa.
Aquest criteri, dins del refinament, ve de tres llocs:
Strategy. Empathy. Adaptability.
Jo en dic SEA.
No perquè els equips necessitin un altre framework.
Realment no el necessiten.
Sinó perquè un refinament útil necessita aquestes tres veus humanes a la sala: la veu estratègica, la veu de l’usuari i la veu del context.
Sense elles, la IA no fa millor el refinament.
Només fa que un mal refinament sigui més eficient.
El refinament mai havia de ser una fàbrica de tickets
El backlog refinement sovint es tracta com una activitat de preparació.
Refinem perquè les històries estiguin preparades per a l’Sprint Planning. Clarifiquem requisits. Dividim feina. Afegim criteris d’acceptació. Estimem. Reduïm incertesa.
Tot això pot ser útil.
Però també es pot convertir en una trampa.
Perquè quan el refinament passa a tractar principalment de fer que els tickets estiguin ready, l’equip pot començar a optimitzar per l’aparença de preparació en lloc de fer-ho per la qualitat de la comprensió.
Una història pot tenir títol, descripció, criteris d’acceptació, dependències i estimació - i continuar sent la cosa equivocada a construir.
Una història pot ser prou petita per cabre dins d’un Sprint - i continuar sent estratègicament irrellevant.
Una història pot ser tècnicament clara - i continuar generant dolor a usuaris que ningú ha considerat.
Una història pot estar perfectament dividida - i continuar ignorant el context que farà que falli.
Per això la pregunta real no és:
Aquesta història està ready?
La pregunta millor és:
Estem pensant amb prou claredat per prendre una bona decisió sobre aquesta història?
Aquesta diferència importa.
Perquè el refinament no hauria de ser una fàbrica de tickets.
Hauria de ser una conversa on la incertesa es converteix en millors decisions.
La història clàssica: “Export to CSV”
Agafem un exemple molt familiar.
El Product Owner porta una història al refinament:
“Necessitem exportar dades a CSV.”
D’entrada, sembla simple.
Gairebé avorrit.
Un botó. Un fitxer. Algunes files. Algunes columnes.
El tipus d’història que fa que la gent pensi: “Podem estimar això i continuar?”
Però llavors comencen les preguntes.
Des de quina pantalla?
Totes les dades o només les filtrades?
Quines columnes?
Quin format de data?
Qui pot exportar?
Com de gran pot ser l’exportació?
Què passa si el fitxer triga massa?
Qui necessita això?
Què farà amb el fitxer?
Per què CSV?
I a poc a poc, l’equip s’adona d’una cosa important.
El problema mai havia estat només “exportar a CSV”.
Aquesta frase era només la part visible.
A sota hi ha assumpcions sobre usuaris, valor, dades, permisos, rendiment, dependències i decisions de negoci.
La història no és poc clara perquè l’equip sigui dolent refinant.
La història és poc clara perquè la realitat és poc clara.
Aquí és on molts equips es queden encallats.
Intenten resoldre la incertesa escrivint més detalls dins del ticket.
Però afegir detalls no és el mateix que millorar la comprensió.
De vegades l’equip no necessita un ticket millor.
Necessita una conversa millor.
Què canvia realment la IA
Ara imagina que portem la IA dins d’aquesta conversa de refinament.
No per substituir el Product Owner.
No per escriure totes les històries.
No per convertir-se en la nova autoritat de la sala.
Només per ajudar l’equip a fer millors preguntes.
Li dones a la IA la història:
“Com a usuari, vull exportar dades a CSV per poder analitzar-les en un altre lloc.”
I si el prompt és prou bo, o si la IA ha estat entrenada amb el context de producte adequat, pot respondre amb preguntes com aquestes:
- Qui és exactament l’usuari?
- Quines dades necessita?
- Quina decisió prendrà amb aquesta exportació?
- Ha de ser CSV, o una altra solució funcionaria millor?
- Quins permisos calen?
- Què passa amb datasets grans?
- Com sabrem que això ha funcionat?
- Qui més queda afectat per aquesta funcionalitat?
- Quins riscos estem ignorant?
Això és útil.
Però també és incòmode.
Perquè la IA no necessàriament està millorant el refinament encara.
Està fent visible la feblesa del refinament.
Si l’equip ja té una conversa de producte sana, la IA la pot amplificar.
Si l’equip és curiós, la IA pot ajudar a generar angles que potser s’haurien passat per alt.
Si l’equip és disciplinat, la IA pot ajudar a comparar opcions més ràpidament.
Però si el refinament és només un ritual burocràtic, la IA també ho exposarà.
Perquè ara les preguntes són allà.
Els buits són allà.
Les assumpcions són allà.
El pensament feble és més difícil d’amagar.
Aquest és el valor real de la IA en el refinament.
No que doni la resposta.
Sinó que fa que sigui més difícil evitar la conversa.
La IA no és un substitut del criteri de producte.
És un amplificador de la qualitat de les preguntes que estem disposats a fer.
SEA: tres veus humanes que la IA encara necessita
La IA pot expandir la conversa.
Però expandir-la no és suficient.
Més preguntes no creen automàticament millor pensament.
Més opcions no creen automàticament millors decisions.
Més informació no crea automàticament més claredat.
De fet, sense criteri, la IA pot aclaparar fàcilment l’equip.
Pot produir deu riscos possibles, cinc solucions alternatives, vuit user personas, dotze criteris d’acceptació i una llista de story slices meravellosament estructurada.
I tot i així, pot ser que l’equip continuï sense saber què fer.
Aquí és on SEA es torna útil.
Strategy pregunta:
Val la pena fer això?
Empathy pregunta:
Per a qui, i qui més queda afectat?
Adaptability pregunta:
Quin context podria canviar la resposta?
La IA expandeix la conversa.
SEA dona direcció i significat a la conversa.
Ajuda l’equip a decidir què importa.
I aquí és on els humans encara creen valor.
Strategy: no preguntis només com construir-ho
Strategy és la veu que pregunta:
Per què estem fent això?
Aquesta és sovint la pregunta més incòmoda del refinament.
Especialment quan la història arriba com si la decisió ja estigués presa.
“Necessitem exportar a CSV.”
El missatge implícit és:
Si us plau, estimeu això.
Però Strategy canvia la conversa.
En lloc de preguntar només:
Com ho construïm?
Un equip estratègic pregunta:
Ho hauríem de construir?
Aquesta pregunta pot semblar molesta.
Pot semblar resistència.
Pot semblar que algú està alentint les coses.
Però sovint és la pregunta més valuosa de la sala.
Perquè potser l’usuari no necessita CSV.
Potser necessita un dashboard.
Potser necessita una API.
Potser necessita un informe programat.
Potser necessita una alerta.
Potser necessita una cerca millor.
Potser no necessita res nou, perquè les dades ja existeixen en un altre lloc.
La IA pot ajudar aquí.
Pots preguntar:
“Per què un usuari podria demanar una exportació a CSV? Llista possibles necessitats de fons i solucions alternatives.”
I la IA podria suggerir:
- analitzar dades a Excel
- compartir informes amb un altre departament
- importar dades a una altra eina
- crear evidència per a una auditoria
- mantenir una còpia offline
- combinar aquestes dades amb una altra font
Ara l’equip ja no està parlant d’un botó.
L’equip està parlant d’una necessitat.
Aquesta distinció importa.
Un botó és una solució.
Una necessitat és una raó.
I si la raó no és clara, la solució és fràgil.
Aquí és on el refinament es torna valuós: no quan l’equip fa més bonic el ticket, sinó quan desafia el valor que hi ha darrere del ticket.
Strategy és incòmode perquè pot matar idees.
Però és exactament per això que és útil.
Sense Strategy, la IA t’ajuda a construir més ràpid la cosa equivocada.
Dividir amb SPIDR: més petit no sempre vol dir més clar
En algun moment del refinament, algú normalment diu:
“Aquesta història és massa gran.”
I molt sovint té raó.
Així que l’equip intenta dividir-la.
Amb IA, això es torna increïblement fàcil.
Pregunta-li a la IA:
“Divideix aquesta història en històries més petites.”
I ho farà.
Immediatament.
Amb confiança.
De manera preciosa.
Però hi ha un problema.
La IA pot dividir feina molt ràpidament.
Això no vol dir que la divisió sigui útil.
Perquè històries més petites no són automàticament millors històries.
De vegades només són peces més petites de la mateixa confusió.
Comences amb una història vaga:
“Exportar a CSV.”
I acabes amb cinc històries vagues:
“Exportar dades bàsiques.” “Exportar dades avançades.” “Exportar dades filtrades.” “Exportar dades d’admin.” “Exportar totes les dades.”
Felicitats.
Ara tens cinc problemes en lloc d’un.
Per això l’estructura importa.
Una estructura útil és SPIDR, de Mike Cohn:
- Spike - reduir incertesa
- Path - centrar-se en un recorregut d’usuari
- Interface - aïllar una interacció o pantalla
- Data - limitar l’abast de les dades
- Rules - separar permisos, validacions o lògica de negoci
No són només tècniques per dividir històries.
Són maneres diferents de pensar sobre el problema.
Així que en lloc de preguntar a la IA:
“Divideix aquesta història.”
Pregunta:
“Divideix aquesta història utilitzant SPIDR. Per a cada possible slice, explica què aprendríem, quin risc redueix i quan seria un bon primer slice.”
Ara la resposta es torna més útil.
Un Spike podria ser:
Investigar riscos de rendiment quan s’exporten datasets grans.
Un Path podria ser:
Permetre als usuaris exportar la llista filtrada actual.
Un slice d’Interface podria ser:
Afegir el botó d’exportació a la pàgina d’informes.
Un slice de Data podria ser:
Exportar només els camps bàsics al principi.
Un slice de Rules podria ser:
Aplicar regles de permisos perquè els usuaris només exportin les dades que poden veure.
Ara l’equip no està simplement tallant la història en peces.
Està aprenent la forma del problema.
La IA dona velocitat.
SPIDR dona estructura.
L’equip dona criteri.
Sense criteri, no redueixes el caos.
Només el talles més prim.
Empathy: no existeix “l’usuari”
La segona veu és Empathy.
La veu de l’usuari.
Cosa curiosa, perquè en moltes sessions de refinament, l’usuari és l’única persona que no hi està convidada.
Parlem de l’usuari.
Imaginem l’usuari.
Defensem l’usuari.
De vegades fins i tot ens convertim en l’usuari.
La qual cosa és impressionant, perquè aparentment tothom a la sala és ara developer, tester, Product Owner i una analista financera que es diu Susan i exporta informes cada divendres.
Però l’empatia real és més difícil que això.
Pregunta a la IA:
“Actua com un usuari primerenc que no sap què és un CSV. Què et confondria d’aquesta funcionalitat?”
De sobte, la funcionalitat simple d’exportar ja no sembla tan simple.
On va el fitxer?
Amb què el puc obrir?
Per què Excel trenca alguns caràcters?
Què passa després de clicar exportar?
Per què hi ha columnes que no entenc?
Això és útil.
La IA ens pot ajudar a simular perspectives que habitualment oblidem.
Però hi ha una trampa.
Empathy no és només entendre un usuari.
És entendre l’ecosistema de persones afectades pel producte.
Rarament existeix només “l’usuari”.
Hi pot haver:
- l’usuari final que clica exportar
- l’admin que controla permisos
- la persona de suport que rep preguntes quan els fitxers fallen
- el manager que necessita visibilitat
- l’equip de seguretat responsable de l’exposició de dades
- la persona d’un altre departament que rep el CSV
- l’equip que manté el model de dades
Cadascun veu una part diferent del sistema.
Cadascun pot preocupar-se per una cosa diferent.
I cadascun pot quedar afectat per una decisió que sembla petita des de dins del ticket.
Empathy Trap
Aquí és on apareix l’empathy trap.
L’empathy trap passa quan un usuari es converteix en tot el sistema.
Ho vaig veure una vegada en un equip on jo treballava com a Scrum Master.
Vam convidar una usuària real als nostres refinements: una data-entry clerk que feia servir el producte cada dia.
Va ser una gran decisió.
L’equip va veure dolor real.
Massa camps.
Passos confusos.
Clics repetitius.
Petites ineficiències repetides centenars de vegades.
El dolor era real.
Així que l’equip va optimitzar el producte al voltant d’aquell dolor.
I va funcionar.
Per a la clerk.
Però llavors van començar els problemes.
Els managers van perdre visibilitat.
Suport va tenir més excepcions.
Altres usuaris no entenien el nou flux.
El sistema es va tornar més fàcil per a una persona i més difícil per a l’ecosistema al voltant d’aquella persona.
El problema no va ser escoltar l’usuari.
Escoltar usuaris és bo.
El problema va ser tractar una veu com si representés tot el sistema.
Aquesta és l’empathy trap.
Massa poca Empathy, i construeixes una cosa que ningú vol.
Massa Empathy en una sola direcció, i crees un punt cec.
La IA pot ajudar l’equip a fer zoom out.
Pregunta:
“Qui més queda afectat per aquesta funcionalitat, directament o indirectament?”
Després pregunta:
“Què li importaria, què temeria o què necessitaria cada stakeholder d’aquest canvi?”
Ara la conversa es torna més rica.
Però, un altre cop, la IA no decideix per l’equip.
L’equip encara ha de jutjar quines necessitats pesen més en aquesta decisió.
De vegades l’usuari final és el més important.
De vegades ho és seguretat.
De vegades ho és suport.
De vegades la restricció de negoci ho canvia tot.
L’objectiu no és fer que tothom estigui igual de content.
L’objectiu és fer visible el trade-off.
Empathy no consisteix a fer feliç un usuari.
Consisteix a entendre les persones al voltant del producte.
Sense Empathy, la IA dona solucions tècnicament correctes a problemes humans que no acaba d’entendre.
Adaptability: el refinament com a descobriment de context
La tercera veu és Adaptability.
I sovint s’entén malament.
Als equips els encanta dir que són adaptables perquè les prioritats canvien cada dos dies.
Però això no és Adaptability.
Això és turbulència amb un Jira board.
L’Adaptability real no és només reaccionar ràpid.
L’Adaptability real és llegir el context abans de comprometre’s amb una decisió.
Pregunta:
Què va passar l’última vegada?
Què ha canviat?
Quines restriccions existeixen ara?
Quins riscos fem veure que no veiem?
Què ja sabem, però continuem oblidant?
Tornem a l’exportació a CSV.
Pregunta a la IA:
“L’última vegada que vam construir una funcionalitat d’exportació de dades, què podria haver anat malament?”
O encara millor, si la IA té accés a la història del producte, documentació, tickets de suport o incidents previs:
“Basat en el que sabem de funcionalitats d’exportació anteriors, quins riscos hauríem de considerar abans de refinar aquesta història?”
Potser la resposta et recorda que les exportacions grans van causar problemes de rendiment.
Potser els usuaris van exportar dades sensibles.
Potser el format CSV era inconsistent.
Potser suport va rebre preguntes sobre fitxers trencats.
Potser un altre equip ja va construir alguna cosa semblant.
Aquesta última fa mal.
Perquè de vegades la pregunta més valuosa del refinament és:
“Això ja ho hem resolt?”
Potser ja existeix una API.
Potser hi ha un informe antic que ningú recorda.
Potser un altre equip va crear un workaround.
Potser les dades estan disponibles en un altre lloc.
Potser la solució no és elegant, però és prou bona.
Això és context.
I el context canvia les decisions.
Ara afegeix més realitat.
Dependències.
Codi legacy.
Revisions de seguretat.
Permisos de dades.
Finestres de release.
Equips diferents.
Zones horàries diferents.
Prioritats diferents.
De sobte, la història simple ja no és només un ticket.
És coordinació.
És risc.
És història de producte.
És memòria organitzativa.
Aquí és on la IA pot ser extremadament útil.
No decidint què fer.
Sinó ajudant l’equip a preguntar:
“Què ens estem perdent?”
Un bon prompt de refinament podria ser:
“Donada aquesta història, llista els riscos contextuals que podríem estar ignorant: dependències, intents previs, restriccions de seguretat, ownership de dades, impacte operacional, implicacions per a suport i restriccions de release.”
Aquest tipus de pregunta canvia el refinament.
Mou l’equip més enllà de la clarificació.
Converteix el refinament en descobriment de riscos.
I això importa perquè moltes històries no fallen perquè els equips no les puguin programar.
Fallen perquè els equips ignoren el món que les envolta.
Sense Adaptability, la IA t’ajuda a repetir errors antics més ràpid.
El nou rol dels humans en el refinament assistit per IA
Hi ha una temptació molt gran que els equips poden tenir amb la IA.
Poden començar a tractar-la com la nova persona més intel·ligent de la sala.
La que sempre té una resposta.
La que sempre produeix una estructura neta.
La que mai es cansa, mai es queixa i mai diu: “Podem continuar?”
Però el refinament no millora quan l’equip simplement accepta l’output de la IA.
Això no és millor refinament.
Això és externalitzar el criteri.
La IA pot generar opcions.
La IA pot revelar riscos.
La IA pot suggerir slices.
La IA pot simular usuaris.
La IA pot desafiar assumpcions.
Però els humans encara han de decidir.
Què importa?
Què importa ara?
Què importa més?
Aquesta és la feina.
I aquesta feina no es pot delegar a un model.
Perquè les decisions de producte no són només problemes d’informació.
Són problemes de trade-offs.
Strategy sense Empathy pot tornar-se freda.
Construeixes la cosa correcta per a les persones equivocades.
Empathy sense equilibri pot tornar-se ingènua.
Fas feliç un usuari i crees dolor per a tothom més.
Adaptability sense Strategy pot tornar-se caos.
Reacciones a tot i no et compromets amb res.
Cap d’aquestes veus té sempre raó.
Per això l’equip importa.
El valor no és seguir cegament Strategy, Empathy o Adaptability.
El valor és en la tensió entre elles.
La IA pot fer visible aquesta tensió.
Però l’equip ha de treballar-hi.
El perill no és només que la IA doni males respostes.
El perill més gran és que la IA doni respostes plausibles massa ràpidament, i l’equip deixi de pensar.
Per això la IA no hauria de tancar la conversa.
L’hauria d’obrir.
De millors prompts a millors converses
Molts equips comencen amb la pregunta equivocada:
“Com podem fer servir la IA per escriure millors user stories?”
No és una mala pregunta.
Però és massa petita.
Una pregunta millor és:
“Com podem fer servir la IA per tenir millors converses de producte?”
Aquest canvi importa.
Perquè l’objectiu no és generar tickets perfectes.
L’objectiu és millorar la qualitat del pensament abans que l’equip es comprometi amb la feina.
Aquí tens alguns prompts que poden ajudar.
Prompts de Strategy
“Quin problema podria estar intentant resoldre aquesta història? Llista possibles necessitats de fons.”
“Suggereix solucions alternatives a aquesta petició, incloent opcions que no siguin una nova funcionalitat.”
“Quina evidència ens ajudaria a decidir si val la pena construir això?”
“Què faria que aquesta història fos estratègicament irrellevant?”
Prompts d’Empathy
“Qui queda afectat directament i indirectament per aquesta funcionalitat?”
“Actua com un usuari primerenc. Què et confondria?”
“Actua com a suport. Quines preguntes o incidents podria crear això?”
“Actua com a seguretat. Quins riscos hauríem de considerar?”
“Quin stakeholder podria sortir perjudicat si optimitzem només per a l’usuari principal?”
Prompts d’Adaptability
“Quines dependències podrien afectar aquesta història?”
“Quins riscos són fàcils de subestimar aquí?”
“Quines decisions de producte prèvies o funcionalitats existents podrien canviar la millor solució?”
“Quines assumpcions hauríem de validar abans de la implementació?”
“Què podria fer fallar aquesta història encara que el codi s’entregués correctament?”
Aquests prompts són útils no perquè la IA tingui un criteri perfecte.
Són útils perquè ajuden l’equip a frenar en els llocs adequats.
No a tot arreu.
No per sempre.
Només allà on pensar millor importa.
La IA no salvarà el teu refinament
Així que no, la IA no arreglarà el teu refinament.
Si el refinament és una reunió burocràtica, la IA el convertirà en una reunió burocràtica més ràpida.
Si el refinament és polir tickets, la IA t’ajudarà a polir tickets més ràpid.
Si el refinament és un ritual d’estimació, la IA t’ajudarà a automatitzar el ritual.
Però si el refinament és una conversa on l’equip converteix incertesa en millors decisions, la IA pot fer que aquesta conversa sigui més rica.
Pot mostrar més opcions.
Pot revelar més riscos.
Pot simular més perspectives.
Pot desafiar més assumpcions.
Però l’equip encara ha de pensar.
L’equip encara ha de triar.
L’equip encara ha de jutjar.
Aquí és on Strategy, Empathy i Adaptability importen.
Strategy pregunta:
Val la pena fer això?
Empathy pregunta:
Qui queda afectat?
Adaptability pregunta:
Quin context podria canviar la resposta?
I juntes ajuden a evitar que la IA es converteixi en una altra màquina de produir tickets.
Perquè el refinament mai havia de ser una fàbrica de tickets.
Havia de ser un lloc on la incertesa es converteix en millors decisions.
Així que la propera vegada que algú digui:
“Necessitem exportar a CSV.”
No preguntis només:
“Quants punts són?”
Pregunta:
“Per què això importa?” “A qui afecta?” “Què ens estem perdent?”
I potser, només potser, l’equip finalment es posarà d’acord sobre què vol dir realment “exportar a CSV”.
Perquè la IA no salvarà el teu refinament.
Però potser et salvarà de continuar fent veure que ja funcionava.
El worksheet el trobaràs a la pàgina de Recursos.
Si vols l’explicació completa de les idees d’aquest post, veure el vídeo aquí.