ВІД ЕМПІРИЧНОЇ ДО ДАНО-ЕМПІРИЧНОЇ ГНУЧКОСТІ: ПРОЄКТУВАННЯ СИСТЕМ НАВЧАННЯ, ПІДСИЛЕНИХ ШІ, В AGILE-ОРГАНІЗАЦІЯХ (Представлення моделі Data-Empirical Agility Model — DEAM)
DOI:
https://doi.org/10.31732/2663-2209-2026-81-261-270Ключові слова:
Agile, штучний інтелект, організаційне навчання, системне мислення, Data-Empirical Agility, DEAM, Evidence-Based ManagementАнотація
В епоху штучного інтелекту традиційні Agile-організації стикаються з новими викликами щодо навчання та адаптації. У статті розглянуто перехід Agile-організацій від класичного емпіричного процесного контролю до data-empirical навчання в умовах широкого впровадження інструментів штучного інтелекту. Метою дослідження є обґрунтування та проєктування архітектури організаційного навчання, у якій ШІ виступає безперервним джерелом сигналів (sensing) і рекомендацій, а людина зберігає центральну роль у смислотворенні, прийнятті рішень та етичному врядуванні. Методологічною основою обрано Design Science Research; основним результатом є запропонована модель Data-Empirical Agility Model (DEAM), що структурує організаційне навчання на трьох взаємопов’язаних рівнях: методологічному (врядування та готовність до навчання), фреймворковому (координаційні структури й механізми зворотного зв’язку) та методному (практики адаптації, що реалізуються у циклах постійного поліпшення). Для підсилення практичної релевантності наведено емпіричну ілюстрацію на основі анонімізованих релізних даних п’яти Scrum-команд за 2025 рік, зібраних у фінансовому домені: метрик Velocity, Throughput, Lead Time, CRS, кількості дефектів, а також показників AI Adoption & Engagement і AI Tools Daily Usage. Спостережувані патерни вказують на можливе зниження волатильності навчання та скорочення затримок зворотного зв’язку за умов вищої щільності використання ШІ-інструментів (AI sensing density): у пізніших циклах зменшується варіативність delivery-метрик між релізами, рідше фіксуються виражені сплески CRS та пізно виявлені дефекти, при цьому середні значення продуктивності можуть залишатися стабільними. Отримані результати підтримують внутрішню узгодженість DEAM і уточнюють, що ключовою цінністю ШІ є не прискорення “виходу”, а підвищення стабільності навчання та керованості адаптації. Обмеженням дослідження є одноорганізаційний контекст і ілюстративний (не підтверджувальний) характер емпіричного аналізу; подальші дослідження мають включати міжорганізаційні порівняння, кількісну валідацію конструктів та аналіз модераторів (довіра до ШІ, психологічна безпека, політики врядування).
Завантаження
Посилання
Argyris, C., & Schön, D. A. (1996). Organizational learning II: Theory, method, and practice. Addison-Wesley.
Cui, Z., Li, Z., Wang, Y., & Yang, F. (2025). The effects of generative AI on workplace productivity: Evidence from field experiments. Working paper. MIT.
Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637–643. https://doi.org/10.1007/s12599-019-00595-2
Hevner, A. R., & Chatterjee, S. (2010). Design research in information systems: Theory and practice. Springer.
Highsmith, J. (2009). Agile project management: Creating innovative products (2nd ed.). Addison-Wesley.
Krancher, O., Luther, P., & Jost, M. (2018). Key affordances of platform-as-a-service: Self-organization and continuous feedback. Journal of Management Information Systems, 35(3), 776–812. https://doi.org/10.1080/07421222.2018.1481636
Larman, C., & Vodde, B. (2016). Large-scale Scrum: More with LeSS. Addison-Wesley.
Lukutin, O. (2024). Agile maturity assessment as an important part of organizational transformation. Держава, регіони, підприємництво: інформаційні, суспільно-правові, соціально-економічні аспекти розвитку: матеріали VI Міжнародної конференції (5-6 грудня 2024 р., м. Київ). Київ: Університет "КРОК", 2024.
https://conf.krok.edu.ua/SRE/SRE-2024/paper/view/2645.
Lukutin, O. (2025a). AI and organizational agility: Can AI overcome Larman’s laws of resistance? Scientific Notes of «KROK» University “KROK”, 3(79), 370–376. https://doi.org/10.31732/2663-2209-2025-79-370-376
Lukutin, O. (2025b). Pattern-based framework for managing artificial intelligence innovation in scaled Agile environments. International Scientific and Practical Conference "Information Systems in Project and Program Management", September 15–20, 2025, Koblevo: (Mykolaiv region), Ukraine. 2025. https://mmp-conf.org/documents/archive/proceedings2025.pdf.
Lukutin, O., & Michkivskyy, V. (2025c). AI as a catalyst of organizational agility. Науково-практична конференція «Лідерство, бізнес-процеси та стале майбутнє», Університет «КРОК» та Бізнес Школа КРОК, Україна, Київ, 27 вересня 2025 року https://dspace.krok.edu.ua/items/262c8a7d-2c4e-49a5-8a18-003dbb43eaf6
Meadows, D. H. (2008). Thinking in systems: A primer. Chelsea Green Publishing.
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv preprint. https://arxiv.org/abs/2302.06590
Schwaber, K., & Sutherland, J. (2020). The Scrum Guide: The definitive guide to Scrum. Scrum.org. https://scrumguides.org
Zhang, X., & Venkatesh, V. (2025). Human–AI collaboration in software development: Implications for productivity and coordination. ACM Transactions on Software Engineering and Methodology.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.