KI-mognadsmodell för agil leverans: Checklista med Excel-mall
Många KI-mognadsmodeller är skrivna för CIO:er eller enterprise-program. Denna flyghöjd är för grov och för långt ifrån vardagen i den agila mjukvaruutvecklingen för många Engineering Managers.
Den här artikeln översätter befintliga KI-mognadsmodeller till en pragmatisk modell för agil mjukvaruutveckling. Därmed följer vi inte KI-hypen, utan det sunda förnuftet utifrån tesen:
KI-mognad i agil mjukvaruutveckling visar sig genom om KI påskyndar och förbättrar värdeflödet från problemförståelse till användarfeedback.
Här får du 6 dimensioner, vardera med 3 hälsokontrollpunkter för enkäter och teamretrospektiv. I slutet hittar du dessutom en Excel-mall som sammanfattar alla punkter som grund för din mognadsmatris.
TL;DR
- Klassiska KI-mognadsmodeller mäter snarare abstrakt strategi, data, styrning, engineering, operating model, kultur och värdebidrag.
- För agil mjukvaruutveckling bör dessa dimensioner översättas till konkreta förmågor hos agila team: måltydlighet, kunskapskontext, verifiering, leveranssystem, samarbete och kontinuerlig förbättring.
- Den bästa mätningen av KI-mognad är inte Excel-rapportering, utan en grund för teamretrospektiv för att genomföra konkreta, märkbara förbättringar.
Vad befintliga KI-mognadsmodeller typiskt mäter
KI-mognadsmodeller följer oftast ett liknande mönster: De mäter en organisations förmåga att strategiskt, säkert och verkningsfullt bädda in KI i arbetssystem.
1. Teknologiska förmågenivåer
KPMG beskriver en KI-förmågemodell med sex nivåer, från datamognad över prompting och kontextualisering till tillförlitlighet, integration och operationalisering i skalad drift. Det är tekniskt användbart, eftersom det klargör att man inte behöver fundera över autonoma agenter och skalad drift när det fortfarande saknas en robust data- och kontextbas.
Källa: KPMG: AI Capability Maturity Assessment
2. Styrning, risk och livscykel
OWASP AIMA är särskilt relevant för mjukvaruteam eftersom det betraktar KI-mognad längs en livscykel. Mognadsmodellen nämner strategi, design, implementering, drift och styrning som kärndomäner. Det länkade Excel-verktyget går ännu mer granulärt tillväga och arbetar med 8 praktikområden: Responsible AI Principles, Governance, Data Management, Privacy, Design, Implementation, Verification och Operations.
Källor: OWASP AI Maturity Assessment, OWASP AIMA PDF, OWASP AIMA Excel Toolkit
3. Pelare, heatmaps och prioriterade roadmaps
Gartner beskriver KI-mognad som en diagnos över flera kärnpelare: strategi, data, styrning, engineering, operating model, kultur samt KI-produkt och värdebidrag. Den praktiska kärnan är en heatmap mellan aktuell och önskad mognadsnivå, ur vilken prioriterade initiativ och roadmaps uppstår.
Källa: Gartner: AI Maturity Model and AI Roadmap Toolkit
4. Assessment, analys och gemensam workshop
AI Sweden beskriver mognadsmätning som en process i tre steg: assessment, analys och workshop. Särskilt meningsfullt är det tredje steget: intressenter diskuterar resultaten tillsammans och tar fram en roadmap. Just denna uppföljningslogik saknas i många Excel-mallar (men naturligtvis inte i vår).
Källa: AI Sweden: AI Maturity Assessment
För agila team betyder det: Retrospektiven är inte ett “add-on” efter mätningen av mognadsgraden. Retrospektiven är den centrala platsen där insikter skapas utifrån mätningen av mognadsgraden och förändringar initieras.
5. Ambition, förmågor, use cases och genomförande
Holisticon beskriver den appliedAI-nära utvärderingen genom fyra dimensioner: Ambitions, Capabilities & Enablers, Use Cases och Execution. Detta är en bra påminnelse om att AI-mognad inte bara handlar om governance. Det krävs ambition, förmågor och relevanta användningsfall.
Källa: Holisticon: AI Maturity Assessment
Accenture ramar också in AI-mognad som ett transformationsämne (och inte bara som en verktygsintroduktion). Detta perspektiv är framför allt en bekräftelse på vår artikel om AI-transformation: AI-mognad måste mätas utifrån förmågan till förändring.
Källa: Accenture: The Art of AI Maturity
Vad befintliga modeller för AI-mognad saknar för agil mjukvaruutveckling
Enterprise-modellerna är bra för orientering. För Engineering Managers har de dock tre svagheter:
- De är ofta för långt ifrån teamets vardag.
- De mäter många förutsättningar, men för lite av leveransbeteendet.
- De skapar lätt en mognads-dashboard utan att förbättra nästa teambeslut.
Därför översätter jag modellerna till 6 dimensioner som ett produkt- eller engineering-team faktiskt kan diskutera i retrospektiv. Varje dimension besvarar exakt en vägledande fråga:
| Dimension | Vägledande fråga | Funktion i leveranssystemet |
|---|---|---|
| Målklarhet | Arbetar vi med rätt problem? | Riktning |
| Gemensam kunskapskontext | Kan AI förstå vår produkt och vår domän? | Kontext |
| Verifiering & tillit | Kan vi använda AI-resultat på ett säkert sätt? | Förtroende |
| KI-adaptivt leveranssystem | Blir teamet som system bättre? | Flöde |
| Samarbete | Blir AI en teamförmåga istället för individuell optimering? | Alignment |
| Kontinuerlig förbättring & styrning | Blir organisationen och reglerna bättre för varje iteration? | Lärande loop |
Systemet bakom är enkelt:
- Mål avgör vad AI används till.
- Kunskapskontext avgör hur bra AI kan arbeta.
- Verifiering avgör om resultaten är användbara.
- Leveranssystemet avgör om det skapas värde snabbare.
- Samarbete avgör om teamet blir bättre tillsammans.
- Kontinuerlig förbättring och governance avgör om förbättringarna håller över tid.
Logiken bakom AI-mognadsmodellen: 6 dimensioner och 3 nivåer för en tydlig prioritering
För team-retrospektiver rekommenderar jag 3 enkla nivåer. Viktigt är: Nivåerna bedömer inte först AI-användning. De bedömer först den underliggande leveransförmågan.
| Nivå | Betydelse | Typiskt mönster |
|---|---|---|
| Nivå 1: Förmåga finns | Teamet behärskar dimensionen i grunden. | Baseline |
| Nivå 2: Teampraxis etablerad | Teamet har en gemensam praxis för denna dimension. | Repeterbarhet |
| Nivå 3: AI integrerad | AI förstärker denna förmåga systematiskt. | AI-stödd leveranseffekt |
Så här använder du dessa nivåer: Om nivå 1 i en dimension redan är problematisk, identifiera först problemet med den och lös det. När en sund baseline har skapats kan du fortsätta med nivå 2 och förankra förmågan i teamens arbetssätt. Först när nivå 1 och 2 båda får bra resultat är fokus på “AI-integration” meningsfullt. Visst kan det vara så att AI redan erbjuder bra lösningar för nivå 1 och 2, men AI bör då ännu inte vara det mentala fokuset.
Här är alltså nu itemsen för att mäta dimensionen, med möjlighet att starta mätningen direkt med en retrospektiv i Echometer:
Mall för mätning av AI-mognadsgraden
Dimension 1: 🎯 Målklarhet
Denna dimension kontrollerar om AI förbättrar arbetet med rätt problem. Många team använder AI för mer output, trots att problem, användarbehov eller framgångskriterier är otydliga. Då skalar AI bara upp oklarheten.
AI-mognad: 🎯 Måltydlighet: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: Vid våra uppgifter är det oftast tydligt om de har uppnått sitt mål eller inte.
- Nivå 2: Innan vi genomför ämnen skapar vi alltid en gemensam förståelse för problem, lösning och framgångskriterier.
- Nivå 3: AI hjälper oss systematiskt att förstå användarproblem, väga lösningsalternativ och fastställa framgångskriterier.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
AI-mognad: 🎯 Måltydlighet
Hälsofrågor (skala)
Öppna frågor
Bra diskussioner uppstår här ofta kring frågan: “Vilket KI-accelererat arbete borde vi egentligen aldrig ha påbörjat?”
Mall för mätning av AI-mognadsgraden
Dimension 2: 🧠 Gemensam kunskapskontext
Denna dimension ersätter medvetet det snävare begreppet “datakvalitet”. För agil leverans handlar det inte bara om data, utan om produktkunskap, domänkunskap, arkitekturell förståelse, kvalitetskrav och gemensamma beslut. KI kan bara göra bra arbete om denna kontext är tillgänglig och tillförlitlig.
KI-mognadsgrad: 🧠 Gemensam kunskapskontext: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: Relevanta produkt- och domänkunskaper är lätt tillgängliga för mitt arbete.
- Nivå 2: Vi investerar som team i en gemensam kunskapskontext som är aktuell och användbar för alla.
- Nivå 3: KI hjälper oss systematiskt att identifiera kunskapsluckor och oklarheter samt förbättra kontexten.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
KI-mognadsgrad: 🧠 Gemensam kunskapskontext
Hälsofrågor (skala)
Öppna frågor
Min åsikt: För många team är kunskapskontext den underskattade hävstången. Promptutbildningar ger lite om teamets kunskap är utspridd, föråldrad eller motsägelsefull.
Mall för mätning av AI-mognadsgraden
Dimension 3: ✅ Verifiering & förtroende
Denna dimension är kärnan i KI-mognad i mjukvaruteam. KI kan snabba upp kod, tester, acceptanskriterier, analys och dokumentation. Men bara verifierbara resultat får komma in i värdeflödet.
KI-mognadsgrad: ✅ Verifiering & förtroende: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: Jag kan tillförlitligt bedöma kvaliteten i mitt arbete.
- Nivå 2: Vi har i teamet en etablerad standard för bra arbete som alla följer.
- Nivå 3: Med hjälp av KI upptäcker vi risker, fel och kvalitetsluckor tidigare och åtgärdar dem snabbare.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
KI-mognadsgrad: ✅ Verifiering & förtroende
Hälsofrågor (skala)
Öppna frågor
Ett moget team frågar inte: “Får vi använda KI till det här?” Det frågar: “Vilka bevis behöver vi för att kunna använda detta resultat på ett ansvarsfullt sätt?”
Mall för mätning av AI-mognadsgraden
Dimension 4: 🔁 AI-adaptivt leveranssystem
Denna dimension testar om KI förbättrar värdeflödet. Enskilda personer kan bli snabbare medan hela systemet knappt blir bättre. Då förblir KI en individuell optimering. Mognad uppstår först när teamet anpassar sitt arbetssätt till de nya möjligheterna.
KI-mognadsgrad: 🔁 KI-adaptivt leveranssystem: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: Vårt team levererar regelbundet inkrement som kunder kan använda.
- Nivå 2: Feedbackloopar med kunder och analys av användningsdata är en fast del av vårt teams värdeflöde.
- Nivå 3: Vi använder KI aktivt för att snabbare omvandla användningsdata och användarfeedback till effekt.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
KI-mognadsgrad: 🔁 KI-adaptivt leveranssystem
Hälsofrågor (skala)
Öppna frågor
Det praktiska testet: Om KI försvann ur ert arbete, skulle värdeflödet försämras eller bara den upplevda produktiviteten?
Mall för mätning av AI-mognadsgraden
Dimension 5: 🤝 Samarbete
Denna dimension är den blinda fläcken i många modeller för KI-mognadsgrad. Agil mjukvaruutveckling lever av gemensam förståelse, kommunikation, beslut och ägarskap. Om KI bara används individuellt kan den till och med försvaga teamarbetet: mindre gemensam kontext, mindre diskussion, mer parallell individuell optimering.
KI-mognadsgrad: 🤝 Samarbete: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: Jag har en god överblick över vad som händer i teamet just nu.
- Nivå 2: Vår kommunikation i teamet gör det möjligt för alla att arbeta effektivt och vara uppdaterade.
- Nivå 3: KI hjälper till att fördela relevant kunskap till rätt personer och minskar onödig informationsbörda.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
KI-mognadsgrad: 🤝 Samarbete
Hälsofrågor (skala)
Öppna frågor
Det här är enligt min mening den mest spännande skillnaden jämfört med många enterprise-modeller: En agil KI-mognadsmodell måste mäta om KI gör teamet bättre, inte bara enskilda specialister.
Mall för mätning av AI-mognadsgraden
Dimension 6: ☯️ Kontinuerlig förbättring & styrning
Styrning är viktig, men den får inte svälja allt. I den här modellen betyder styrning: Teamet kan fatta ansvarsfulla beslut, göra risker synliga och förbättra regler utifrån verkliga erfarenheter. Kontinuerlig förbättring och styrning hör ihop, eftersom stela regler i ett så dynamiskt fält snabbt blir föråldrade.
AI-mognadsgrad: ☯️ Kontinuerlig förbättring & styrning: Så här går retrospektiven till
Slumpmässig Icebreaker (2-5 minuter)
Echometer tillhandahåller en generator för slumpmässiga incheckningsfrågor.
Granskning av öppna åtgärder (2-5 minuter)
Innan man börjar med nya ämnen bör man prata om vad som har hänt med åtgärderna från tidigare retrospektiv för att kontrollera effektiviteten. Echometer listar automatiskt alla öppna åtgärdspunkter från tidigare retrospektiv.
Health Check
Alla teammedlemmar kan anonymt svara på hälsokontrollerna på en skala. Gå sedan igenom resultaten av hälsokontrollerna tillsammans och notera eventuella ytterligare kommentarer. Om ni använder samma hälsokontroller i flera retrospektiv kan ni också spåra trender över tid i Echometer.
- Nivå 1: För mitt arbete är ansvar och riskgränser alltid tydliga.
- Nivå 2: Som team anpassar vi regelbundet våra arbetssätt utifrån nya insikter och erfarenheter vi har gjort.
- Nivå 3: KI hjälper oss systematiskt att ifrågasätta och vidareutveckla våra arbetssätt.
Diskutera retro-ämnen
Använd följande öppna frågor för att samla in era viktigaste insikter. Först i hemlighet för var och en. Echometer tillåter att varje kolumn i retro-tavlan avslöjas individuellt för att sedan presentera och gruppera feedbacken.
- Vad håller oss tillbaka i denna dimension just nu?
- Vad är nästa bästa åtgärd eller nästa experiment för att förbättra oss i denna dimension?
Catch-all fråga (Rekommenderas)
Så att även andra ämnen har en plats:
- Vad mer vill du prata om i retrospektiven?
Prioritering / Omröstning (5 minuter)
På retro-tavlan i Echometer kan ni enkelt prioritera feedbacken med hjälp av omröstning. Omröstningen är naturligtvis anonym.
Definiera åtgärder (10-20 minuter)
Via plussymbolen på en feedback kan du skapa en länkad åtgärd. Är du inte säker på vilken åtgärd som är rätt? Öppna då istället en whiteboard om ämnet via plussymbolen för att brainstorma kring grundorsaker och möjliga åtgärder.
Checkout / Avslutning (5 minuter)
Echometer låter dig samla in anonym feedback från teamet om hur hjälpsam retrospektiven var. Detta resulterar i ROTI-poängen ("Return On Time Invested"), som du kan spåra över tid.
AI-mognadsgrad: ☯️ Kontinuerlig förbättring & styrning
Hälsofrågor (skala)
Öppna frågor
Målet är inte maximal frihet och inte maximal kontroll. Målet är ett system där team kan lära sig snabbt utan att förtränga risker.
Tips: Enkelt KI-mognads radar chart och heatmap med Echometer
Så snart du har behandlat alla items med ditt team kan du bearbeta och visualisera data. Echometer gör det till och med automatiskt åt dig:
Om du genomför KI-mognadsmätningen för flera team samtidigt får du i Echometer till och med en passande KI-mognadsanalys som matris / heatmap för organisationen:
Därför är min rekommendation: Använd i stället för manuella enkäter och Excel hellre Echometer, för att inte bara dra nytta av professionella utvärderingar och trendanalyser på knapptryckning, utan också av optimalt stöd för moderering och åtgärdsuppföljning.
Excel-mall: Alla items i KI-mognadsmodellen för agil mjukvaruutveckling som matris
Om du ändå vill ha en Excel-mall för din KI-mognadsmodell kan du använda följande Excel-template:
| Dimension | Nivå | Enkätfråga | Poäng 1-5 | Bevis | Största blockeraren | Nästa experiment | Ägare | Utvärderingsdatum |
|---|---|---|---|---|---|---|---|---|
| Målklarhet | 1 | För våra uppgifter är det oftast tydligt om de har uppnått sitt mål eller inte. | ||||||
| … |
Checklista: Så använder du KI-mognadsmodellen praktiskt för agil mjukvaruutveckling
Börja inte med alla 18 items i ett enormt assessment. Börja med en dimension där ni just nu känner friktion.
Varje item är formulerat som ett enkelt instämmande påstående. Om ett team förnekar nivå 1 är grundförmågan ännu inte stabil. Om nivå 1 stämmer, men nivå 2 inte gör det, saknas en tillförlitlig teampraktik. Om nivå 2 stämmer, men nivå 3 inte gör det, är AI ännu ingen systematisk förstärkare av denna förmåga.
Här är alltså din checklista för ett bra flöde:
- Välj en dimension som just nu verkar mest relevant för dig eller ditt team. Att fokusera på alla dimensioner samtidigt leder bara till en sak: kaos.
- Låt teamet bedöma de tre nivåerna anonymt. Till exempel direkt i Echometers Retro-verktyg.
- Diskutera inte medelvärdet i bedömningarna, utan avvikelserna i era åsikter. Därifrån uppstår insikter och möjligheter blir synliga.
- Svara också på de två öppna frågorna i retro-mallen för att utveckla en gemensam bild av hinder och möjliga åtgärder.
- Formulera ett experiment för 2 till 4 veckor. Kom överens om regelbundna avstämningar för att säkerställa framsteg.
- Mät samma dimension igen efter att åtgärden har genomförts och efter en lämplig testperiod.
Utöver checklistan är det också tillåtet med en uppmaning om vad du absolut bör undvika: Om ni jämför flera team, jämför mönster, inte poäng. Ett plattformsteam, ett produktteam och ett legacy-team har olika utgångslägen. Mognadmätning blir farlig när den förvandlas till en rankinglista.
Mer om detta: Varför agila mognadsassessments ofta misslyckas.
Slutsats: AI-mognad är bara användbar om den också leder till förbättringar
Befintliga AI-mognadsmodeller ger bra byggstenar: strategi, data, styrning, engineering, operating model, kultur, use cases, verifiering och drift. För agil leverans måste dessa byggstenar dock översättas till konkreta förmågor hos agila team. Där har våra items här gjort praktiska och kompakta förslag.
Min rekommendation: Använd Excel för överblick, men använd retrospektiv för förändring. Ett team som ärligt diskuterar en dimension och startar en bra förbättring (eller också ett bra experiment) har kommit längre än en organisation med perfekt matris och omfattande heatmap men utan konsekvens.
Om du söker mer input om AI i agil mjukvaruutveckling passar dessa artiklar som nästa steg:
FAQ om AI-mognadsmodellen för agil mjukvaruutveckling
Vad är en AI-mognadsmodell för agil mjukvaruutveckling?
En AI-mognadsmodell för agil mjukvaruutveckling bedömer hur väl ett team översätter AI till måltydlighet, kunskapskontext, verifiering, leveranssystem, samarbete och kontinuerlig förbättring. Den mäter inte bara verktygsanvändning, utan om AI förbättrar teamets värdeskapande och lärförmåga.
Hur skiljer sig detta från klassiska AI-mognadsmodeller?
Klassiska AI-mognadsmodeller betraktar ofta enterprise-perspektiv som strategi, data, styrning, kompetens, operating model och värdebidrag. För agil leverans måste dessa dimensioner översättas till konkreta förmågor hos agila team: bättre måltydlighet, bättre kunskapskontext, tillförlitlig verifiering, ett AI-adaptivt leveranssystem, starkare samarbete och kontinuerlig förbättring.
Ska jag börja med Excel eller med en retrospektiv för en AI-mognad?
Börja med en retrospektiv om du vill förändra beteende. Excel är användbart för att dokumentera items, poäng, evidens och experiment. Den egentliga insikten uppstår dock i samtalet om hinder, risker och nästa lilla förbättringssteg.
Varför innehåller mognadsmodellen bara tre mognadsnivåer?
Tre nivåer är begripliga och handlingsinriktade för teamretrospektiver: förmågan finns, teampraktiken är etablerad och KI är integrerat. En fjärde nivå som KI-native organisation kan i enskilda fall vara rimlig som vision, men för många team är den just nu för långt borta för att kunna leda till bra, konkreta åtgärder.
