همگرایی توافقی: چگونه هوش مصنوعی و کار ناهمگام، خستگی ناشی از جلسات را به سرعتِ توسعه محصول تبدیل کرد

ما قبلاً تمام بعدازظهر خود را صرف بحث بر سر تصمیمات محصول می‌کردیم و عملاً زمان را می‌سوزاندیم. اما حالا وضعیت تغییر کرده است: تنها ۲۰ دقیقه برای همسوسازیِ زمینه (Context) وقت می‌گذاریم و سپس به همه اجازه می‌دهیم تا راه‌حل‌ها را به صورت انفرادی (هم با کمک هوش مصنوعی و هم بدون آن) بررسی کنند. نتیجه؟ تصمیماتی که قبلاً هفته‌ها طول می‌کشید، اکنون در چند ساعت گرفته می‌شود. مهندسانی داریم که استراتژی محصول را درک می‌کنند و مدیران محصولی که محدودیت‌های فنی را می‌فهمند. و مهم‌تر از همه: ما سریع‌تر محصول شیپ می‌کنیم (Ship) و سواد هوش مصنوعی را در کل شرکت افزایش می‌دهیم!

تصمیمات مربوط به محصول، این ظرفیت عجیب را دارند که جلسه پشتِ جلسه را ببلعند. تخصص‌های مختلف هر کدام از دیدگاه خود دفاع می‌کنند، حرف یکدیگر را متوجه نمی‌شوند و در نهایت به راه‌حل‌های مصالحه‌آمیزی می‌رسند که هیچ‌کس را راضی نمی‌کند. مهندسان بر محدودیت‌های فنی تمرکز دارند، طراحان بر تجربه کاربری، و مدیران محصول بر تأثیر تجاری؛ همه این‌ها نگرانی‌های معتبری هستند، اما آشتی دادن آن‌ها در بحث‌های گروهیِ بلادرنگ (Real-time) بسیار دشوار است.

ما این روند فرسایشی را با یک الگوی ساده جایگزین کرده‌ایم: جلسات کوتاه برای همسوسازی زمینه، که با تحلیل و پژوهش انفرادی دنبال می‌شود. تیم‌ها به طور مستقل و از طریق مسیرهای استدلالی کاملاً متفاوت، بر روی راه‌حل‌های مشابه «همگرا» می‌شوند. نتیجه غیرمنتظره این بود که این کار نه تنها تصمیم‌گیری ما را سرعت بخشید، بلکه ما را در همکاری با یکدیگر بهتر کرد و «سرعت توسعه محصول» (Product Velocity) ما را افزایش داد.

همگرایی توافقی (Consensus Convergence) چیست؟

«همگرایی توافقی» توصیف‌کننده تغییری است از مناظرات گروهی به سمت تصمیم‌گیری ساختاریافته و ناهمگام (Async)، که بر پایه یک «زمینه مشترک» (Shared Context) و اکتشاف فردی بنا شده است. به جای تلاش برای رسیدن به اجماع از طریق بحث کلامی، ما ابتدا روی صورت‌مسئله و محدودیت‌ها همسو می‌شویم، سپس قبل از همگرا شدن روی راه‌حل‌های سازگار، به پژوهش مستقل و گفتگو با هوش مصنوعی می‌پردازیم.

بینش خلافِ آمدِ عادت اینجاست: تیم‌ها زمانی که راه‌حل‌ها را جداگانه (با کمک هوش مصنوعی) بررسی می‌کنند، راحت‌تر از زمانی که رو در رو بحث می‌کنند، به توافق می‌رسند. آن «زمینه مشترک» تضمین می‌کند که همه در حال حل یک مشکل واحد هستند، در حالی که گفتگوهای انفرادی با هوش مصنوعی به هر تخصص اجازه می‌دهد تا تصمیم را از دریچه تحلیلیِ خود درک کند.

مثال‌های واقعی: از جهنمِ جلسات تا موفقیت ناهمگام

مورد ۱: بهینه‌سازی متدولوژی شاخص‌ها (۶ ماه پیش – جایی که همه چیز شروع شد)

این تصمیمی بود که کل رویکرد ما را آغاز کرد. ما در یک حلقه بی‌پایان از جلسات گیر کرده بودیم — بیش از ۳ جلسه، مجموعاً بیش از ۶ ساعت، و بحث‌های دایره‌ای در مورد اینکه کدام یک از ۱۲ متدولوژی شاخص کریپتو (Crypto Index) خود را حفظ کنیم و کدام را بازنشسته کنیم. مهندسان در مورد هزینه‌های زیرساخت بحث می‌کردند، تیم محصول برای انعطاف‌پذیریِ کلاینت فشار می‌آورد و تیم UX به استانداردهای صنعت اشاره می‌کرد.

برای پیدا کردن راه چاره، چیز متفاوتی را امتحان کردیم: یک جلسه همسوسازی ۲۵ دقیقه‌ای که در آن روی ساختن یک «پرامپت بی‌طرفانه» تمرکز کردیم. این حیاتی بود — با مهندسی پرامپت، شما می‌توانید کاری کنید که هوش مصنوعی هر چه شما می‌خواهید بگوید. مهم‌ترین بخش، توافق بر سر کانتکست نبود، بلکه اطمینان از این بود که پرامپت ما، هوش مصنوعی را به سمت هیچ نتیجه از پیش تعیین شده‌ای هدایت نکند.

با توجه به این ۵ متدولوژی خاص (ما اسناد واقعی متدولوژی را به اشتراک گذاشتیم)، محدودیت‌های زمانی پیاده‌سازی فعلی ما، هزاران دلار هزینه پشتیبانی، و تحلیل بخش‌بندی کاربران که نشان می‌داد چه کسانی واقعاً به تفاوت‌های متدولوژیک اهمیت می‌دهند — سوال اصلی این شد: «چه کاری می‌توانیم انجام دهیم تا سرعت خود را افزایش دهیم و هزینه‌هایمان را کاهش دهیم، بدون اینکه تأثیر منفی بر کاربران بگذاریم؟» نکته حیاتی این بود که وقت گذاشتیم تا مطمئن شویم این سوال به سمت ادغام یا هر راه‌حل خاص دیگری سوگیری ندارد.

گفتگوهای انفرادی با هوش مصنوعی (۲ ساعت به صورت ناهمگام در Slack):

• مهندس (با استفاده از Claude): همبستگی ریاضی بین متدولوژی‌ها را تحلیل کرد، آستانه همبستگی ۰.۹۷+ را شناسایی کرد و صرفه‌جویی دقیق زیرساختی ناشی از ادغام را محاسبه کرد.
• مدیر محصول (با استفاده از GPT-4): سناریوهای تأثیر بر کاربر را بررسی کرد، پیامدهای سفر مشتری (Customer Journey) را ترسیم کرد و رویکرد بازنشستگی مرحله‌ای را برای به حداقل رساندن اختلال طراحی کرد.
• طراح UX (با استفاده از Perplexity): بنچمارک‌های صنعت را تحقیق کرد، متوجه شد که ارائه‌دهندگان بزرگ شاخص حداکثر ۳ تا ۵ متدولوژی اصلی را حفظ می‌کنند و رویکرد ادغام ما را با استانداردهای بازار اعتبارسنجی کرد.

خروجی: هر سه نفر به طور مستقل توصیه کردند که متدولوژی‌ها را ادغام کنیم. مسیرهای استدلالی متفاوت بود (بهینه‌سازی فنی در برابر تأثیر کاربر در برابر استانداردهای صنعت) اما نتایج یکسان بود.

نتیجه: صرفه‌جویی هزاران دلار در ماه، آزادسازی ظرفیت مهندسی، و تصمیمی که به جای هفته‌ها جلسه، در مجموع طی ۲.۵ ساعت گرفته شد. مهم‌تر از همه، این موفقیت ما را متقاعد کرد که همین الگو را برای تصمیمات آینده نیز به کار ببریم.

مورد ۲: رابط کاربری رتبه‌بندی دارایی‌های موبایل (همین هفته – صدها تصمیم بعد)

شش ماه و بسیاری تصمیم موفقیت‌آمیز بعد، این فرآیند ارزشمند شده است. همین هفته گذشته، نیاز داشتیم در مورد الگوی بهینه رابط کاربری (UI) برای اپلیکیشن موبایل React Native کوین‌دسک (CoinDesk) تصمیم بگیریم. فرآیندی که زمانی هفته‌ها طول می‌کشید، اکنون به طور طبیعی جریان می‌یابد.

روش قدیمی: بیش از ۲ جلسه بحث در مورد «اسکرول بی‌پایان» (Endless Scroll) در مقابل «صفحه‌بندی» (Pagination). تیم موبایل برای الگوهای مدرن UX فشار می‌آورد، تیم بک‌اند برای کارایی کوئری بحث می‌کرد، و محصول درخواست داده‌های رفتار کاربری را داشت که هنوز وجود نداشت.

روش جدید: ۲۰ دقیقه همسوسازیِ زمینه: رتبه‌بندی ارزش بازار (Market Cap) برای بیش از ۵۰۰۰ دارایی.

صورت مسئله: ما در حال عرضه یک اپلیکیشن موبایل React-Native کوین‌دسک هستیم که هم بومی‌های کریپتو (Crypto Natives) و هم معامله‌گران/سرمایه‌گذاران سنتی را که از بازار سهام، فارکس و کالا مهاجرت می‌کنند، هدف قرار می‌دهد. این اپلیکیشن ۵۰ تا ۴۰۰۰ دارایی کریپتو را که بر اساس ارزش بازار زنده رتبه‌بندی شده‌اند، لیست می‌کند — شبیه به نحوه نمایش جهان بزرگ دارایی‌ها در Bloomberg Terminal یا TradingView یا Interactive Brokers. قیمت‌ها و تغییرات ۲۴ ساعته هر ثانیه تیک می‌خورند، اما رتبه عمودی (Rank Order) فقط با رفرش صریح کاربر به‌روز می‌شود (تقلید از ترمینال‌های داده بازار سنتی که در آن‌ها ثبات رتبه برای تصمیم‌گیری حرفه‌ای حیاتی است).

الگوهای UI برای ارزیابی:
۱. اسکرول بی‌پایان (Infinite Scroll) – بارگیری دسته بعدی با نزدیک شدن کاربر به پایان.
۲. صفحه‌بندی شماره‌دار با اسکرول مجازی درون‌صفحه‌ای (~۵۰ سطر در هر صفحه) – کاربر با دکمه “بعدی/صفحه X” ورق می‌زند؛ دقیقاً یک صفحه را در حافظه نگه می‌دارد.
تحلیل: از زاویه تجربه کاربری، با در نظر گرفتن هر دو گروه کاربران بومی کریپتو و معامله‌گران سنتی که به رابط‌های TD Ameritrade یا E*TRADE عادت دارند، برای هر الگو موارد زیر را بحث کنید:
– ثبات بصری (پرش سطرها، دریفتِ اسکرول)
– قابلیت اطمینان تعامل
– تأثیر منابع (باتری، CPU، حافظه)
– بار شناختی
– ادغام با جریان کاری حرفه‌ای

خروجی‌های مورد انتظار: جدول SWOT، لیست شکست‌ها/موارد خاص (Edge-cases)، بررسی رقابتی (مقایسه با Binance، Coinbase Pro، CoinMarketCap، Kraken Pro و پلتفرم‌های سنتی مثل Schwab)، و توصیه مستدل.

اکتشافات انفرادی با هوش مصنوعی (۹۰ دقیقه ناهمگام):

• مهندس (با استفاده از Claude): تحلیل سیستماتیک الگوی UX، مقایسه پیامدهای عملکردی اسکرول در برابر صفحه‌بندی، و توصیه رویکرد ترکیبی بر اساس داده‌های بخش‌بندی کاربر.
• طراح UX (با استفاده از GPT-4): اکتشاف دقیق طراحی تعامل، الگوهای پیاده‌سازی خاص برای گذارهای نرم، و بهینه‌سازی جریان کاربر (User Flow).
• مدیر محصول (با استفاده از Perplexity): تحلیل رقابتی، الگوهای پذیرش صنعت، و استراتژی‌های بهینه‌سازی پایگاه داده برای رویکردهای ترکیبی.

خروجی: هر سه نفر روی یک راه‌حل ترکیبی همگرا شدند (اسکرول مجازی برای ۵۰ تای اول، صفحه‌بندی برای مرور عمیق‌تر، و استفاده از اسکرول بی‌پایان برای لیست‌هایی که ترتیب آن‌ها قطعی و غیرقابل تغییر است مثل حروف الفبا). و مهم‌تر از آن، به این نتیجه رسیدند که لیستِ مرتب‌شده بر اساس Market Cap بهترین ابزار کشف نیست و باید به دنبال فیلترینگ و روش‌های دیگر باشیم.

نتیجه: هنوز در حال انجام است (این جلسه چند روز پیش بود. در پست بعدی به‌روزرسانی‌ها را به اشتراک می‌گذاریم!).

مزایای غیرمنتظره: تیم‌های بهتر، سرعت بالاتر

فراتر از تصمیم‌گیری سریع‌تر، این رویکرد نحوه همکاری ما را متحول کرد:

1. درک متقابل بین‌رشته‌ای: مهندسان با خواندن گفتگوهای هوش مصنوعیِ یکدیگر در اسلک، شروع به درک دیدگاه‌های محصول و UX کردند. مدیران محصول نسبت به محدودیت‌های فنی قدردانی پیدا کردند. طراحان UX در مورد هزینه‌های زیرساخت یاد گرفتند. این موضوع همدلی و حسن نیت واقعی بین تیم‌ها ایجاد کرد.
2. پردازش موازی: به جای بحث ترتیبی که در آن همه منتظر نوبت خود هستند، ما به طور همزمان اکتشاف می‌کنیم. آنچه قبلاً ۳ جلسه در طول ۲ هفته طول می‌کشید، اکنون در ۲-۳ ساعت اتفاق می‌افتد.
3. تصمیمات با کیفیت بالاتر: مدل‌های مختلف هوش مصنوعی (Claude، GPT-4، Perplexity) نقاط قوت تحلیلی متفاوتی را به ارمغان می‌آورند. ما پوشش راه‌حل جامع‌تری نسبت به آنچه هر دیدگاه واحدی می‌توانست ارائه دهد، دریافت می‌کنیم.
4. مستندسازی پیش‌فرض: هر گفتگوی هوش مصنوعی به یک سند تصمیم‌گیری با زنجیره‌های استدلال کامل تبدیل می‌شود. اعضای جدید تیم می‌توانند با خواندن زمینه و اکتشافات هوش مصنوعی، تصمیمات گذشته را درک کنند.
5. کاهش خستگی جلسات: تیم‌ها زمان کمتری را در اتاق‌های کنفرانس و زمان بیشتری را صرف ساختن می‌کنند. وقتی هم که ملاقات می‌کنیم، تمرکز روی همسوسازی است، نه بحث‌های بی‌پایان.
6. تکرار (Iteration) سریع‌تر: وقتی راه‌حل‌ها نیاز به اصلاح دارند، ما زمینه را تنظیم می‌کنیم و دوباره با هوش مصنوعی کاوش می‌کنیم، به جای اینکه جلسه دیگری را برنامه‌ریزی کنیم.

چرا مدل‌های مختلف هوش مصنوعی همگرا می‌شوند؟

وقتی تیم از یک پرامپتِ دقیقاً بی‌طرفانه شروع می‌کند، هر هوش مصنوعی فضای مسئله را از طریق لنز «ابر قدرت» خود بررسی می‌کند — تحلیل سیستم‌ها، طراحی سناریو، عمل‌گرایی عملکردی، یا جمع‌آوری سریع حقایق. آن لنزها جنبه‌های مختلفی از همان محدودیت‌ها را روشن می‌کنند، بنابراین توصیه‌ها به طور طبیعی در اطراف منطقه بهینه جمع می‌شوند.

• Claude — تحلیلگر سیستماتیک بده‌بستان‌ها (Trade-off): همبستگی‌ها و امتیازات هزینه/فایده را کمی‌سازی می‌کند؛ ناسازگاری‌های منطقی را زودتر پرچم‌گذاری می‌کند.
• GPT-4 — طراح سناریوی جزئی‌نگر: موارد خاص (Edge cases) و جریان‌های کاربر را ترسیم می‌کند؛ پیامدهای ریز UX را برجسته می‌کند.
• Gemini (گوگل) — مهندس عملکرد عمل‌گرا: امکان‌پذیری و مقیاس‌پذیری را تست استرس می‌کند؛ گلوگاه‌های منابع یا بودجه را آشکار می‌کند.
• Perplexity — محقق رقابتی برق‌آسا: بنچمارک‌ها و سوابق بازار را واکشی می‌کند؛ داده‌های خارجی را برای اعتبارسنجی فرضیات تزریق می‌کند.

این همگرایی تصادفی نیست؛ نشان می‌دهد که وقتی کانتکست به درستی تعریف شود و بدون سوگیری باشد، رویکردهای تحلیلی مختلف به طور طبیعی راه‌حل‌های بهینه مشابهی را در چارچوب محدودیت‌های تعیین شده شناسایی می‌کنند.

تأثیر بر سرعت محصول (Product Velocity)

تحول در سرعت توسعه ما چشمگیر بوده است، اما یک شبه اتفاق نیفتاد. شش ماه پیش، شناسایی یک مشکل محصول به معنای برنامه‌ریزی یک جلسه کشف (Discovery Meeting) برای هفته بعد بود. تا زمانی که ما شروع به ساخت می‌کردیم، مشکل اصلی گاهی اوقات تکامل یافته یا کاملاً از اولویت خارج شده بود.

اکنون، وقتی تصمیم گرفتیم پخش قیمت زنده (Real-time price streaming) را به رتبه‌بندی دارایی‌های خود اضافه کنیم، همسوسازیِ زمینه و سه راه‌حلِ بررسی‌شده توسط هوش مصنوعی را ظرف ۴ ساعت در اسلک داشتیم. مهندس، پیامدهای UX الگوهای مختلف اسکرول با به‌روزرسانی داده‌های زنده را درک کرد، طراح UX پیامدهای کوئری دیتابیس برای داده‌های جریانی را فهمید و مدیر محصول تحقیق کرد که رقبای ما چگونه ویژگی‌های مشابه را مدیریت می‌کنند.

نکته حیاتی این بود که تحلیل رقابتی نشان داد اکثر اپلیکیشن‌های کریپتو از خرابی‌ها و مشکلات قابلیت اطمینان در ویژگی‌های بلادرنگ رنج می‌برند، که این موضوع USP (پیشنهاد فروش منحصر به فرد) اصلی ما را تقویت کرد: ثبات، دقت و بهنگام بودن. از آنجایی که ما قبلاً برای استریمینگ داشتیم زیرساخت لیست برتر را دستکاری می‌کردیم، تصمیم گرفتیم همزمان UX را بهبود بخشیم در حالی که همه چیز را ساده و کارآمد نگه داریم. ما پیاده‌سازی را صبح روز بعد با اطمینان کامل به رویکردمان و استراتژی روشنی برای متمایز شدن بر اساس قابلیت اطمینان (Reliability) آغاز کردیم.

این تغییر سرعت در همه چیزهایی که می‌سازیم جریان دارد. برای نقشه راه فصل دوم (Q2) آینده‌مان، به جای سه جلسه برنامه‌ریزی تمام‌روز معمول که هنوز همه را در مورد امکان‌پذیری فنی نامطمئن می‌گذاشت، قصد داریم از همان رویکرد همسوسازی زمینه استفاده کنیم. هر ویژگی توسط اعضای تیم مربوطه با هوش مصنوعی از قبل بررسی می‌شود، بنابراین ما به جای اینکه فقط با مشکلات به جلسه برنامه‌ریزی بیاییم، با راه‌حل‌ها می‌رسیم.

انتظار داریم تخمین‌های مهندسی دقیق‌تر شوند زیرا نیازمندی‌های محصول از ابتدا واضح‌تر خواهند بود. طراحی‌های UX باید نیاز به تکرارهای کمتری داشته باشند زیرا از همان ابتدا در محدودیت‌های فنی ریشه خواهند داشت.

تغییر روانی به اندازه صرفه‌جویی در زمان مهم بوده است. هیجان واقعی در مورد جلسات همسوسازی وجود دارد زیرا همه می‌دانند که ما با وضوح و جهت‌گیری جلسه را ترک خواهیم کرد. مهندسان گزارش می‌دهند که رضایت شغلی بالاتری دارند زیرا ۷۰٪ از وقت خود را صرف کدنویسی می‌کنند به جای ۴۰٪ – ۵۰٪. مدیران محصول می‌توانند به جای تسهیل بحث‌های بی‌پایان نیازمندی‌ها، بر استراتژی و تحقیقات کاربر تمرکز کنند.

چگونه اجماع ناهمگام با هوش مصنوعی را پیاده‌سازی کنیم

این فرآیند ساده است اما نیاز به نظم دارد:

1. جلسه همسوسازی زمینه (۱۵-۳۰ دقیقه): منحصراً بر تعریف مشکل، محدودیت‌ها، معیارهای موفقیت و قاب‌بندی سوال تمرکز کنید. در مورد راه‌حل‌ها بحث نکنید. این مهم‌ترین مرحله است – همه باید روی کانتکست مشترک توافق کنند.
2. سند زمینه مشترک: کانتکست توافق شده را در اسلک یا سند مشترک (Shared Doc) پست کنید تا همه هنگام پرامپت دادن به هوش مصنوعی خود به آن ارجاع دهند.
3. اکتشاف انفرادی هوش مصنوعی (۱-۳ ساعت ناهمگام): هر عضو تیم با مدل هوش مصنوعی ترجیحی خود، با شروع از زمینه مشترک و دنبال کردن مسیر استدلال خود، کاوش می‌کند.
4. اشتراک‌گذاری راه‌حل: توصیه‌ها و استدلال‌های هوش مصنوعی را در رشته (Thread) اختصاصی اسلک پست کنید.
5. بررسی سریع همگرایی (۵-۱۰ دقیقه): همسویی را تأیید کنید یا موارد پرت (Outliers) را که نیاز به بحث دارند شناسایی کنید.

قالب زمینه (Context Template):

زمینه: [پیش‌زمینه مشکل، وضعیت فعلی و محیط فنی]گزینه‌ها برای ارزیابی: [جایگزین‌های خاصی که با توضیحات دقیق در نظر گرفته می‌شوند]چارچوب تحلیل: [چه دیدگاهی باید اتخاذ شود، چه عواملی باید در نظر گرفته شوند]حوزه‌های کلیدی ارزیابی: [ابعاد خاص برای سنجش]تحقیق مورد نیاز: [بنچمارک خارجی، تحلیل رقابتی، استانداردهای صنعت مورد نیاز]خروجی‌ها: [خروجی‌های مورد انتظار شامل فرمت تحلیل، اجزای تحقیق و ساختار توصیه نهایی]

نکات شخصی:

• کانتکستِ پرامپتِ اصلی همه چیز است — برای درست کردن آن و اطمینان از بی‌طرف بودن آن وقت بگذارید.
• افراد را تشویق کنید تا برای تنوع تحلیل از مدل‌های هوش مصنوعی مختلف استفاده کنند.
• استدلال را به اشتراک بگذارید، نه فقط نتایج را — فرآیند فکری اغلب ارزشمندتر از توصیه است.
• اگر هوش مصنوعیِ شخصی نگرانی قابل توجهی را شناسایی کرد که دیگران از دست داده‌اند، اجماع را اجبار نکنید.
• گفتگوهای هوش مصنوعی را به عنوان مستندات تصمیم‌گیری ذخیره کنید.

سخن پایانی

«همگرایی توافقی» درباره جایگزینی قضاوت انسانی با توصیه‌های هوش مصنوعی نیست — بلکه درباره استفاده از هوش مصنوعی برای فعال‌سازی همکاری بهتر در چارچوب محدودیت‌های مشترک است. ما کشف کرده‌ایم که اجماع زمانی طبیعی‌تر پدیدار می‌شود که افراد بتوانند راه‌حل‌ها را به صورت انفرادی با شرکای هوش مصنوعی بررسی کنند، تا اینکه در محیط‌های گروهی از مواضع خود دفاع کنند.

هوش مصنوعی شرکت ما را اداره نمی‌کند یا تصمیمات ما را نمی‌گیرد. بلکه توانایی هر عضو تیم را برای درک فضای کامل مشکل قبل از همکاری شتاب می‌بخشد. وقتی مهندس گفتگوی هوش مصنوعی خود را در مورد الگوهای UX پست می‌کند، نمی‌گوید «Claude این را تصمیم گرفت» — او می‌گوید «من از Claude استفاده کردم تا استانداردهای صنعت و الگوهای رفتار کاربر را تحقیق کنم، این چیزی است که یاد گرفتم، و این توصیه آگاهانه من است.» تفاوت حیاتی است: قضاوت تخصصی انسانی با پشتیبانی تحقیقاتِ شتاب‌دهی‌شده توسط هوش مصنوعی، نه قضاوت هوش مصنوعی که توسط انسان تأیید شده باشد.

ما از «بیایید جلسه‌ای برای بحث در این مورد بگذاریم» به «بیایید روی زمینه همسو شویم و با هوش مصنوعی کاوش کنیم» تغییر مسیر داده‌ایم. نتیجه، تصمیم‌گیری در ساعت‌ها به جای هفته‌ها، درک بهتر بین تیمی و سرعت محصول به طور قابل توجهی بالاتر است. این همان نوع همگرایی است که تیم‌ها و محصولات را مقیاس‌پذیر می‌کند.