如果说在大多数工程团队中没有充分利用人工智能的领域，那就是团队管理。
弄清楚如何更好地管理工程师，往往被视为一门艺术而非科学。几十年来，工程管理无疑变得更加敏捷和数据驱动，自动化数据收集提高了绩效。但在过去的几个月里，人工智能的发展——特别是预测性人工智能——将管理流程带入了一个新时代。
预测性人工智能分析数据以预见未来可能的模式和行为。它可以根据实时数据自动设定目标，生成提高团队绩效的建议，并处理比以往多得多的信息。
我希望鼓励所有其他工程管理和智能平台开始使用人工智能，以便我们共同迈入一个新时代。没有任何企业希望因为糟糕的管理而损失利润或市场份额。
我们现在拥有数据和技术，可以将工程管理从一门艺术转变为一门科学。这就是工程领导者如何利用人工智能来管理团队，以更少的资源实现更多的成果。
精准定位隐藏的模式
即使是能力最强的工程领导者在审查某些领域的绩效时也存在一些盲点，可能会忽视令人担忧的行为或因果因素。工程经理将人工智能应用于工作流程的最重要方式之一，是生成关于工程师绩效的全面报告。通常，经理们会在月底或季度末手动整理报告，但这往往只能提供表面化的分析，容易掩盖隐藏或初现端倪的问题。
预测性人工智能可以自动生成具有洞察力的绩效报告，告诉领导者他们应该在哪些方面进行改进。这里的主要优势在于，人工智能具有更强的识别模式的能力。它可以处理团队绩效的所有现有数据，以及内部和外部的基准数据，从而产生人类难以大规模实现的分析水平。
例如，人工智能可以更好地分析周期时间、代码审查时间和代码变更频率（即代码被修改的频率）之间的关系。它可以确定较长的代码审查时间是否实际上导致了更少的代码变更——这可能意味着代码更稳定且经过深思熟虑。或者，它可能会发现较长的审查时间只是延迟了开发过程，而没有显著减少变更。
通过同时分析多个指标，人工智能可以帮助识别管理者可能无法立即察觉的模式和相关性，使组织能够做出更明智的决策，以优化其软件开发流程。
另一个优势是，人工智能工具每天都可以生成简单但具分析性的报告，无需任何人工输入，使管理者和领导者能够实时检测任何重要变化，而不仅仅是在每个冲刺结束时。
永久记忆库
AI 工具能够永久记录团队和公司的进展。试想一下，当一位工程经理离开公司时会发生什么。是的，团队的绩效数据仍然保留，但经理所积累的丰富知识却随之消失。（在什么条件下团队表现最佳？是否有外部因素影响了糟糕的绩效？实施了哪些策略，其中哪些最有效？）
预测性 AI 首次能够真正学习你的团队迄今为止的工作流程。它可以将所有这些历史知识内部化，为公司保存下来，并固化这种复杂的推理能力，供后续的经理和未来决策使用。
维护一个关于公司进展的永久数据存储，意味着关键战略信息不会因人员流动而丢失。这使得对团队的评估更加公平，并节省了在已被证明无效的策略上花费的时间和资源。
生成目标、指标和建议
考虑预测性 AI 工具如何作为领导者的副驾驶。当它们捕获团队的所有内部数据时，可以将其转化为同样独特的目标和里程碑。
预测性人工智能工具可以根据实时数据为团队设定目标——例如，根据性能变化每周自动为团队创建目标。更重要的是，它们可以内置建议和用例来指导如何达成这些目标。例如，一个工具可以识别出需要缩短周期时间，然后将目标设定为减少20%，并提供一个为期12个月的计划，其中包含如何实现的建议，以及如何在产品审查期间改善交接的技巧等。
这些工具不仅仅是将问题连接到 ChatGPT 并输出未经证实的建议。它们可以通过专家输入进行训练，包括建议、经过验证的解决方案、最佳实践和案例研究。工程经理和管理平台拥有大量的内部和行业数据，以确定在特定条件下哪些方法最有效。
当然，不存在一刀切的解决方案。但任何尝试过预测性 AI 的人都知道，它独特地能够提供具有极高颗粒度的建议，每次输出都能考虑到前所未有的大量变量。
至少在初期，这些工具仍处于不断完善的过程中，因为团队正在训练它们以输出更准确、更有效的建议。经理可以将精力集中在优化工具的输出上，或在必要时进行调整——例如，如果它不再产生期望的结果，或者内部/外部条件发生变化，需要调整策略时。
双因素验证
管理团队的性质是主观的，这对工程领导者来说可能很困难。他们常常觉得出了问题，却找不到任何证据；或者他们发现了绩效的变化，却无法 pinpoint（确定）背后的原因。
预测性 AI 可以作为工程领导者的一种“双因素验证”，让他们基于数据来验证自己的直觉。由于该技术能够在分析信息时处理更多的非结构化数据和提示，它可以挖掘出人类肉眼无法察觉的因果因素。
例如，如果一个工程团队不得不处理数量不健康的代码缺陷，但所有指标都达到了总体基准线，管理者可能无法从数据中获得关于为什么的深入见解。但预测性人工智能可以通过关联各项指标来提供解决方案和建议。例如，它可能会将高频部署作为指标A，并将周期时间中审查阶段的高速度作为指标B，从而确定团队花在代码审查上的时间不足，导致缺陷漏网。
预测性 AI 还能让工程领导者推演各种场景，以识别最佳的前进路径。他们可能在思考：如果招聘一名额外的开发人员，团队的表现是否会更好，还是采取其他方法（例如重新分配工作量）更优。借助合适的数据，AI 可以在几分钟内运行这些场景并预测可能的结果，从而帮助管理者做出明智的决策。
工程领导者必须始终牢记，人类“变量”仍然是他们的责任，而有些因素并未由人工智能自动加权。开发者体验和福祉可能在某些指标中难以量化，因此在使用人工智能工具时，务必确保在考量中保持这种平衡。
技术总是沿着阻力最小的路径发展，而工程领导者始终追求优化。尽管有些人担心自己会被 AI 取代，但我认为这种演进实际上会让工作适应当今的世界：在这个世界中，技术人员必须学会利用 AI 来更好地实现目标。因此，我呼吁所有具有前瞻性的管理者探索 AI 作为补充资源的潜力，以提升他们的开发流程。