Cuando se trata del uso de inteligencia artificial generativa, hay casos de uso que son más evidentes que otros. En el caso de Product Owners que están desarrollando un producto usando Scrum, puede ser de mucha ayuda para mejorar la forma en la que realizamos trabajo.
La explosión de LLMs, modelos masivos de aprendizaje, en los últimos años ha convertido algo que solamente era ciencia ficción en parte de nuestro trabajo del día a día.
Teniendo en cuenta las limitaciones que tienen, podemos sacar mucho provecho de estos sistemas para realizar nuestro trabajo diario de tres maneras: Ayudándonos a generar Product Backlog Items, a perfeccionar las especificaciones de nuestras historias de usuario y a asegurarnos que un grupo de ítems están bien alineados con nuestro Product Goal y Sprint Goal.
Generación de Product Backlog Ítems
Vencer al síndrome de la hoja en blanco es difícil. Cuando se trata de comenzar a trabajar, tenemos técnicas como Impact Mapping y User Story Mapping que nos permiten mapear las intenciones desde una serie de objetivos iniciales para poblar el Product Backlog con el trabajo que queremos realizar en nuestro producto. Tienes una mención a ambas en un artículo anterior sobre Epic Stories en Scrum.
Si ya hemos trabajado los objetivos de negocio o de nuestro producto utilizando un Business Model Canvas, un Lean Canvas o un Value Proposition Canvas, tendremos al menos cuatro o cinco proposiciones de valor que queremos trabajar, y cada una de ellas puede dividirse en uno o dos Product Goals.
Es importante además definir las métricas que o KPIs que queremos medir para cada uno de nuestros Product Goals, ya que la IA lo utilizará como referencia para la generación de Product Backlog Items que podamos trabajar.
No debemos confundir las métricas de los Product Goals con las métricas de nuestro producto en global. Mientras que las primeras son específicas y medibles para cada una de las metas de producto, las segundas son globales para el producto, tal y como explicaba en el segundo artículo de la serie sobre métricas ágiles.
Así, podemos utilizar el siguiente prompt en ChatGPT para la generación de PBIs:
“Eres un experto en producto. Actualmente estás trabajando en esta [tipología de producto] que se llama [nombre]. Quiero que generes una lista de elementos para incluirlos en una lista de features de [nombre]. El objetivo de negocio sobre el que quiero que trabajes es [Product Goal], y sus tres métricas más importantes son [métrica 1, métrica 2 y métrica 3]. Los segmentos de cliente son [segmento 1 y segmento 2]. Para cada uno de los elementos que generes utiliza el formato de user story: Como [segmento] quiero conseguir [este objetivo] por este [motivo].”
Esta plantilla de prompt permitirá que tras dos o tres iteraciones tengas una lista de elementos que puedas incluir en tu Product Backlog.
Specification by example
Specification by example es una técnica para perfeccionar la descripción de los elementos de nuestro Product Backlog. Escribir criterios de aceptación es una tarea tediosa pero necesaria, ya que nos previene incurrir en errores que normalmente dan lugar a hacer retrabajo.
Aquellos equipos que utilizan Specification by Example de maner efectiva son capaces de derivar el alcance de metas como las que hemos obtenido en el paso anterior, especificar colaborativamente a través de pequeñas sesiones de trabajo y automatizar los tests basandose en ejemplos.
Example mapping es una técnica sencilla que permite dirigira la converation y derivar criterios de aceptación rapidamente. Este proceso rompe historias de usuario en Reglas y Ejemplos en el formato de especificación por ejemplos y es una técnica muy utilizada en Behaviour-Driven Development (BDD).
Para utilizarlo con IA y ayudarnos a generar especificaciones, podemos utilizar el siguiente prompt:
“Eres un ingeniero utilizando Example Mapping para generar especificaciones para tus historias de usuario. Para cada historia de usuario, quiero que escribas que criterios de aceptación que podrían dar por completada esta historia de usuario. Estos se llaman reglas y agrúpalos para cada una de ellas. Por último proporciona ejemplos para ilustrar cada una de las reglas.”
El último elemento que falta en Example Mapping son las preguntas, que tendremos que dirimir de manera colaborativa en equipo. La IA nos habrá facilitado una base con la que poder trabajar.
Alineación de Sprint Goal y Product Goal
Una vez que tenemos ya una lista de items, bien que hayamos generado nosotros, que ya existieran o que hayamos generado en los pasos previos, podemos utilizar a ChatGPT para asegurarnos de que todos los elementos realmente están conectados con uno o más objetivos de negocio y sus métricas de producto.
El prompt variará dependiendo del contexto y el objetivo en este caso es asegurarnos de que no nos estamos dejando ningún objetivo de negocio evidente por completar.
Un ejemplo sería el siguiente:
“Eres el responsable de un producto. Los objetivos que quieres conseguir con tu producto son [objetivos] y tus segmentos de usuario son [segmentos]. Te voy a proporcionar una lista de trabajos que queremos realizar en nuestro producto en forma de historias de usuario. Quiero que me digas qué objetivos de negocio conectarías con qué historias de usuario. No quiero que realices las conexiones, solo que evalúes si de forma evidente están conectados.”
El uso de ChatGPT e inteligencia artificial puede amplificar y simplificar nuestro trabajo. Sin embargo hay que tener en cuenta que no puede convertirse en un sustituto de nuestro conocimiento y capacidad para realizarlo. Aunque ChatGPT puede generar resultados que suenen plausibles, habitualmente comete errores graves que tenemos que detectar y corregir.