Planning Poker im KI-Zeitalter

Eine Entwicklungsaufgabe gut vorzubereiten zählt heute mehr als früher. Wenn ein KI-Agent die Implementierung schreibt, hängt das Ergebnis fast vollständig von dem Kontext ab, den du ihm vorher mitgegeben hast.

Was bei Menschen funktioniert, funktioniert bei KI-Agenten

Vor gar nicht langer Zeit, als Menschen den gesamten Code schrieben, kamen sie schneller voran, wenn sie gut definierte Spezifikationen hatten. Bei Agenten ist es genauso.

Agenten sind gut im Implementieren, solange sie die richtigen Specs haben. Deshalb lohnt es sich, Zeit in die technischen Fragen zu stecken und nicht nur in die fachlichen. Braucht dieses Feature eine neue Bibliothek? Wollen wir dieses Modul an anderer Stelle wiederverwenden?

Gut definierte Specs sind das, was den Entwicklungsprozess beschleunigt.

Was kaputtgeht, wenn ein Agent ein dünnes Ticket bekommt

Schlechte Specs führen zu schlechten Ergebnissen, und schlechte Ergebnisse werden zu einem Hin und Her, das den Release eines Features um Tage verzögert.

Wenn der Agent nicht den vollen Kontext hat, rät er nach bestem Wissen. Er hält nicht inne, um dich zu fragen, was du gemeint hast.

Also musst du das Ergebnis sorgfältig durchgehen und herausfinden, welche Teile geraten waren. Das ist der erste Fehlerpunkt.

Wenn der Agent danebenliegt, liegt es meistens daran, dass ihm von Anfang an niemand den vollen Kontext gegeben hat.

Um das Gespräch ging es immer

Wenn alle in entspannter Umgebung über eine Aufgabe nachdenken, kommen Probleme ans Licht und der volle Kontext wird berücksichtigt.

Die Schätzung war nie das wertvolle Ergebnis, sondern das Gespräch, aus dem sie entstanden ist.

Wenn das ganze Team teilt, was es beim Schreiben von Aufgaben für Agenten gelernt hat, könnt ihr die Spec-Liste gemeinsam aufbauen und weitergeben, was tatsächlich funktioniert.

Sobald Agenten die Implementierung übernehmen, kommen in diesem Gespräch neue Fragen auf. Nutzen wir hier eine unserer firmeneigenen Skills? Braucht das ein großes Modell, oder reicht ein kleines?

Dieses Wissen im Team zu teilen zählt heute mehr, weil sich das Tooling alle paar Monate ändert.

Heißt das mehr schätzen, oder anders schätzen?

Jemand wird sagen, KI mache Schätzungen überflüssig, weil Implementierung inzwischen billig ist.

Ich finde, Story Points zählen weiterhin. Komplexität sagt dir nach wie vor, wie lange eine Aufgabe dauert, und das ist nicht verschwunden. Manche Aufgaben brauchen längere Specs und mehr Verifikation, und sie tragen mehr Risiko.

Der eigentliche Nutzen des Schätzens liegt aber jenseits der Zahl: sicherzustellen, dass alle wissen, worum es bei der Aufgabe geht, und den Kontext haben, den ein Agent zum Bauen braucht. Dazu gehören Dinge wie:

• Die Aufgabe aufteilen? oder mit einer anderen zusammenlegen?
• Lässt sich das allein ausliefern?
• Welche Agent-Skills wir einsetzen wollen
• Welche vorhandenen Komponenten oder Module wiederverwendet werden
• Die UI in allen ihren Varianten definiert
• Die Fehler, die der Agent hier typischerweise macht, damit wir wissen, was zu prüfen ist
• etc.

Wie das in der Praxis aussieht

Wenn du die Leistung deines Teams verbessern willst, steck mehr Zeit in die Planung.

Wenn eine Aufgabe ihren gesamten Kontext im Voraus hat, ist die Implementierung fast sofort erledigt. Wenn nicht, verlierst du womöglich Tage im Hin und Her mit verschiedenen Stakeholdern.

Ein Tool für die Planung auswählen

Planning-Poker-Tools sind genau für diese Art von Gespräch gemacht.

Als Erstes ist zu klären, ob dein Team gemeinsam in einem Meeting schätzt oder jede Person für sich, denn davon hängt ab, welche Tools überhaupt in Frage kommen. Beide Varianten habe ich in asynchrones oder Live Planning Poker durchgegangen.

Wenn dein Team mit Jira arbeitet: Ich habe die Plugins in den 10 besten Planning-Poker-Plugins für Jira verglichen, inklusive der Frage, welche Live-, asynchrone und hybride Abstimmung unterstützen.