سالهاست که «استوری پوینتها» (چه عاشقشان باشید و چه از آنها متنفر باشید) سنگ بنای برنامهریزی چابک (Agile) بودهاند. تیمها از آنها برای تخمین میزان تلاش مورد نیاز، پیشبینی زمان تحویل و اندازهگیری سرعت (Velocity) در طول زمان استفاده میکنند. اگرچه این رویه هرگز بینقص نبوده، اما عموماً کارآمد بوده است، زیرا یک فرض همواره صادق باقی میماند: تلاش مورد نیاز برای کارها نسبتاً قابل پیشبینی بود.
هوش مصنوعی (AI) شروع به تغییر این وضعیت کرده است.
توسعهدهندگان اکنون میتوانند سریعتر از همیشه کد تولید کنند، تست بنویسند، مستندات ایجاد کنند و نیازمندیها را تحلیل کنند. وظایفی که زمانی ساعتها یا روزها کار میبردند، حالا ممکن است در عرض چند دقیقه انجام شوند. نتیجه، نه تنها تحویل سریعتر، بلکه یک تغییر بنیادین در نحوه بهکارگیری «تلاش» در توسعه نرمافزار است.
این موضوع یک پرسش ناخوشایند را برای تیمهای چابک ایجاد میکند: اگر قرار است استوری پوینتها نشاندهنده «میزان تلاش» (Effort) باشند، وقتی تعریف «تلاش» ناگهان سختتر شود، چه اتفاقی میافتد؟
یک استوری ۵ امتیازی که امروز با کمک هوش مصنوعی تکمیل میشود، ممکن است به مراتب به کار کمتری نسبت به همان استوری ۵ امتیازی در یک سال گذشته نیاز داشته باشد. تیمها ممکن است شاهد افزایش سرعت (Velocity) باشند. اما آیا این به معنای بهرهوری بیشتر است، یا به این معنی است که خودِ این معیار (Metric) در حال کمارزش شدن است؟
همانطور که سازمانها برای بهرهگیری از هوش مصنوعی شتابزده عمل میکنند، بسیاری بر این متمرکز شدهاند که هوش مصنوعی چه کمکی به «سرعت تحویل» میکند؛ اما تعداد بسیار کمتری میپرسند که این موضوع چه معنایی برای معیارهایی دارد که به آنها تکیه کردهاند. شاید استوری پوینتها نمرده باشند، اما هوش مصنوعی تیمها را مجبور میکند تا در مورد معنای واقعی آنها تجدیدنظر کنند.
برای درک اینکه چرا هوش مصنوعی برای استوری پوینتها چالش ایجاد میکند، بهتر است به عقب برگردیم و ببینیم اصلاً چرا آنها به وجود آمدند. استوری پوینتها هرگز برای اندازهگیری بهرهوری طراحی نشده بودند؛ آنها به عنوان ابزاری برای برنامهریزی طراحی شده بودند. اینکه گاهی اوقات به هر دوی اینها تبدیل شدهاند، یک «باگ» است، نه یک «ویژگی» (Feature).

تخمینهای سنتی پروژه اغلب به «ساعت» متکی بودند. تیمها تخمین میزدند که یک قابلیت چقدر زمان میبرد، ساعتها را با هم جمع میکردند و برنامههای زمانی را بر اساس آن تخمینها میساختند. مشکل این بود که توسعه نرمافزار به ندرت به این سادگی پیش میرود. دو وظیفه که در ظاهر مشابه به نظر میرسند، میتوانند سطوح بسیار متفاوتی از پیچیدگی، ریسک و عدم قطعیت داشته باشند.
استوری پوینتها به عنوان راهی برای تخمین «تلاش نسبی» به جای زمان ظهور کردند. به جای بحث بر سر اینکه آیا یک قابلیت ۱۲ ساعت طول میکشد یا ۱۵ ساعت، تیمها میتوانند بر این تمرکز کنند که آیا یک بخش از کار بزرگتر، پیچیدهتر یا پرریسکتر از بخش دیگر است یا خیر. با گذشت زمان، سرعت (Velocity) یک تیم، برآورد کلی از حجم کاری که میتوانند در یک اسپرینت تکمیل کنند را ارائه میدهد.
اگر این رویکرد به درستی استفاده شود، مزایای متعددی دارد: تیمها میتوانند بدون وسواس روی زمانبندیهای دقیق، کار آتی را پیشبینی کنند؛ گفتگوها از بهرهوری فردی به درک جمعی تغییر جهت میدهند؛ و مهمتر از همه، استوری پوینتها حقیقتی را میپذیرند که هر مدیر پروژه با تجربهای میداند: توسعه نرمافزار به سختی با دقت قابل پیشبینی است.
متأسفانه، بسیاری از سازمانها شروع به استفاده از Velocity برای اهدافی کردند که هرگز برای آن طراحی نشده بود. رهبران، تیمها را با یکدیگر مقایسه کردند. Velocity به یک معیار عملکرد تبدیل شد. برخی سازمانها حتی اهدافی را برای افزایش Velocity در طول زمان تعیین کردند و با استوری پوینتها به عنوان مقیاسی برای بهرهوری برخورد کردند، نه یک ابزار پیشبینی.
این تفاوت اهمیت دارد، زیرا استوری پوینتها تنها زمانی کار میکنند که به عنوان معیاری نسبی از تلاش در داخل یک تیم خاص دیده شوند. به محض اینکه به جایگزینی برای خروجی (Output)، کارایی (Efficiency) یا ارزش کسبوکار (Business Value) تبدیل شوند، پایههای آن شروع به ترک خوردن میکند.
هوش مصنوعی این ضعف را ایجاد نکرده است؛ بلکه صرفاً نادیده گرفتن آن را غیرممکن کرده است.
برای دههها، توسعه نرمافزار از معادله نسبتاً سادهای پیروی میکرد که در آن خروجی بیشتر نیازمند تلاش انسانی بیشتر بود. اگر تیمی میخواست قابلیتهای بیشتری ارائه دهد، معمولاً به زمان بیشتر، افراد بیشتر یا هر دو نیاز داشت. هوش مصنوعی در حال برهم زدن این رابطه است.
ابزارهای توسعه امروزی میتوانند کد تولید کنند، راهحل پیشنهاد دهند، تستهای واحد (Unit Tests) ایجاد کنند، مستندات را خلاصه کنند، سیستمهای ناآشنا را توضیح دهند و تحقیقات را تسریع کنند. کاری که زمانی ساعتها از روز یک توسعهدهنده را میگرفت، اغلب میتواند در کسری از زمان انجام شود یا حتی در پسزمینه اجرا گردد. اگرچه هوش مصنوعی نیاز به قضاوت انسانی را از بین نبرده، اما تلاش مورد نیاز برای بسیاری از وظایف روتین را به طور قابلتوجهی کاهش داده است.
تأثیر این موضوع فراتر از توسعهدهندگان است. مدیران محصول میتوانند از هوش مصنوعی برای پیشنویس نیازمندیها استفاده کنند. تحلیلگران کسبوکار میتوانند تحقیق و مستندسازی را تسریع کنند. مدیران پروژه میتوانند گزارشها، خلاصهی جلسات و برنامههای ارتباطی را کارآمدتر تولید کنند. در سراسر تیمهای تحویل، هوش مصنوعی در حال کاهش میزان تلاش دستی مورد نیاز برای تولید همان خروجیها است.
در نگاه اول، این یک افزایش بهرهوریِ ساده به نظر میرسد. در بسیاری از موارد هم همینطور است؛ تیمها قادرند سریعتر از قبل حرکت کنند. چالش اینجاست که استوری پوینتها حول محور مفهوم «تلاش» ساخته شدهاند.
قابلیتی را در نظر بگیرید که تیمی سال گذشته آن را ۵ استوری پوینت تخمین زده بود. کار شامل نوشتن کد، ایجاد تست، مستندسازی تغییرات و اعتبارسنجی راهحل بود. امروز، هوش مصنوعی ممکن است در هر یک از این فعالیتها کمک کند. آن قابلیت ممکن است هنوز همان ارزش تجاری را داشته باشد، اما دیگر نیازمند همان مقدار تلاش انسانی نیست.
این مسئله یک سوال مهم ایجاد میکند: آیا هنوز هم باید آن را ۵ امتیاز تخمین زد؟
اگر پاسخ «بله» باشد، استوری پوینتها در حال جدا شدن از مفهوم «تلاش» هستند. اگر پاسخ «نه» باشد، تیمها ممکن است خود را در حالِ کالیبره کردن مداوم تخمینها ببینند، همانطور که قابلیتهای هوش مصنوعی تکامل مییابند. هیچکدام از این دو نتیجه، چندان رضایتبخش نیست.
نتیجه این است که اندازهگیری مداومِ «تلاش» به طور فزایندهای دشوار میشود. دو تیمی که روی قابلیتهای مشابه کار میکنند، ممکن است بر اساس ابزارهای هوش مصنوعی، سطوح تجربه یا نرخ پذیرش تکنولوژیِ خود، آنها را متفاوت تخمین بزنند. حتی در داخل یک تیم واحد، ممکن است تخمینها تغییر کنند، چرا که افراد در استفاده از هوش مصنوعی کارآمدتر میشوند.
وقتی میزان تلاش مورد نیاز برای تکمیل کار بسیار متغیر شود، سیستمی که برای اندازهگیری تلاش نسبی طراحی شده است، شروع به از دست دادن بخشی از معنای خود میکند.

بزرگترین چالشی که هوش مصنوعی برای استوری پوینتها ایجاد میکند، این نیست که تیمها سریعتر حرکت میکنند؛ بلکه چالش این است که واحدِ زیربناییِ اندازهگیری، به طور فزایندهای بیثبات شده است.
استوری پوینتها همیشه به درک مشترکی از تلاش وابسته بودهاند. یک استوری ۳ امتیازی باید به طور کلی نیازمند تلاش کمتری نسبت به یک استوری ۵ امتیازی باشد، و یک استوری ۵ امتیازی باید به طور کلی نیازمند تلاش کمتری نسبت به یک استوری ۸ امتیازی باشد. اعداد هرگز قرار نبود دقیق باشند، اما کار میکردند زیرا تیمها میتوانستند در طول زمان یک خط مبنا (Baseline) نسبتاً ثابت ایجاد کنند.
هوش مصنوعی حفظ این خط مبنا را دشوارتر میکند.
توسعهدهندهای را تصور کنید که از هوش مصنوعی بهطور گسترده برای تولید کد، ایجاد موارد تست و عیبیابی استفاده میکند. حالا آن توسعهدهنده را با همتیمیاش که از هوش مصنوعی به ندرت استفاده میکند یا اصلاً استفاده نمیکند، مقایسه کنید. همان استوری ممکن است بسته به اینکه چه کسی کار را انجام میدهد، نیازمند سطوح بسیار متفاوتی از تلاش باشد. تخمین تغییر نکرده است، اما میزان تلاش انسانی پشت آن تغییر کرده است.
این مشکل با گذشت زمان حتی بیشتر نمود پیدا میکند. با مهارت یافتن تیمها در استفاده از هوش مصنوعی، کاری که زمانی پیچیده به نظر میرسید، ممکن است به یک روتین تبدیل شود. استوریهایی که یک سال پیش ۸ امتیاز تخمین زده میشدند، ممکن است اکنون با تلاشی معادل یک استوری ۵ امتیازی تکمیل شوند. Velocity ممکن است افزایش یابد، اما این افزایش چیز کمی به ما میگوید که آیا تیم ارزش بیشتری ارائه میدهد یا صرفاً از ابزارهای بهتر سود میبرد.
اینجاست که بسیاری از سازمانها در معرض خطرِ گرفتنِ نتایج اشتباه قرار میگیرند. Velocity یک تیم ممکن است پس از پذیرش هوش مصنوعی ۲۰ یا ۳۰ درصد جهش داشته باشد. مدیریت ممکن است این بهبود را جشن بگیرد و فرض کند که بهرهوری به همان اندازه افزایش یافته است. در واقعیت، ممکن است خودِ معیار تغییر کرده باشد. تیم لزوماً کار بیشتری انجام نمیدهد؛ آنها همان کار را با تلاش کمتری تکمیل میکنند.
این تفاوت اهمیت دارد، زیرا تفسیر روندهای Velocity سختتر میشود. مقایسههای تاریخی معنای خود را از دست میدهند. مقایسههای تیم به تیم، غیرقابلاعتمادتر از قبل میشوند. پیشبینی بر اساس عملکرد گذشته، زمانی که میزان تلاش پشت هر استوری دائماً در حال تغییر است، غیرقابل پیشبینیتر میشود.
هرچه هوش مصنوعی بیشتر نحوه انجام کار را تغییر دهد، برخورد با استوری پوینتها به عنوان یک معیار ثابت برای هر چیزی فراتر از «بهترین حدس تیم در یک لحظه خاص»، دشوارتر میشود.
اگر هوش مصنوعی استوری پوینتها را به عنوان معیاری برای تلاش، غیرقابلاعتمادتر میکند، به این معنی نیست که تیمها باید اندازهگیری را به کلی رها کنند. این صرفاً به این معنی است که سازمانها ممکن است نیاز داشته باشند بر معیارهایی تمرکز کنند که بیش از فعالیتها، به «نتایج» (Outcomes) گره خوردهاند.
یک گزینه، توجه بیشتر به «معیارهای جریان» (Flow Metrics) است. معیارهایی مانند Lead Time (زمان تحویل) و Cycle Time (زمان چرخه) بر این تمرکز دارند که کار چقدر سریع در سیستم حرکت میکند. برخلاف استوری پوینتها، این معیارها به تخمینِ تلاش وابسته نیستند؛ آنها چیزی که واقعاً اتفاق افتاده را اندازهگیری میکنند. اگر هوش مصنوعی به تیمها کمک میکند قابلیتها را سریعتر تحویل دهند، آن بهبودها به طور طبیعی در دادهها ظاهر خواهند شد.
معیارهای کیفیت نیز اهمیت فزایندهای پیدا میکنند. تحویل سریعتر تنها زمانی ارزشمند است که تیمها کیفیت آنچه منتشر میکنند را حفظ یا بهبود دهند. نرخ خطاها (Defect rates)، حوادث در محیط عملیاتی (Production incidents)، مشکلات گزارش شده توسط مشتری و نیاز به دوبارهکاری، میتوانند تصویر شفافتری از این ارائه دهند که آیا سرعت، در حال خلق ارزش است یا صرفاً مشکلات بیشتری ایجاد میکند.
برای تیمهای محصول، «نتایج مشتری» (Customer outcomes) ممکن است حتی از معیارهای تحویل مهمتر باشند. پذیرش قابلیت (Feature adoption)، تعامل، نرخ حفظ مشتری (Retention)، نرخ تبدیل و رضایت مشتری، همگی به سوالی پاسخ میدهند که Velocity هرگز نمیتوانست به آن پاسخ دهد:
آیا این کار تفاوت معناداری ایجاد کرد؟
برای مشتری مهم نیست که یک تیم در طول یک اسپرینت چند استوری پوینت تکمیل کرده است؛ برای آنها مهم است که آیا محصول مشکلشان را حل کرده است یا خیر.
این بدان معنا نیست که استوری پوینتها هیچ جایگاهی در شیوههای چابک مدرن ندارند. بسیاری از تیمها همچنان آنها را برای برنامهریزی اسپرینت و پیشبینی مفید خواهند یافت. اشتباه اینجاست که با آنها به عنوان معیاری برای بهرهوری یا عملکرد کسبوکار برخورد کنیم. این همیشه یک رویه قابلبحث بوده و هوش مصنوعی در حال آشکارتر کردن محدودیتهای آن است.
سازمانهای مؤثر احتمالاً توجه خود را به سمت معیارهایی تغییر میدهند که بدون توجه به نحوه انجام کار، معنادار باقی میمانند. چه یک قابلیت کاملاً توسط انسان ساخته شود، چه با کمک سنگین هوش مصنوعی، یا ترکیبی از هر دو، در نهایت این «نتایج» هستند که اهمیت دارند. سرعت تحویل، کیفیت، تأثیر بر مشتری و نتایج کسبوکار، معیارهای ارزشمندی باقی میمانند زیرا به جای تلاش مورد نیاز برای دستیابی به خروجی، بر خودِ نتیجه تمرکز دارند.
ظهور هوش مصنوعی به این معنی نیست که استوری پوینتها ناگهان بیاستفاده شدهاند. اکثر تیمهای چابک همچنان به تخمین کار، برنامهریزی اسپرینتها و استفاده از Velocity برای کمک به پیشبینی تحویلهای آینده ادامه خواهند داد. اگر از این رویهها برای هدف اصلیشان استفاده شود، همچنان ارزشآفرین هستند.
با این حال، آنچه هوش مصنوعی انجام میدهد، وادار کردن سازمانها به پرسیدن سوالات بهتر است.
سالهاست که بسیاری از تیمها به استوری پوینتها و Velocity به عنوان روشهای راحتی برای اندازهگیری پیشرفت تکیه کردهاند. با تغییر نحوه انجام کار توسط هوش مصنوعی، تفسیر آن اندازهگیریها دشوارتر میشود. افزایش در Velocity ممکن است بازتابدهندهی افزایش بهرهوری، ابزارهای بهبودیافته، تجربه بیشتر یا ترکیبی از هر سه باشد. اعداد به تنهایی دیگر داستان کامل را روایت نمیکنند.
این ممکن است شبیه یک مشکل به نظر برسد، اما یک فرصت نیز هست.
جامعه چابک مدتهاست که تیمها را تشویق میکند تا به جای خروجیها (Outputs) بر نتایج (Outcomes)، به جای فعالیت بر ارزش مشتری، و به جای فرآیندهای سفتوسخت بر یادگیری تمرکز کنند. هوش مصنوعی این تغییر مسیر را تسریع میکند. به جای صرف زمان بیانتها برای بحث بر سر تخمینها، سازمانها میتوانند توجه بیشتری بر چیزهایی که بیشترین اهمیت را دارند معطوف کنند؛ مسائلی مانند تحویل سریعتر ارزش، بهبود کیفیت و حل مشکلات معنادار مشتری.
بعید است استوری پوینتها ناپدید شوند، و نباید هم ناپدید شوند. آنها برای بسیاری از تیمها ابزار برنامهریزی مفیدی باقی میمانند. اما با ادامه تحول تحویل نرمافزار توسط هوش مصنوعی، موفقیت کمتر با «میزان تلاشِ صرف شده» و بیشتر با «نتایجی که آن تلاش به بار میآورد» اندازهگیری خواهد شد.
از بسیاری جهات، هوش مصنوعی در حال ایجاد انحراف از اصول چابک نیست؛ بلکه در حال تشویق به بازگشت به آنهاست.
استوری پوینتها برای تخمین «تلاش» طراحی شده بودند، نه اندازهگیری «بهرهوری». بسیاری از سازمانها با برخورد با Velocity به عنوان یک معیار عملکرد، این تفاوت را مخدوش کردهاند.
هوش مصنوعی در حال تغییر میزان تلاش مورد نیاز برای تکمیل کار نرمافزاری است. کدنویسی، تست، مستندسازی و تحلیل اغلب میتوانند به طور قابلتوجهی سریعتر از قبل تکمیل شوند.
افزایش Velocity لزوماً به این معنی نیست که تیم ارزش بیشتری ارائه میدهد. این ممکن است صرفاً بازتابدهندهی تأثیر ابزارهای بهتر باشد، نه عملکرد بهبودیافته.
با رشد پذیرش هوش مصنوعی، تفسیر مداوم استوری پوینتها دشوارتر میشود. مقایسههای تاریخی، مقایسههای تیم به تیم و روندهای Velocity ممکن است در طول زمان معنای خود را از دست بدهند.
آینده اندازهگیری چابک در تمرکز بیشتر بر «نتایج» (Outcomes) به جای «تلاش» است. معیارهایی مانند Lead Time، کیفیت، پذیرش مشتری و تأثیر کسبوکار، تصویر شفافتری از موفقیت در دنیای هوش مصنوعی ارائه میدهند.
این مقاله ترجمه ای بود از مقاله ای با عنوان ?AI Broke Story Points. Now What که توسط Bart Gerardi در تاریخ July 16, 2026 سایت PMI منتشر شده است.