Çevik Ekiplerde Agentic AI: Backlog, Planlama ve Teslimat Süreçleri

Agentic AI, çevik ekiplerde yalnızca içerik üreten veya sorulara cevap veren bir yardımcı olmaktan çıkarak iş akışlarının içinde görev alabilen yeni bir yapay zekâ kullanım biçimi sunuyor. AI agent'lar bugün Jira gibi çalışma ortamlarında görevlere atanabiliyor, workflow içerisindeki olaylarla tetiklenebiliyor ve belirli işleri ekip üyeleriyle birlikte yürütebiliyor.

Bu gelişme Scrum veya Kanban'ın yerini yapay zekânın alacağı anlamına gelmiyor.

Asıl değişim, çevik ekiplerde bugüne kadar insanların manuel olarak yaptığı bazı bilgi toplama, analiz, takip ve hazırlık işlerinin agent'lar tarafından desteklenebilmesi.

Bu nedenle doğru soru:

“AI sprintleri yönetecek mi?”

değil,

“Çevik ekiplerin hangi işlerinde AI agent kullanmak gerçekten daha hızlı öğrenmemizi ve daha iyi değer üretmemizi sağlar?”

olmalıdır.

Agentic AI ve Çevik Ekipler

Çevik çalışma biçiminin temelinde kısa geri bildirim döngüleri, değişime uyum, sürekli öğrenme ve müşteriye düzenli değer teslimi bulunur. Agentic AI bu prensiplerle doğal bir kesişim alanına sahip. Çünkü bir AI agent yalnızca kendisine verilen metne cevap vermek yerine belirli bir hedef doğrultusunda bilgi toplayabilir, araç kullanabilir, birden fazla adımı takip edebilir ve gerektiğinde sonucu tekrar değerlendirebilir.

Örneğin klasik bir yapay zekâ asistanına:

“Bu user story'yi iyileştir.”

diyebilirsiniz.

Agentic bir sistem ise gerekli izinlere sahipse Jira'daki story'yi okuyabilir, ilgili Confluence dokümanlarını inceleyebilir, benzer geçmiş işleri bulabilir, eksik acceptance criteria'ları belirleyebilir ve önerisini doğrudan work item üzerinde hazırlayabilir.

Aradaki fark yalnızca daha iyi metin üretimi değildir. Yapay zekâ çalışma bağlamının içine girmeye başlar.

Atlassian'ın Jira'da sunduğu agent yapısı da bunu somutlaştırıyor: AI agent'lar work item'lara atanabiliyor, yorumlarda çağrılabiliyor ve workflow geçişleriyle tetiklenebiliyor. Bu nedenle çevik ekiplerde agent kullanımı artık yalnızca teorik bir gelecek senaryosu değildir.

Agentic AI Kullanım Alanları

Çevik ekiplerde agent kullanımı tek bir alana indirgenmemelidir. Ürün keşfinden yazılım geliştirmeye, backlog hazırlığından ekip içi görünürlüğe kadar farklı noktalarda farklı seviyelerde değer yaratabilir.

Alan	Agentic AI Kullanımı	İnsan Rolü
Backlog	Eksik bilgi, duplicate kayıt ve bağımlılık analizi	Öncelik ve ürün kararı
Refinement	Story analizi, acceptance criteria önerileri	Problem ve kapsam değerlendirmesi
Planlama	Geçmiş veri ve kapasite analizi	Sprint Goal ve taahhüt kararı
Günlük görünürlük	Jira, GitHub ve diğer kaynaklardan durum özeti	Blocker çözümü ve iş birliği
Yazılım geliştirme	Kod, test, dokümantasyon ve PR hazırlığı	Tasarım, review ve teknik karar
Retrospective	Veri ve tekrar eden pattern analizi	Yorumlama ve takım aksiyonu
Metrikler	DORA, flow ve kalite verilerinin analizi	Sistem iyileştirme kararları

Buradaki temel prensip, karar sorumluluğunu kör biçimde yapay zekâya devretmek değil; karar vermek için gereken manuel işi azaltmaktır.

Backlog Yönetimi

Backlog yönetimi çevik ürün ekiplerinde Agentic AI'ın en doğal kullanım alanlarından biridir. Product Backlog zaman içinde büyüdükçe duplicate işler, güncelliğini kaybetmiş kayıtlar, eksik açıklamalar veya artık stratejik hedeflerle ilişkisi kalmamış maddeler birikebilir.

AI agent burada backlog üzerinde sürekli bir kalite kontrol katmanı gibi çalışabilir.

Örneğin yeni bir work item oluşturulduğunda agent benzer geçmiş kayıtları kontrol edebilir, duplicate olma ihtimalini işaretleyebilir, açıklamadaki eksikleri belirleyebilir veya ilgili dokümanları önerebilir. Aynı şekilde refinement öncesinde ekip için hazırlık yapabilir.

Ancak burada önemli bir sınır vardır: Backlog temizliği otomatikleşebilir; ürün önceliği otomatikleşmemelidir.

Bir işin müşteriye, şirkete veya ürün stratejisine ne kadar değer sağlayacağı yalnızca geçmiş Jira verilerinden çıkarılamaz. Product Owner'ın görevi backlog'u düzenleyen bir sekreter olmak değildir. Ürün bağlamını, müşteri ihtiyacını ve stratejik yönü birlikte değerlendirmektir. Agent bu kararı destekleyebilir; bağlamın sahibi olmamalıdır.

Backlog Refinement

Refinement toplantılarında önemli miktarda zaman bazen işin kendisini anlamaktan çok eksik bilgileri tamamlamaya harcanır. Story'nin amacı belirsizdir. Acceptance criteria eksiktir. Bağımlılıklar belirtilmemiştir. İlgili tasarım veya teknik dokümana link verilmemiştir. Agentic AI burada toplantıdan önce hazırlık yaparak ekibin zamanını daha değerli tartışmalara ayırabilir.

Örneğin bir agent:

• work item'ın yeterince açık olup olmadığını değerlendirebilir,

• potansiyel acceptance criteria önerebilir,

• ilgili geçmiş işlere bağlantı verebilir,

• olası teknik bağımlılıkları işaretleyebilir,

• cevaplanması gereken soruları listeleyebilir.

Böylece refinement'ın amacı metni birlikte düzeltmekten çıkıp problemi, kapsamı ve çözüm seçeneklerini tartışmaya kayabilir.

Sprint Planlama

Geçmiş sprint verileri, mevcut işler, bağımlılıklar, izinler ve teslimat performansı AI tarafından analiz edilebilir. Bu gerçekten değerlidir. Ancak bundan “AI ideal sprint scope'unu matematiksel kesinlikle belirleyebilir” sonucu çıkmaz.

Yazılım geliştirme deterministik bir üretim hattı değildir. Yeni teknik problemler ortaya çıkabilir, müşteri ihtiyacı değişebilir, bir bağımlılık beklenenden uzun sürebilir veya ekip yeni bilgi elde edebilir. Bu nedenle AI geçmiş veriler üzerinden karar desteği sağlayabilir.

Örneğin:

“Son altı sprintte bu tip işlerin cycle time dağılımı nedir?”

“Bu sprintte hangi işler aynı bağımlılığa sahip?”

“Geçmiş throughput'a bakıldığında bu kapsam olağandışı büyük mü?”

gibi sorulara yardımcı olabilir.

Ama Sprint Goal'ün ne olması gerektiği veya takımın hangi hedef doğrultusunda hareket edeceği insan kararını gerektirir. AI'ın en doğru rolü burada tahmin makinesi olmak değil, görünmeyen riskleri görünür hale getirmektir.

Günlük Senkronizasyon ve Durum Görünürlüğü

Daily Scrum'ın amacı insanların sırayla “dün ne yaptım, bugün ne yapacağım?” raporu vermesi değildir. Amaç Developers'ın Sprint Goal doğrultusundaki ilerlemeyi değerlendirmesi ve gerekirse planlarını uyarlamasıdır. Bu ayrım Agentic AI açısından önemlidir.

GitHub commit'leri, pull request'ler, Jira güncellemeleri ve CI/CD sonuçları gibi bilgiler agent tarafından otomatik olarak derlenebilir. Böylece ekip toplantıda herkesin zaten sistemlerde bulunan aktivitelerini tekrar anlatmak yerine gerçekten konuşulması gereken konulara odaklanabilir:

Nerede sıkıştık?

Bir bağımlılık hedefimizi tehdit ediyor mu?

Birlikte çözmemiz gereken bir problem var mı?

AI bilgi toplama ve özetleme yükünü azaltabilir. Ancak ekip içi koordinasyonun kendisini ortadan kaldırmaz.

Yazılım Geliştirme ve Teslimat

Agentic AI'ın çevik ekiplerde en somut etkilerinden biri yazılım geliştirme tarafında görülüyor. Kod üreten copilot'lardan farklı olarak coding agent'lar bir görev üzerinde daha uzun süre çalışabilir, repository'deki dosyaları inceleyebilir, değişiklik yapabilir, test çalıştırabilir ve pull request hazırlayabilir.

Jira Cloud’da üçüncü taraf coding agent’ların work item’lara atanabilmesi, ürün yönetimi ile yazılım geliştirme arasındaki bağlantıyı güçlendiriyor. Bu durum çevik ekiplerde farklı bir iş bölümü yaratabilir. Bazı standart bug fix'leri, küçük refactoring çalışmaları, test oluşturma veya dokümantasyon görevleri agent'lara devredilebilir.

İnsan geliştiriciler ise mimari kararlar, karmaşık problem çözme, review ve ürün bağlamı gerektiren konulara daha fazla zaman ayırabilir. Ancak burada da başarı yalnızca “daha fazla kod üretildi mi?” ile ölçülmemelidir.

AI daha fazla kod üretip teknik borcu veya change failure rate'i artırıyorsa gerçek teslimat performansı iyileşmiş değildir. Agentic AI'ın mühendislik ekiplerindeki etkisi bu nedenle DORA, kalite ve geliştirici deneyimi gibi daha bütünsel ölçülerle değerlendirilmelidir.

Product Owner ve Scrum Master Rollerindeki Değişim

Agentic AI'ın yaygınlaşması Product Owner veya Scrum Master rollerini ortadan kaldırmaktan çok, bu rollerin düşük değerli operasyonel işlerini azaltabilir.

Product Owner için bu; backlog kayıtlarını tek tek temizlemek, toplantı notlarından aksiyon çıkarmak veya farklı kaynaklardan veri toplamak yerine kullanıcı problemi, ürün stratejisi ve değer önceliklendirmesine daha fazla odaklanmak anlamına gelebilir.

Scrum Master açısından ise durum benzerdir.

Sprint raporlarını manuel hazırlamak veya Jira üzerinden kim ne yapmış takip etmek Scrum Master'ın asıl değeri değildir. Takımın etkili çalışmasını engelleyen sistemik sorunları görünür hale getirmek, organizasyonel engeller üzerinde çalışmak, takım dinamiklerini geliştirmek ve sürekli iyileştirmeyi desteklemek çok daha değerlidir.

AI operasyonel yükü azalttıkça rollerin daha mekanik hale gelmesi değil, tam tersine insan muhakemesi ve sistem düşüncesi gerektiren taraflarının güçlenmesi beklenmelidir.

Retrospective ve Sürekli İyileştirme

Retrospective, Agentic AI'ın karar vermesinden çok veri hazırlamasının değerli olduğu başka bir alandır.

Bir agent son birkaç sprintteki:

• cycle time değişimlerini,

• bekleme sürelerini,

• tekrar açılan bug'ları,

• deploy problemlerini,

• blocker kayıtlarını,

• takım anketlerini

analiz ederek tekrar eden pattern'leri gösterebilir.

Örneğin:

“Son altı sprintte test ortamı bekleme süresi toplam cycle time'ın yüzde 28'ini oluşturuyor.” gibi bir veri, retrospective tartışmasını oldukça güçlendirebilir. Ancak neden böyle olduğu ve ne yapılması gerektiği ekip tarafından değerlendirilmelidir.

AI korelasyonları ve sinyalleri gösterebilir. Takım ise bağlamı bilir. Bu nedenle retrospective'te doğru yaklaşım: AI analiz etsin, takım anlamlandırsın ve karar versin.

Human-in-the-Loop

Çevik ekiplerde agent kullanımının en önemli tasarım kararlarından biri ne kadar otonomi verileceğidir. Bütün agent'ların aynı seviyede bağımsız hareket etmesi gerekmez.

İlk aşamada sistem yalnızca:

Oku → analiz et → öner

şeklinde çalışabilir.

Güven arttıkça:

Oku → analiz et → öner → insan onayı → uygula

modeline geçilebilir.

Düşük riskli ve geri alınabilir görevlerde ise belirli işlemler zamanla otomatik gerçekleştirilebilir. Örneğin duplicate work item işaretlemek ile sprint backlog'una işi otomatik eklemek aynı karar değildir. Bir PR taslağı hazırlamak ile production ortamına deploy etmek de aynı risk seviyesinde değildir.

OpenAI'nin agent geliştirme rehberi de yüksek riskli veya geri dönüşü zor işlemlerde insan müdahalesinin önemli bir güvenlik katmanı olduğunu vurguluyor. Bu nedenle otonomi bir hedef değil, risk ve güven seviyesine göre tasarlanan bir parametre olmalıdır.

Agentic AI ve Çevik Metrikler

Agentic AI kullanımının başarılı olup olmadığını yalnızca “takım ne kadar AI kullanıyor?” şeklinde ölçmek doğru olmaz. Asıl soru çalışma sisteminin daha iyi hale gelip gelmediğidir.

Örneğin agent kullanımından sonra:

• Lead Time azalıyor mu?

• Cycle Time iyileşiyor mu?

• Change Fail Rate artıyor mu azalıyor mu?

• Blocker'ların çözülme süresi değişiyor mu?

• Takımın bilişsel yükü ve geliştirici deneyimi iyileşiyor mu?

• Müşteriye ulaştırılan değer artıyor mu?

Agent kullanımı teslimatı hızlandırırken kaliteyi düşürüyorsa veya takım üzerinde yeni bir kontrol yükü oluşturuyorsa optimizasyon doğru yerde yapılmamış olabilir. Bu nedenle Agentic AI'ın çevik ekiplerdeki etkisini DORA, SPACE, flow ve ürün metrikleriyle birlikte değerlendirmek daha sağlıklı olacaktır.

Agentic AI Uygulama Modeli

Çevik ekiplerde Agentic AI'a geçiş büyük bir dönüşüm projesiyle başlamak zorunda değildir. İlk aşamada tek bir tekrar eden problem seçilebilir. Örneğin backlog refinement öncesi kalite kontrol. Agent yalnızca work item'ları analiz eder ve eksikleri önerir. Ekip birkaç sprint boyunca önerilerin ne kadar faydalı olduğunu ölçer. Ardından iyi sonuç alınırsa kullanım alanı genişletilebilir.

İkinci aşamada agent Jira, Confluence veya GitHub gibi başka araçlardan bağlam toplayabilir. Sonraki aşamada düşük riskli bazı aksiyonlara izin verilebilir. Bu yaklaşım iki önemli avantaj sağlar. Birincisi, ekip teknolojiyi gerçek çalışma ortamında öğrenir. İkincisi, agent'a verilen yetki ile sistemin güvenilirliği birlikte büyür.

Küçük kullanım alanı → ölçüm → öğrenme → genişletme

yaklaşımı çevik düşüncenin kendisiyle de uyumludur.

Veri Kalitesi ve Bağlam

Agent'ın kararlarının kalitesi erişebildiği bağlamla doğrudan ilişkilidir. Jira kayıtları güncel değilse, işlerin durumları gerçeği yansıtmıyorsa veya dokümantasyon eskiyse yapay zekâ da aynı kirli veri üzerinden hareket eder. Bu nedenle Agentic AI'ın çevik ekiplerde kullanılması aynı zamanda uzun süredir ertelenen bazı çalışma disiplini sorunlarını görünür hale getirebilir.

Örneğin ekip backlog'unda yüzlerce güncelliğini kaybetmiş kayıt varsa çözüm daha güçlü bir AI modeli olmayabilir. Önce bilgi sisteminin kendisinin düzenlenmesi gerekir. Agentic AI dönüşümünün önemli yan etkilerinden biri de budur: AI'dan güvenilir sonuç beklemek, kurumun kendi bilgisinin kalitesini sorgulamasına neden olur.

Güvenlik ve Yetkilendirme

Bir agent yalnızca bilgi okuyorsa yaratabileceği risk ile Jira kayıtlarını değiştirebilen, repository'ye kod yazabilen veya workflow tetikleyebilen bir agent'ın riski aynı değildir. Bu nedenle agent'lara mümkün olan en geniş yetkiyi vermek yerine minimum gerekli yetki prensibi uygulanmalıdır.

Hangi sistemleri okuyabileceği, hangi işlemleri gerçekleştirebileceği, hangi durumlarda insan onayı isteyeceği ve yaptığı işlemlerin nasıl izleneceği önceden tanımlanmalıdır. Agent'ların çalışma ortamına entegre olması yönetişimi azaltmaz. Tam tersine daha önemli hale getirir.

Agile ve Agentic AI İlişkisi

Agentic AI çevikliği otomatik olarak artırmaz. Bir organizasyon kötü tasarlanmış sürecini AI ile daha hızlı çalıştırabilir. Yanlış backlog'u daha hızlı temizleyebilir. Gereksiz raporları daha hızlı hazırlayabilir. Düşük değerli işleri çok daha hızlı tamamlayabilir. Ancak bunların hiçbiri müşteriye daha fazla değer üretildiği anlamına gelmez.

Agile'ın temel sorusu hâlâ aynıdır: Doğru problemi çözüyor muyuz ve yeni bilgi geldiğinde yeterince hızlı adapte olabiliyor muyuz?

Agentic AI'ın değeri de bu kapasiteyi artırabildiği ölçüde ortaya çıkar. Bu nedenle çevik ekiplerde yapay zekâ kullanımı daha fazla otomasyon değil, daha kısa öğrenme döngüsü hedefiyle tasarlanmalıdır.

Çevik Ekiplerde İnsan ve AI İş Bölümü

Agentic AI'ın çevik ekiplerde yaratabileceği en güçlü değişim, insanların tamamen süreçten çıkması değil; insanların zamanını nerede kullandığının değişmesidir.

AI:

• bilgi toplayabilir,

• tekrar eden analizleri yapabilir,

• taslaklar oluşturabilir,

• pattern'leri gösterebilir,

• düşük riskli işleri yürütebilir.

İnsan ise:

• amacı belirler,

• problemi yorumlar,

• müşteri bağlamını anlar,

• trade-off'ları değerlendirir,

• sorumluluk alır,

• karmaşık kararları verir.

Bu ayrım iyi kurulduğunda Agentic AI çevik takımların yerine geçen bir yapı değil, takımın karar ve öğrenme kapasitesini artıran bir çalışma katmanı haline gelir.

Sharpware olarak çevik dönüşüm çalışmalarında yapay zekâyı yeni bir ritüel veya araç seti olarak değil, mevcut çalışma sisteminin değer üretme kapasitesini artırabilecek bir bileşen olarak değerlendiriyoruz.

Sık Sorulan Sorular

Agentic AI kullanmak için Scrum kullanmak gerekir mi?

Hayır. Agentic AI Scrum'a özgü bir teknoloji değildir. Kanban, sürekli akış veya farklı ürün geliştirme yaklaşımları kullanan ekiplerde de çalışma süreçlerine entegre edilebilir.

AI agent'lara Jira'da görev atanabilir mi?

Evet. Güncel Jira Cloud özelliklerinde desteklenen AI agent'lar work item'lara atanabilir, yorumlarda çağrılabilir ve workflow içerisinde tetiklenebilir. Kullanılabilecek özellikler kurumun Jira ve AI yapılandırmasına göre değişebilir.

AI agent bir Product Owner’ın kararlarını otomatik verebilir mi?

Hayır. Agent geçmiş verileri analiz edebilir, bağımlılıkları veya riskleri görünür hale getirebilir ve alternatifler önerebilir. Ancak müşteri ihtiyacı, ürün stratejisi ve ticari öncelikler gibi bağlamsal kararlar Product Owner ve ürün ekibinin sorumluluğunda kalmalıdır.

AI agent'lar story point tahmini yapabilir mi?

Geçmiş veriler ve mevcut iş bağlamı üzerinden tahmin veya analiz üretebilirler. Ancak story point'in amacı kesin teslimat tahmini oluşturmak değildir ve yapay zekâ çıktısı ekip kararının yerine geçmemelidir.

Çevik ekiplerde AI agent kullanımı hangi metriklerle takip edilebilir?

Agent kullanım oranından çok çalışma sistemindeki değişim ölçülmelidir. Lead Time, Cycle Time, Change Fail Rate, blocker çözüm süresi, geliştirici deneyimi ve müşteriye ulaştırılan değer gibi göstergeler daha anlamlıdır.

AI agent’ın yaptığı işlemler geri alınabilir olmalı mı?

Mümkün olan kullanım alanlarında evet. Özellikle yüksek etkili işlemlerde rollback, insan onayı, işlem logları ve açık yetki sınırları tasarımın parçası olmalıdır. Geri dönüşü zor işlemlerde agent’a doğrudan otonomi vermek yerine insan onayı tercih edilebilir.