AI Coding 時代的 Scrum：前後端職稱融化，但瓶頸從「寫」移到「驗證」

Threads 知識整理 · AI Coding Management

這則 Threads 的核心不是「大家都不用工程師了」，而是：AI coding 把產出程式碼的門檻壓低，傳統前端 / 後端 / QA / PM / Designer 的邊界開始鬆動；但真正瓶頸會轉移到需求清晰度、驗證、review、整合、責任歸屬。

Matt 判斷：對 BigIntTech 這種 AI-agent 導入公司，最該賣的不是「AI 幫你寫更多 code」，而是「AI 讓 cross-functional team 能更快形成可驗證閉環」。Scrum 在 AI coding 時代不是消失，而是從管產出變成管驗證與回饋。

## Threads 高訊號

主張	解讀
Anthropic / Claude Code 團隊不再清楚分前後端	AI coding 讓 PM、設計師、DS 也能參與原型、資料流程、產品迭代。
Boris Cherny 提五種 archetype	Prototyper、Builder、Sweeper、Grower、Maintainer；更像工作模式，不是職稱。
Scrum 的跨職能理想成本下降	過去跨職能很貴，現在 AI 降低跨域實作成本。
Sprint 卡住的原因改變	不再只是等前後端交接，而是等需求釐清、測試、review、整合與風險確認。

## 可查證與保留

Boris Cherny / Claude Code：公開資料可驗證 Boris 是 Claude Code 重要創建者 / head；Claude Code 官方文件也強調可建立 commits / PR、連接 MCP、hooks、skills、subagents、scheduled tasks 等 workflow。
五種 archetype：可追到 Boris 在社群上的原始說法與多個二手整理；本文當作管理框架，不當成 Anthropic 官方組織設計白皮書。
「AI 生成 70–90% code」「每天 10–30 PR」：屬社群 / 訪談轉述數字，方向上有參考價值，但不宜當正式 benchmark 或可複製 KPI。

## Scrum 在 AI coding 時代該保留什麼

Sprint Goal：避免 coding agent 平行開太多未驗證分支。
Refinement：AI 是需求放大器；需求模糊，只會更快產出模糊程式碼。
Definition of Done：要明確包含測試、review、security、migration、rollback、observability。
Review：從「做出來沒」改成「做對了沒、能不能被使用」。
Retro：檢查 AI 是否製造認知負債、coverage theater、review bottleneck。

## 給 Allen 的落地建議

若導入 AI coding，不要用 velocity / PR 數當唯一 KPI；要看 cycle time、defect escape、rollback、review latency。
小團隊可簡化 Daily / 估點形式，但不能省掉目標對齊與驗證責任。
跨職能不是每個人都變 full-stack senior，而是每個人能用 AI 補足實作缺口、用共同 DoD 保證品質。
BigIntTech 對客戶賣 AI-agent transformation 時，可把話術從「幫你省工程師」改成「幫你降低跨部門交接與等待成本」。

Source：Threads
Reference：、、