Technische Samenvatting: Adoptie van Large Language Models in Scrum Management

Probleemstelling

Hoewel Large Language Models (LLM's) een significante impact hebben aangetoond op technische software engineering-activiteiten (bijv. coderen, testen, debuggen), is er een gebrek aan empirisch bewijs met betrekking tot hun toepassing in Scrum management-activiteiten. Agile management is inherent kennisintensief en leunt op ambiguïteit, onderhandeling, prioritering en menselijke dynamiek. Bestaande literatuur richt zich grotendeels op technische taken of blijft beperkt tot prototypes en educatieve scenario's. Hierdoor lopen organisaties het risico LLM's in managementcontexten te adopteren op basis van "hype" in plaats van bewijs, wat potentieel kan leiden tot overmatige afhankelijkheid, de verspreiding van bevooroordeelde outputs, schendingen van vertrouwelijkheid en de erosie van gedeelde teamverantwoordelijkheid. Deze studie adresseert dit gat door te onderzoeken hoe softwareprofessionals LLM's momenteel integreren in hun Scrum managementpraktijken, specifiek binnen de Braziliaanse softwareindustrie, die een grote en snel groeiende markt vertegenwoordigt.

Methodologie

De studie maakt gebruik van een survey-gebaseerd onderzoeksontwerp volgens systematische richtlijnen voor software engineering-surveys (Wagner et al.).

• Doelgroep: Professionals met praktische ervaring in Scrum-gebaseerde projecten.
• Steekproefstrategie: Een niet-probabilistische benadering die gemakssteekproeven combineert met snowball sampling. De werving vond plaats via LinkedIn Agile-communities, professionele mailinglijsten en academische/industriële contacten.
• Instrument: Een vragenlijst met negen secties, gehost op Google Forms, gestructureerd rond vier Research Questions (RQ's) afgeleid van een Goal-Question-Metric (GQM) framework. Het instrument bevatte gesloten items (Likert-schalen, frequentiematen) en open vragen.
• Gegevensverzameling: De survey stond open in oktober en november 2025.
• Steekproefomvang: 70 Braziliaanse professionals voltooiden de demografische sectie. Van deze groep hadden 49 in de afgelopen zes maanden aan een Scrum-project gewerkt, en 33 rapporteerden actief LLM-gebaseerde assistenten te gebruiken in hun Scrum-praktijken. De analyse richt zich op deze subset van 33 actieve gebruikers.
• Analyse: Kwantitatieve analyse (frequenties, percentages, gemiddelden) werd gecombineerd met kwalitatieve codering (een gemengde deductieve–inductieve benadering) voor open antwoorden. Twee onderzoekers codeerden onafhankelijk een subset om de betrouwbaarheid te waarborgen.

Belangrijkste Bijdragen

Het artikel biedt een van de eerste empirische karakteriseringen van het gebruik van LLM's in Scrum management en biedt drie primaire inzichten:

1. In kaart brengen van huidige praktijken: Een gedetailleerde categorisering van hoe Braziliaanse professionals LLM's inzetten bij Scrum-artefacten, events en rollen.
2. Kwantificeren van waargenomen voordelen: Identificatie van tastbare waardegroepen, zoals productiviteitswinst en verbeteringen in documentatie.
3. Identificeren van barrières en risico's: Blootstelling van kritieke uitdagingen, waaronder vertrouwensproblemen, vertrouwelijkheidrisico's en onbetrouwbare outputs, die essentieel zijn voor het begeleiden van verantwoorde adoptie.

Resultaten

RQ1: Kennis- en Gebruiksniveaus

• Bekwaamheid: De gebruikersbasis is relatief volwassen. Onder actieve gebruikers rapporteert 85% een intermediair of gevorderd niveau van bekwaamheid (61% "Gekwalificeerd", 21% "Bekwaam").
• Frequentie: Gebruik is routinematig in plaats van verkennend. 52% gebruikt LLM's dagelijks, en 18% wekelijks.
• Tools: Adoptie is geconcentreerd in grote ecosystemen: ChatGPT (100%), Gemini (82%) en Copilot Chat (67%).
• Governance: Organisatorische beleidsregels zijn gefragmenteerd; 36% rapporteert geen beleid, 36% heeft formeel beleid, en 45% volgt een voorgeschreven proces, wat aangeeft dat adoptie grotendeels door de praktijkbeoefenaar wordt gedreven.

RQ2: Adoptie over Scrum-praktijken heen

LLM's worden primair gebruikt als ondersteunende cognitieve tools in plaats van vervangingen voor menselijke besluitvorming. De adoptie-intensiteit varieert per categorie:

• Verkennen van Scrum: Hoogste adoptie (65–85% huiddig of gepland gebruik). Praktici gebruiken LLM's om concepten te verhelderen, praktijken te verkennen en bronnen te vinden.
• Artefacten: Substantiële adoptie (72–87% huiddig of gepland gebruik). Hoge acceptatie voor tekstintensieve taken zoals het schrijven van Product Backlog Items (PBI's), het definiëren van Non-Functional Requirements (NFR's) en het verbeteren van Sprint Goals.
• Events: Selectieve adoptie. Samenvatten en synthese (bijv. feedback van de Sprint Review) komen veel voor (64–68%), terwijl interpretatieve taken zoals het ontwerpen van agenda's of het identificeren van impedimentos een lagere opname laten zien vanwege de noodzaak voor contextuele nuance.
• Andere Managementtaken: Voorzichtige adoptie (20–50%). Praktici verzetten zich tegen het gebruik van LLM's voor waarde-gedreven of consensusgevoelige activiteiten, zoals het definiëren van de productvisie of het verbeteren van werkafspraken.

RQ3: Waargenomen Voordelen

• Productiviteit & Kwaliteit: 78% van de respondenten noemt verhoogde productiviteit en verbeterde kwaliteit van artefacten.
• Inspanning Reduceren: 75% rapporteert een vermindering van handmatige inspanning bij repetitieve taken.
• Kenniswerk: 59% merkt verbeterde documentatie en kennisdeling op; 50% rapporteert ondersteuning bij besluitvorming.
• Verschillen in Rollen: Developers rapporteren de hoogste waargenomen nuttigheid (84%), gevolgd door Scrum Masters (56%). Product Owners tonen gemengde percepties, wat de strategische aard van hun verantwoordelijkheden weerspiegelt.

RQ4: Risico's en Uitdagingen

• Betrouwbaarheid: Het meest genoemde probleem is het ontvangen van outputs die "bijna correct maar net niet helemaal" (81%) zijn. 59% rapporteert hallucinaties, en 63% noemt een hoge variabiliteit in de kwaliteit van de output.
• Beveiliging & Ethiek: 63% uit zorgen over vertrouwelijkheid en privacy; 56% noemt juridische en ethische onzekerheden.
• Menselijke Impact: Er zijn matige zorgen dat overmatige afhankelijkheid het begrip van Scrum-processen zou kunnen uithollen (bijna 30%) of de verantwoordelijkheid zou kunnen vertroebelen (23%).

Betekenis en Claims

Het artikel claimt een empirisch fundament te bieden voor het begrijpen van de integratie van LLM's in Agile management, waarbij de stap wordt gezet voorbij theoretische speculatie. Het benadrukt dat hoewel LLM's effectieve "cognitieve hulpmiddelen" zijn voor tekstzware, analytische en verkennende taken, ze nog niet worden vertrouwd voor autonome besluitvorming in strategische of consensusgedreven Scrum-activiteiten.

De auteurs benadrukken dat verantwoorde adoptie vereist:

1. Menselijk Toezicht: Teams moeten de eigenaarschap behouden over onderhandeling, prioritering en besluitvorming om de erosie van verantwoordelijkheid te voorkomen.
2. Organisatorische Governance: Expliciete richtlijnen over gegevensdeling, inhoudsvalidatie en aanvaardbaar gebruik zijn noodzakelijk om vertrouwelijkheid en juridische risico's te mitigeren.
3. Kritische Verificatie: Praktici moeten AI-outputs behandelen als concepten die verificatie vereisen, vooral gezien de hoge frequentie van "bijna correcte" fouten.

De studie concludeert dat hoewel LLM's duidelijke winsten bieden in efficiëntie en cognitieve verlichting, hun integratie in Scrum management momenteel een hybride mens-AI workflow is waarbij het menselijke element centraal blijft staan bij het beheren van ambiguïteit en het waarborgen van gedeelde betekenis. Toekomstig onderzoek wordt gesuggereerd om longitudinale veranderingen in teamleren en verantwoordelijkheid te verkennen naarmate deze tools evolueren.