Giới thiệu Trong các team Agile quy mô nhỏ, việc lập kế hoạch sprint và ưu tiên backlog thường tốn nhiều giờ họp, dẫn đến chậm tiến độ và thiếu nhất quán. Bài viết này chia sẻ kinh nghiệm áp dụng mô hình ngôn ngữ lớn (LLM) để hỗ trợ tự động hóa hai tác vụ cốt lõi này, giúp team tập trung vào việc bàn giao giá trị thay vì tranh luận thủ tục. Bối cảnh thực tế Team sản phẩm 5 người (Product Owner, 2 Developers, 1 QA, 1 Scrum Master) làm việc theo chu kỳ 2 tuần. Mỗi sprint planning kéo dài 3–4 tiếng, phần lớn thời gian dành cho việc đọc lại user story, ước lượng effort và sắp xếp thứ tự ưu tiên. Backlog ngày càng phình to do thiếu sự grooming định kỳ. Giải pháp AI 1. Thu thập dữ liệu đầu vào: export backlog từ Jira (title, description, acceptance criteria, story points, labels). 2. Prompt engineering: thiết kế prompt yêu cầu mô hình trả về (a) danh sách story gợi ý cho sprint tới dựa trên velocity trung bình, (b) điểm ưu tiên (business value, dependency, risk) cho từng item. 3. Tích hợp nhẹ: viết script Python gọi API, xuất kết quả ra file CSV, import trở lại Jira qua bulk edit. 4. Human-in-the-loop: Product Owner review danh sách gợi ý, điều chỉnh trước khi lock sprint. Quy trình triển khai - Tuần 1: Thử nghiệm trên sprint đã kết thúc, so sánh kết quả AI với kế hoạch thực tế. - Tuần 2: Điều chỉnh prompt, thêm tiêu chí "technical debt" và "customer impact". - Tuần 3: Đưa vào quy trình chính thức, đặt lịch chạy tự động mỗi thứ Sáu trước planning. Kết quả và bài học - Thời gian planning giảm đáng kể, team chỉ cần 1 tiếng để xác nhận và thảo luận rủi ro. - Backlog được grooming liên tục nhờ AI gợi ý story cần tách nhỏ hoặc gộp lại. - Sự đồng thuận giữa PO và dev tăng lên vì có cơ sở dữ liệu khách quan. - Lưu ý: AI không thay thế 판단 nghiệp vụ; luôn giữ bước review bởi con người. Lời khuyên áp dụng - Bắt đầu với tập dữ liệu nhỏ, đo lường chất lượng gợi ý trước khi mở rộng. - Xây dựng thư viện prompt riêng cho từng loại backlog (feature, bug, tech debt). - Tự động hóa chỉ các bước lặp lại, giữ các quyết định chiến lược do team quyết định. - Đào tạo ngắn cho PO và Scrum Master về cách đọc hiểu output của mô hình. - Theo dõi chỉ số định tính (sự hài lòng, độ chính xác ưu tiên) thay vì chỉ số định lượng cứng nhắc.