Een simulatie die onderzoekt hoe teamsamenstelling, WIP-limieten en methodiek de doorlooptijd van een backlog beïnvloeden. Met Carbon (mens), Silicon (AI-agent) en gemixte teams.
Wat doet dit experiment?
Dit experiment onderzoekt een manier hoe je de impact van AI-agents op softwareontwikkelteams zou kunnen modelleren en visualiseren. Via een eenvoudige simulatie, geïnspireerd op het Kanban-spel, vergelijken we de doorlooptijd van een backlog voor drie teamtypen: volledig menselijke teams (Carbon), volledig AI-agent-teams (Silicon) en gemixte teams.
Het model is bewust een “toy model”: de getallen zijn niet empirisch onderbouwd, maar de onderliggende mechanismen zijn herkenbaar voor iedereen die wel eens nagedacht heeft over flow, WIP en teamdynamiek.
Aanpak
De simulatie is gebouwd in Python met Jupyter Notebook, ipywidgets en Plotly. De kern van het model zit in drie efficiëntiecurves die het gedrag van elk teamtype bij toenemende WIP beschrijven:
- Carbon: bell-curve met piek rond 1,5× teamgrootte aan WIP, daarna non-lineaire degradatie door context-switching
- Silicon: vrijwel vlak tot een harde ceiling (rate limits, compute, eventueel kosten), daarna afkappen in plaats van degraderen
- Mixed: gewogen mix van beide curves, met een kleine synergiebonus bij een 50/50-verdeling
Daarnaast modelleert de simulatie het effect van Scrum-ceremonies: retrospectieve verbeteringen accumuleren als een samengestelde “boost” voor Carbon- en Mixed teams, terwijl Silicon-teams hier niet van profiteren. Interactieve sliders om backlogsamenstelling, aantal teams per type, WIP-limieten en methodiek (Scrum vs Kanban) real-time aan te passen.
Bevindingen tot nu toe
De WIP-gevoeligheidsanalyse laat een duidelijk verschil zien tussen teamtypen: de optimale WIP-limiet voor Carbon-teams ligt rond de 7–8 items, voor Silicon-teams rond de 15–18. Het toepassen van dezelfde WIP-limiet op beide, wat mogelijk in de praktijk het meest gebeurt, throttelt de agents of overbelast de mensen. Mixed teams laten in het model een kleine synergiebonus zien die geen van beide typen alleen bereikt.
Volgende stappen
- Toevoegen van incidenten en ongepland werk als verrassingselement
- Monte Carlo-analyse: simulatie 100× draaien met verschillende random seeds om doorlooptijd als distributie te tonen in plaats van als enkelvoudig getal
- Kostenmodel toevoegen: doorlooptijd per euro per teamtype vergelijken
- Valideren van de modelaannames tegen echte teamdata