Linear AI Cycles — sprint 계획 자동화 6개월 데이터

핵심 요약

Linear AI Cycles로 14명 팀 6개월 운영. AI가 cycle 시작 시 backlog 우선순위·역할 분배·deadline 추정 제안. 추정 정확도 +28%, "잊고 있던" task 누락 -54%, 회의 시간 -42%. 단 AI 의존 → 컨텍스트 부족 시 빗나감.

1. 동작 흐름

• cycle 시작 직전 AI가 backlog 분석
• 팀별 capacity·skill match·과거 추정 패턴 반영
• dependency 자동 detected
• 사람은 제안 review·승인

2. 데이터 — 12 cycle 평균

3. 효과 — 추정 개선의 비밀

AI는 과거 issue별 실제 소요(label·assignee 기준)로 학습. 개인이 "이건 4h" 적은 게 평균 12h였다는 걸 기억해 보정. 사람 추정 편향을 거꾸로 활용.

4. 한계

• 신규 영역 — 과거 데이터 없으면 폭망. AI도 사람도 같이 모름
• 외부 의존 — 디자인·QA 등 외부 input 대기는 추정 못 함
• 팀 변동 — 신규 입사자는 capacity 추정 가짜

5. 함정

• AI 제안 그대로 — review 없이 사용하면 무관한 task가 sprint에. 매번 review
• label 부재 — AI 학습에 label이 핵심. label 정책 먼저 만들기
• 가시성 — AI 결정의 근거 표시되지만 의사결정 logging은 별도