Issue tracking 的複雜度不是來自工具，是來自角色分工
Issue tracking 的複雜度問題不在工具，在於當初為彌補角色溝通鴻溝而設計的流程，如今反而成了負擔；AI Agent 時代改變了需求——從交接機制轉向共享上下文，但簡化帶來的可見性喪失需要謹慎權衡。
流程本身成為了工作
我看過很多團隊的 issue tracking 系統，越大的組織通常越複雜。優先級、協商流程、工作流審批層層疊加。表面上是為了適應 PM 和工程師之間的交接，實際上大多數時候，這些流程是在彌補一個根本問題：角色間的溝通鴻溝。
但這裡有個悖論。當初設計這些流程是因為資源稀缺——PM 需要確保工程師做對優先級，工程師需要確保需求被理解。層層檢查本來是必要的。久而久之，流程本身變成了負擔。團隊花在「管理 issue」上的時間開始超過花在「解決 issue」上的時間。
你現在的流程是在解決真實的執行瓶頸，還是在管理流程本身？
AI Agent 改變了信息結構的需求
Linear 最近在談 Agent 時代下的 issue tracking。核心觀察是：當 Agent 能自動處理 25% 的 issue 創建和大量程序性工作時，issue tracking 的價值主張改變了。不再是「誰做什麼」的分配機制，而是「共享上下文」的載體。
傳統系統為人類交接而設計，有清晰的責任邊界和顯式的審批流。但人類和 AI 的協作模式不同。AI 需要的是完整的上下文——背景、約束、相關決策歷史。人類需要的是能快速判斷和調整方向的信號。信息結構的組織方式需要重新思考，不是加更多字段，而是改變信息如何流動、如何被檢索、如何在人和 Agent 之間保持一致。
簡化帶來的代價
Linear 的方向是讓 Agent 吸收程序性工作，人類專注意圖、判斷、品味。這聽起來很對，但它隱含了一個取捨。
當 Agent 自動化了大量工作流程，團隊如何確保對執行細節的可見性？特別是在需要審計、合規或團隊學習的場景中，過度自動化可能製造黑盒。你知道 issue 被關閉了，但不知道 Agent 在決策過程中考慮了什麼、排除了什麼。
對實施團隊來說，需要明確定義哪些工作流可以自動化，哪些必須保留人工決策點。這不是「越自動化越好」的問題，這是一個選擇。
我不怕自動化。我怕的是看起來很漂亮的流程，實際上建立在對執行細節的盲目上。
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。