Mākslīgais intelekts pēdējos gados ir no teorētiska koncepta pārvērties par praktisku instrumentu, kas strauji transformē gandrīz visas nozares. Tomēr visredzamākās pārmaiņas šobrīd notiek tieši IT jomā. Vietā, kur šīs tehnoloģijas ne tikai tiek izmantotas, bet arī radītas.
Ja vēl nesen automatizācija nozīmēja atsevišķu uzdevumu vienkāršošanu, tad šodien mēs runājam par pilna cikla transformāciju. No prasību analīzes līdz koda ģenerēšanai, testēšanai un pat izvietošanai – arvien vairāk šo soļu var veikt ar AI palīdzību. Parādās AI aģenti, kas spēj darboties patstāvīgi, pieņemt lēmumus un izpildīt uzdevumus ar minimālu cilvēka iesaisti.
Šīs pārmaiņas būtiski ietekmē arī to, kā mēs organizējam izstrādes darbu.
Līdz šim programmatūras izstrāde lielā mērā balstījās uz Agile pieeju. Sprinti, kas ilgst vienu vai divas nedēļas, story points novērtēšana, regulāra plānošana un retrospekcja, tas viss tika veidots, lai strukturētu cilvēku darbu, nodrošinātu prognozējamību un pakāpenisku vērtības piegādi. Taču šī pieeja balstās uz vienu būtisku pieņēmumu: ka izstrādes ātrums ir ierobežots ar cilvēka kapacitāti. Brīdī, kad šo ierobežojumu sāk pārņemt mākslīgais intelekts, viss modelis sāk plaisāt.
Ja uzdevums, kas iepriekš prasīja divas nedēļas, tagad var teorētiski tikt izpildīts vienas vai divu dienu laikā, tad rodas pamatots jautājums – vai sprinti joprojām ir nepieciešami? Kāda ir nozīme detalizēti plānot darbu uz divām nedēļām, ja izpilde notiek daudzkārt ātrāk? Vai story points vispār vēl spēj atspoguļot realitāti, ja “piepūle” vairs nav tieši saistīta ar rezultātu?
Atbilde nav vienkārši “jā” vai “nē”. Ja mākslīgais intelekts spēj būtiski paātrināt koda izstrādi, sprinti kā Agile pamatvienība nezaudē jēgu pilnībā, taču to loma sāk mainīties. To sākotnējais mērķis – strukturēt darbu, kas balstīts uz cilvēku kapacitātes ierobežojumiem, un nodrošināt prognozējamu piegādi, kļūst mazāk aktuāls vidē, kur izpildes ātrums var būtiski svārstīties un būt daudzkārt lielāks. Mazākās vai elastīgākās komandās sprintus arvien biežāk aizstāj nepārtraukta darba plūsma un dinamiska prioritāšu pārvaldība, savukārt lielās organizācijās, tie, visticamāk, saglabāsies kā strukturējošs ietvars, kas nodrošina koordināciju, prognozējamību un pārvaldību. Vienlaikus pārejas posmā joprojām ir svarīgi mērīt laiku un izpildes apjomu, lai salīdzinātu, cik daudz bija iespējams paveikt iepriekš un cik – ar AI palīdzību, tādējādi skaidri parādot ieguvumus arī biznesa pusei.
Šeit sākas interesantākā daļa – nevis tehnoloģiskā, bet organizatoriskā un pat filozofiskā.
Mēs vairs nerunājam tikai par to, kā strādāt ātrāk. Mēs runājam par to, kā mainās darba organizācija un vērtības radīšanas modelis. Ja kodēšana ar AI palīdzību kļūst ievērojami ātrāka, tas nenozīmē, ka tās vērtība pazūd – tā maina savu vietu kopējā procesā. Līdz ar to pieaug citu aktivitāšu nozīme:
- spēja definēt pareizo problēmu un biznesa mērķi;
- spēja saprast klienta un lietotāja vajadzības;
- spēja pieņemt arhitektūras un dizaina lēmumus;
- spēja validēt rezultātu kvalitāti un drošību.
Fokuss pārvietojas no individuāla izpildes ātruma uz kopējo komandas un organizācijas kapacitāti. Ja agrāk viens no galvenajiem ierobežojumiem bija izstrādes ātrums, tad tagad tas kļūst par spēju efektīvi pārvaldīt vairākus projektus, pieņemt kvalitatīvus lēmumus un nodrošināt konsekventu kvalitāti visā piegādes procesā.
Tas nozīmē arī izmaiņas veiktspējas uztverē:
- mazāk fokusa uz velocity;
- vairāk fokusa uz capacity un caurlaidspēju (throughput);
- spēja vienlaicīgi apkalpot vairāk iniciatīvu, nezaudējot kvalitāti.
Šādā kontekstā Agile principiem var būt jauna interpretācija. Sprintu vietā arvien biežāk var parādīties nepārtraukta darba plūsma. Plānošanas vietā, elastīgāka prioritāšu pārvaldība un biežāka validācija. Savukārt story points vietā svarīgāks kļūst jautājums – kādu biznesa ietekmi konkrētais darbs rada un cik efektīvi mēs spējam to piegādāt. Vienlaikus pieaug arī nozares ekspertu nozīme. Jo ātrāk AI spēj ģenerēt risinājumus, jo kritiskāka kļūst spēja tos izvērtēt:
- vai risinājums ir korekts;
- vai tas atbilst specifikai;
- vai tas ir drošs, uzturams un mērogojams.
Nākotnē konkurētspējīgi būs ne tikai tie, kas izmanto AI, bet tie, kuri spēj to kombinēt ar spēcīgu nozares ekspertīzi un kvalitatīvu validāciju. AI nevis aizstāj izstrādes uzņēmumus, bet ļauj tiem strādāt citā līmenī – ar lielāku kapacitāti, plašāku ietekmi un augstāku pievienoto vērtību.
Ko tas nozīmē klientam?
- ātrāku piegādi bez kompromisiem kvalitātē;
- iespēju vienlaicīgi attīstīt vairākas iniciatīvas;
- lielāku elastību mainīgā biznesa vidē;
- fokusu uz reālu biznesa vērtību, nevis tikai izstrādes apjomu.
Kāds tad ir īsais kopsavilkums? Var teikt, ka AI būtiski maina programmatūras izstrādes tempu un līdz ar to arī darba organizācijas principus. Sprinti nepazūd, bet to nozīme transformējas – tie vairs nav vienīgais vai universālais risinājums visām komandām. Elastīgākās vidēs tos aizstāj nepārtraukta darba plūsma, kamēr lielākās organizācijās tie saglabājas kā strukturējošs mehānisms. Vienlaikus pārejas posmā kritiski svarīgi ir mērīt produktivitāti, lai skaidri demonstrētu AI radīto ieguvumu. Galvenā pārmaiņa nav tikai ātrumā – tā ir fokusā uz augstāka līmeņa domāšanu, lēmumu kvalitāti un biznesa vērtības radīšanu.
LTECH jau šobrīd savos projektos aktīvi izmanto AI risinājumus izstrādes procesos – nevis kā eksperimentu, bet kā praktisku instrumentu, kas ļauj mūsu klientiem sasniegt rezultātus ātrāk un gudrāk.