Većina tvrtki nema problem s umjetnom inteligencijom. Ima problem s kontekstom.

Korisno znanje koje omogućuje poslovanju da funkcionira rijetko je pohranjeno u jednom uglađenom dokumentu. Ono živi u bazama koda, zahtjevima za spajanje, shemama, testovima, konfiguraciji, bilješkama o incidentima, zahtjevima za podršku i malim odlukama koje se gomilaju kako se proizvod mijenja. Kada pomoćnik umjetne inteligencije dobije samo wiki i generički upit, može zvučati informirano. Kada može sigurno rezonirati o kodu koji pokreće poslovanje, ima priliku postati istinski koristan.

Ta je razlika važna. Kod nije samo pojedinost implementacije nakon što je strategija odlučena. U zrelom digitalnom proizvodu kod je jedan od najpreciznijih zapisa o tome što poslovanje trenutačno obećava, dopušta, izračunava i štiti.

Zašto je kod iznimno vrijedan kontekst

Opis proizvoda može reći da kupci dobivaju popust. Kod objašnjava koji kupci ispunjavaju uvjete, mogu li se popusti kombinirati, kako funkcionira zaokruživanje, što se događa kada promocija istekne i koji su rubni slučajevi već uzrokovali probleme. Dijagram može opisati tijek narudžbe. Aplikacijski kod, ograničenja baze podataka i testovi otkrivaju stvarna stanja u koja narudžba može ući.

Zato umjetna inteligencija utemeljena na kodu ima drukčiju ulogu od općeg chatbota. Može pomoći timovima snalaziti se u sustavu zapisa operativnog ponašanja. Može povezati pitanje o proizvodu s pravilom validacije, prepoznati vjerojatne korisnike promjene API-ja, objasniti nepoznatu uslugu ili predložiti usmjereni plan testiranja na temelju postojećih konvencija.

Ali „povežite umjetnu inteligenciju s repozitorijem” samo po sebi nije strategija. Stablo izvornog koda veliko je, neujednačeno i puno zastarjelih artefakata. Dobri rezultati ovise o promišljenom pristupu proizvodu: odlučivanju o tome koja su pitanja važna, koji kontekst pomoćnik smije koristiti, što smije mijenjati i kako će ljudi provjeravati njegov rad.

Počnite od odluka, a ne od demonstracija

Timovi često počinju impresivnom demonstracijom: traže od modela da sažme repozitorij, generira značajku ili odgovori na arhitektonska pitanja. Demonstracijama se lako diviti, a teško ih je operacionalizirati. Bolja polazna točka je ponavljajuća odluka koja je trenutačno spora, podložna pogreškama ili ovisna o nekolicini ljudi.

Razmotrite razliku između „izgradite AI pomoćnika za programiranje” i „pomozite inženjerima odrediti učinak promjene polja za naplatu”. Drugi problem ima definiranog korisnika, vidljiv ishod i dokaze koji se mogu provjeriti. Pomoćnik može tražiti polje kroz aplikacijski kod, migracije, API ugovore, testove, nadzorne ploče i dokumentaciju. Njegov odgovor trebao bi sadržavati neizvjesnost, reference i put koji se može pregledati, a ne samo samouvjeren zaključak.

Snažni početni slučajevi uporabe obično imaju tri obilježja:

• Zahtijevaju pronalaženje i povezivanje postojećih informacija, a ne izmišljanje nove politike.
• Daju rezultat koji stručnjak za domenu može brzo procijeniti.
• Smanjuju ponavljajući trošak koordinacije, kao što su uvođenje novih članova, istraživanje incidenata ili planiranje promjena.

Primjeri uključuju pripremu sažetka zahtjeva za spajanje koji objašnjava zahvaćeno ponašanje, sastavljanje vremenske crte incidenta iz zapisa i metapodataka o implementaciji, prepoznavanje vjerojatnih praznina u pokrivenosti testovima ili odgovaranje na pitanje podrške dokazima iz pravila proizvoda. To su skromne mogućnosti, ali mogu se nadograđivati u bržu i smireniju isporuku.

Promatrajte bazu koda kao živi sustav znanja

Da bi umjetna inteligencija razumjela poslovanje kroz kod, baza koda najprije mora biti razumno čitljiva ljudima. To ne zahtijeva savršenu arhitekturu. Zahtijeva dovoljno strukture da se namjera može rekonstruirati.

Nazivi su važni. Jasni domenski koncepti, dosljedne granice, čitljivi testovi i eksplicitna sučelja daju i ljudima i alatima kartu. Funkcija nazvana calculateEligibleRefundAmount nosi više upotrebljive namjere od generičkog pomoćnika koji tiho spaja politiku, postojanost podataka i oblikovanje. Slično tome, test koji imenuje pravilo često je bolje objašnjenje poslovnog ponašanja od komentara napisanog mjesecima ranije.

Tehnički voditelji mogu poboljšati ovaj temelj tako da ključne odluke učine dostupnima za pronalaženje. Kratki zapisi o arhitektonskim odlukama, smisleni opisi zahtjeva za spajanje i priručnici za rad koji povezuju relevantne usluge nisu birokracija kada smanjuju dvosmislenost. Oni su infrastruktura konteksta.

Držite istinu blizu ponašanja

Dokumentacija je vrijedna, ali zastarijeva kada je odvojena od promjene. Gdje je moguće, trajna objašnjenja postavite blizu koda, sheme, konfiguracije ili testa koje opisuju. Dokumentaciju više razine povežite s tim mjerodavnim lokacijama umjesto da pravila kopirate na više mjesta.

To pomaže i sustavu umjetne inteligencije. Dohvaćanje je pouzdanije kada je odgovor vezan uz verzionirani artefakt s jasnim vlasnikom. Također daje recenzentima jednostavno pitanje: „Je li ovaj zaključak potkrijepljen trenutačnim ponašanjem?”

Dizajnirajte za dokaze, granice i pregled

Umjetnu inteligenciju koja pomaže u poslovno kritičnom softveru ne bi trebalo tretirati kao proročište. Trebalo bi je tretirati kao brzog, pogrešivog suradnika. Njezini rezultati trebaju put natrag do dokaza.

Za pomoćnika koji poznaje kod to obično znači prikazivanje datoteka, simbola, testova i pretpostavki iza odgovora. Ako ne može utvrditi činjenicu, trebao bi to reći. „Pronašao sam validaciju u sloju API-ja, ali nema dokaza o provedbi u pozadinskom radniku” korisnije je od uglađenog, ali nepotkrijepljenog objašnjenja.

Granice su jednako važne. Odvojite pomoć samo za čitanje od radnji koje mijenjaju izvorni kod, podatke, infrastrukturu ili komunikaciju s kupcima. Sustav može sigurno izraditi nacrt plana migracije, uz zahtjev za odobrenjem prije stvaranja migracije. Može prepoznati pogođeni segment kupaca, a pritom zabraniti izravan pristup osobnim podacima osim ako to zadatak i dozvole jasno zahtijevaju.

Pregled bi trebao odgovarati riziku. Generirani jedinični test možda treba uobičajeni pregled koda. Preporuka koja utječe na cijene, sigurnost, usklađenost ili produkcijske operacije zahtijeva snažniji stručni pregled domene i trag koji se može revidirati. Pravo pitanje nije može li umjetna inteligencija dati prijedlog; nego može li tim otkriti i ispraviti loš prijedlog prije nego što nastane šteta.

Učinite udaljenu suradnju trajnijom

Udaljeni timovi posebno imaju koristi od znanja usmjerenog na kod jer vremenske zone čine neformalne primopredaje nepouzdanima. Najbolji tijekovi rada s umjetnom inteligencijom ne zamjenjuju pisanu komunikaciju. Olakšavaju njezino stvaranje i korištenje.

Korisni pomoćnik za zahtjeve za spajanje, primjerice, može izraditi nacrt sažetog objašnjenja promjene vidljive korisniku, navesti zahvaćene komponente, označiti migracije ili zastavice značajki i utvrditi pitanja bez odgovora. Autor ostaje odgovoran za točnost. Recenzenti dobivaju dovoljno konteksta da usmjere pozornost na dizajn, rizik i namjeru proizvoda umjesto da rekonstruiraju osnovnu povijest.

Ovaj model podržava zdravo vlasništvo. Umjetna inteligencija može ubrzati orijentaciju, ali ne bi trebala zamagliti tko je vlasnik odluke. Svaka značajna promjena i dalje treba čovjeka odgovornog za ishod, jasnog recenzenta kada rizik to opravdava i povratnu petlju od ponašanja u produkciji natrag u zaostatak poslova.

Mjerite korisnost u isporuci, a ne novost

Primamljivo je usvajanje umjetne inteligencije mjeriti brojem upita ili generiranim redcima koda. Te metrike mogu nagraditi aktivnost bez poboljšanja proizvoda. Bolji su signali lokalni i praktični: kraće vrijeme za razumijevanje promjene, manje ciklusa pregleda uzrokovanih nedostatkom konteksta, brža trijaža incidenata, jasnije uvođenje novih članova ili manje regresija u poznatom tijeku rada.

Redovito pregledavajte primjere. Gdje je pomoćnik uštedio vrijeme? Gdje je halucinirao ovisnost, propustio pravilo politike ili potaknuo pretjerano samopouzdanje? Upotrijebite te nalaze za poboljšanje dohvaćanja, dozvola, dokumentacije i navika tima. Održiva sposobnost raste kroz ovu petlju, a ne kroz jednokratno uvođenje.

Prava prednost je zajedničko razumijevanje

Najvrjednija umjetna inteligencija neće biti ona koja piše najviše koda. Bit će ona koja pomaže timu razumjeti zašto kod postoji, što štiti i kako će promjena utjecati na ljude koji o njemu ovise.

Kada se kod tretira kao živi izraz poslovanja, umjetna inteligencija postaje više od generatora teksta. Postaje most između namjere proizvoda i tehničke stvarnosti. Pažljivo izgradite taj most, zadržite ljude odgovornima za odluke koje su važne i rezultat neće biti samo brža isporuka. Bit će to poslovanje koje može nastaviti učiti iz softvera koji izgrađuje.