Dalje od AI paradoksa: kako skalirati agentsku umjetnu inteligenciju koja donosi stvarne rezultate

Ako se umjetna inteligencija koristi samo za brže pisanje koda, ubrzava se tek jedna faza razvoja softvera, dok svi ostali koraci ostaju jednako spori. Pregledi koda, sigurnosne provjere, testiranje i koordinacija implementacije vrlo brzo postaju nova uska grla procesa.

Drugim riječima, ubrzavanje jednog dijela procesa ne znači da je ubrzan cijeli proces.

Prema podacima navedenima tijekom rasprave, povećanje korištenja umjetne inteligencije za 25% povezano je s padom brzine isporuke za 1,5% te padom stabilnosti isporuke za 7,2%.

AI u pravilu dodatno povećava produktivnost organizacija koje već imaju učinkovite procese i dobro posložene načine rada. Međutim, u organizacijama sa slabijim operativnim temeljima umjetna inteligencija često samo povećava vidljivost postojećih problema i ubrzava postojeće nedostatke.

Ako procesi, upravljanje, sigurnosne prakse i usklađenost timova nisu dovoljno razvijeni, AI neće sakriti te nedostatke. Naprotiv, učinit će ih vidljivijima i brže ih proširiti.

Taj princip i dalje ostaje važan. No agentska umjetna inteligencija uvodi novu dimenziju.

Matthias Ewald opisao ju je kao „shift up“ – pomicanje timova iznad samog ciklusa isporuke kako bi definirali pravila, postavili politike i omogućili agentima da izvršavaju zadatke kroz različite faze procesa.

Životni ciklus razvoja softvera ne nestaje. Pojedine faze također ne nestaju. Ono što se mijenja jest činjenica da se čekanja, ručni prijenosi između timova i potreba za stalnim prevođenjem informacija između faza sve više mogu automatizirati.

Upravljanje tom novom razinom iznad SDLC-a (životnog ciklusa razvoja softvera) brzo postaje jedan od najvažnijih izazova u enterprise razvoju softvera. Koji agenti smiju raditi? Kojim podacima imaju pristup? U kojim okruženjima mogu djelovati? Tko je odgovoran kada nešto pođe po zlu? Ovo nisu rubna pitanja.

To su ključna pitanja koja određuju hoće li ulaganje u AI zaista biti moguće skalirati na razini cijele organizacije.

Agentska umjetna inteligencija ne zamjenjuje potrebu za CI/CD kontrolama, pravilima definiranim kroz kod (policy as code), upravljanjem identitetima i pristupima te nepromjenjivim revizijskim tragovima. Naprotiv, čini ih još važnijima. Agenti moraju djelovati unutar jasno definiranih razvojnih procesa, a ne izvan njih.

Prije nego što agentu omogućite autonomno djelovanje u produkcijskom okruženju, morate razumjeti:

Ograničavanje dosega agenta nije ograničavanje vrijednosti umjetne inteligencije. To je osnovni princip upravljanja rizikom.

Svaka radnja koju agent izvrši mora biti povezana s odgovornom osobom. U reguliranim industrijama to nije opcija, već zahtjev. No dobra praksa vrijedi bez obzira na industriju. Automatizacija ne uklanja potrebu za odgovornošću – ona samo mijenja način na koji se odgovornost provodi.

Utjecaj umjetne inteligencije treba mjeriti na isti način kao i svaku drugu promjenu u procesu isporuke softvera – pomoću DORA metrika.

To uključuje:

Ako organizacija već koristi GitLab, velik dio tih podataka već postoji. Mapiranje toka vrijednosti (value stream mapping) dodaje drugu važnu perspektivu. DORA metrike pokazuju koliko su se rezultati poboljšali. Mapiranje toka vrijednosti pokazuje gdje agenti zaista stvaraju najveću vrijednost. Kombinacijom ova dva pristupa organizacije dobivaju vjerodostojnu i mjerljivu osnovu za dokazivanje povrata ulaganja u AI poslovnim dionicima.

Rani korisnici prvi dokazuju vrijednost, zatim se znanje i praksa šire kroz organizaciju, dok kasniji korisnici često zahtijevaju dodatnu podršku. Tehnička implementacija samo je jedan dio cijele priče.

Upravljanje promjenama, jasna komunikacija o tome zašto se AI uvodi te podrška timovima tijekom tranzicije jednako su važni kao i odabir same platforme.

Pokušaj preskakanja tih koraka najčešće dovodi upravo do fragmentirane i nepovezane implementacije AI rješenja – odnosno problema koji stvara dodatne troškove i smanjuje stvarnu vrijednost ulaganja.