Инженерия с приоритетом ИИ повышает пропускную способность на 170%

Многие пробовали инструменты на базе искусственного интеллекта и оставались разочарованы. Я понимаю: многие демоверсии обещают чудеса, но на практике результаты могут показаться не впечатляющими.

Именно поэтому я хочу написать это не как футуристический прогноз, а на основе собственного опыта. За последние шесть месяцев я перевел свою инженерную организацию на работу по принципу «сначала ИИ» (AI-first). Ранее я уже рассказывал о системе, лежащей в основе этой трансформации — о том, как мы выстраивали рабочие процессы, метрики и защитные механизмы. Сегодня я хочу отойти от технических деталей и поговорить о том, чему меня научил этот опыт — о том, куда движется наша профессия, когда разработка программного обеспечения буквально выворачивается наизнанку. 

Прежде чем я это сделаю, приведу пару цифр, иллюстрирующих масштаб изменений. Субъективно кажется, что мы стали двигаться в два раза быстрее. Объективно же пропускная способность изменилась следующим образом. Общая численность нашей инженерной команды колебалась от 36 человек в начале года до 30. Таким образом, вы получаете примерно 170% производительности при примерно 80% численности персонала, что совпадает с субъективным ощущением двукратного роста. 

Если присмотреться ближе, я выбрал нескольких наших старших инженеров, которые начали год в рамках более традиционного процесса разработки ПО, а закончили его по методологии AI-first. [Спады соответствуют отпускам и выездным мероприятиям]:

Обратите внимание, что наши пулл-реквесты (PR) привязаны к задачам в JIRA, а средний объем этих задач в течение года практически не менялся, так что это вполне надежный показатель, насколько это позволяют данные. 

Качественно оценивая ценность для бизнеса, я вижу еще более значительный прирост. Одна из причин заключается в том, что в начале прошлого года наша команда по обеспечению качества (QA) не успевала за скоростью наших инженеров. Как руководитель компании, я был не до конца доволен качеством некоторых наших ранних релизов. По мере продвижения по году и настройки наших ИИ-воркфлоу так, чтобы они включали написание модульных (unit) и сквозных (end-to-end) тестов, наше покрытие тестами улучшилось, количество багов сократилось, пользователи стали фанатами продукта, а ценность инженерной работы для бизнеса многократно возросла.

От масштабного проектирования к быстрой экспериментальной работе

До появления ИИ мы тратили недели на доработку пользовательских сценариев до написания кода. Это имело смысл, когда изменения стоили дорого. Методология Agile помогала, но даже тогда тестирование множества продуктовых идей обходилось слишком дорого.

Как только мы перешли на модель AI-first, этот компромисс исчез. Стоимость экспериментов рухнула. Идея могла пройти путь от белой доски до рабочего прототипа за один день: от концепции до созданного ИИ документа с требованиями к продукту (PRD), затем к технической спецификации, сгенерированной ИИ, и к реализации при поддержке ИИ. 

Это проявилось в потрясающих преобразованиях. Наш веб-сайт, играющий центральную роль в привлечении клиентов и входящем спросе, теперь представляет собой систему продуктового масштаба с сотнями пользовательских компонентов, которые целиком разрабатываются и поддерживаются прямо в коде нашим креативным директором. 

Теперь вместо валидации с помощью слайдов или статических прототипов мы проверяем гипотезы на работающих продуктах. Мы тестируем идеи «вживую», учимся быстрее и выпускаем крупные обновления каждые два месяца — темп, который я не мог представить себе три года назад.

Например, Zen CLI сначала был написан на Kotlin, но затем мы передумали и перенесли его на TypeScript без какой-либо потери скорости выпуска релиза.

Вместо создания макетов функций наши UX-дизайнеры и проектные менеджеры занимаются «вайб-кодингом» (vibe coding). А когда перед релизом на всех накатила волна дедлайнов, они сразу включились в работу и исправили десятки мелких деталей с помощью готовых к продакшену пулл-реквестов, помогших нам выпустить отличный продукт. Сюда же вошло и ночное изменение пользовательского интерфейса (UI).

От кодирования к валидации

Следующий сдвиг произошел там, где я меньше всего этого ожидал: в сфере валидации.

В традиционной структуре большинство людей пишут код, а меньшая группа занимается его тестированием. Но когда ИИ берет на себя большую часть реализации, точка приложения усилий смещается. Реальная ценность заключается в определении того, что именно считать «хорошим результатом» — в придании корректности явного характера.

Мы поддерживаем более 70 языков программирования и бесчисленное множество интеграций. Наши QA-инженеры эволюционировали в системных архитекторов. Они создают ИИ-агентов, которые генерируют и поддерживают приемочные тесты напрямую на основе требований. И эти агенты встроены в кодифицированные процессы ИИ, что позволяет нам достигать предсказуемых инженерных результатов за счет использования системы.

Вот что на самом деле означает концепция сдвига влево («shift left»). Валидация — это не отдельная функция, а неотъемлемая часть производственного процесса. Если агент не может подтвердить правильность своей работы, ему нельзя доверять создание продакшен-кода. Для специалистов по тестированию это момент переосмысления, когда при правильном повышении квалификации их работа становится критически важным фактором, способствующим ускорению внедрения ИИ. 

Продуктовые менеджеры, техлиды и дата-инженеры теперь также разделяют эту ответственность, поскольку определение корректности стало межфункциональным навыком, а не ролью, ограниченной рамками QA-отдела.

От алмаза к двойной воронке

На протяжении десятилетий разработка программного обеспечения имела «алмазоподобную» форму: небольшая продуктовая команда передавала задачу большой инженерной команде, после чего объем снова сужался на этапе QA.

Сегодня эта геометрия меняется на противоположную. Люди глубже вовлекаются в работу в самом начале — определяя намерения и исследуя варианты, а также в самом конце — проверяя результаты. Середина, где выполнением занимается ИИ, становится быстрее и уже.

Это не просто новый рабочий процесс; это структурная инверсия.

Модель все меньше напоминает конвейер и все больше — диспетчерскую вышку. Люди задают направление и ограничения, ИИ на высокой скорости управляет исполнением, а люди снова подключаются, чтобы оценить результаты, прежде чем решения попадут в продакшен.

Инженерия на более высоком уровне абстракции

Каждый крупный технологический скачок в ПО повышал уровень нашей абстракции — от перфокарт до языков программирования высокого уровня, от «железа» до облака. ИИ — следующий шаг. Наши инженеры теперь работают на метауровне: оркестрируют ИИ-воркфлоу, настраивают инструкции и навыки агентов, а также определяют защитные механизмы. Машины строят; люди решают, что именно делать и зачем.

Команды теперь регулярно решают, когда результаты работы ИИ безопасны для слияния (merge) без ревью, насколько жестко следует ограничивать автономность агентов в производственных системах и какие сигналы действительно свидетельствуют о корректности в масштабе — решения, которых раньше просто не существовало.

И в этом заключается парадокс инженерии в эпоху AI-first: она все меньше похожа на написание кода и все больше — на мышление. Добро пожаловать в новую эру человеческого интеллекта, усиленного искусственным интеллектом.

Эндрю Филев (Andrew Filev) — основатель и генеральный директор Zencoder

Добро пожаловать в сообщество VentureBeat!

Наша программа гостевых публикаций — это площадка, где технические эксперты делятся инсайтами и представляют независимый, непредвзятый глубокий анализ технологий искусственного интеллекта, инфраструктуры данных, кибербезопасности и других передовых технологий, формирующих будущее бизнеса.

Читайте больше публикаций из нашей программы гостевых статей — и ознакомьтесь с нашими рекомендациями, если вы хотите предложить собственную статью!