AI-anvendelser i IT, der fortjener at blive bredt udbredt

KORT FORTALT

• Thoughtworks’ AI-drevne værktøj, CodeConcise, analyserer ældre kode, udtrækker forretningsregler og fremskynder moderniseringen af mainframes. Indtil videre har det reduceret transformationstiden pr. modul med 4 uger og sparet 240 FTE-år i en omfattende omlægning.
• Finastras AI-drevne tekniske pulsmålinger identificerede en ugentlig arbejdsbelastning på 6 timer, som ikke tidligere var blevet registreret. Denne indsigt gjorde det muligt for ledelsen at forbedre arbejdsgange, optimere opgavefordelingen og mindske risikoen for udbrændthed. AI-drevne IDE'er, intelligente kodeforslag og automatiserede arbejdsgange mindsker den kognitive belastning.
• CreateFuture brugte AI-drevet backlog-sporing til at reducere den tid, der bruges på at administrere brugerhistorier, med 30 % og frigøre 4-8 timer pr. sprint. AI hjælper teams med at opdage scope creep, automatisere sprint-rapportering og forudsige funktioner med for snævert defineret scope, før de forstyrrer udviklingen.
• Chamomile.ais LLM-drevne loganalyse opdager subtile anomalier, forudsiger fejl og automatiserer afhjælpning. Det har reduceret den manuelle undersøgelsestid og hjulpet teams med at løse problemer, før de eskalerer til større driftsafbrydelser.

AI har fundet vej til stort set alle hjørner af IT og udvikling. Vi hører om, hvordan det vil øge effektiviteten i udviklingen, forbedre balancen mellem arbejdsliv og privatliv og levere en intelligent, alvidende assistent, der altid er til rådighed. Det er nok til at få enhver til at føle sig rundt på gulvet.

Men selvom AI praktisk talt er overalt, leverer det ikke helt det, vi forventede, eller faktisk noget som helst. Mere end halvdelen af IT-lederne har svært ved at bevise AI's ROI og brænder milliarder af på processen. 

I bestyrelseslokalerne er fokus på agentisk AI, risici og den seneste omtale af DeepSeek, men der er et større spørgsmål, som ingen lader til at stille: Løser vi faktisk de rigtige problemer med AI? Måske er den virkelige udfordring ikke selve teknologien, men at vide, hvor den skal anvendes. 

Det hele er dog ikke håbløst. Nogle teams har fundet ud af det. Vi talte med nogle få AI-pionerer, der skaber reel effekt med overraskende enkle (men effektive) forretningsanvendelser. Her er de AI-anvendelser, de har størst tillid til:

1. Modernisér ældre IT-systemer 

AI løser en langvarig udfordring inden for modernisering af ældre systemer: at forhindre forældet logik i at snige sig ind i moderne systemer. “Offentlige myndigheder driver stadig massive, monolitiske systemer,” siger Noel Hara, VP & CTO for den offentlige sektor hos NTT DATA. “Selv når forretningslogikken er udtrukket, eller koden er refaktoreret, indeholder den ofte forældet logik, som er skjult dybt i koden.” 

Noels team bruger nu AI til at analysere udtrukne regler og krydsreferere dem intelligent med de aktuelle politikker. Endnu bedre er det, at værktøjerne kan foreslå intelligente opdateringer, når politikkerne er blevet ændret, uden at overvælde virksomhedsejerne. “Denne tilgang holder moderniseringsprocessen smidig og forhindrer en ophobning af teknisk gæld i det nye system.” 

Thoughtworks har udviklet CodeConcise, en intern AI-drevet accelerator, der nedbryder komplekse kodestrukturer, kortlægger afhængigheder og afdækker kritisk indsigt, selv når centrale udviklere for længst er væk. Værktøjet kan også oversætte ældre kode til moderne programmeringssprog for at sikre overensstemmelse med kravene og udviklingsteamet. 

Indtil videre har den interne udrulning været forholdsvis vellykket: Den har allerede reduceret moderniseringstiden pr. modul med 4 uger og sparet imponerende 240 FTE-år på en fuldskala-mainframe-transformation. 

En anden mulighed for at modernisere ældre systemer kan dog være at indgå et samarbejde med den rigtige nearshore-partner inden for softwareudvikling.

2. Forbedr medarbejdernes produktivitet 

Allerede før det nuværende AI-kapløb håndterede AI det rutineprægede arbejde med at generere standardskode og administrere testcases– opgaver, der tidligere tog timevis fra IT-teams. Nu lægger AI-drevne IDE'er som Tabnine og JetBrains AI intelligente kodegennemgange, kontekstuelle opsummeringer og automatiseret vidensdokumentation oven i disse opgaver. Udviklere behøver ikke længere at håndtere endeløse kontekstskift eller lede efter udokumenterede rettelser. 

Cycode's tekniske direktør med ansvar for kundeområdet, Jimmy Xu, kan se, at fremtiden for AI-assisteret udvikling udfolder sig så tydeligt, at han omtaler AI som “midlet” til at gøre 10x-udviklere mulige. Han har en pointe. Træd et skridt tilbage, og AI begynder at ligne mindre et værktøj og mere det bindevæv, der forbinder moderne softwareudvikling.

Det kan sammenkæde fragmenterede arbejdsgange, skabe smartere overdragelser, give detaljeret indsigt og synliggøre ineffektivitet, som teams måske ikke engang er klar over eksisterer. Finastra oplevede dette på egen hånd efter implementeringen af et skræddersyet AI-værktøj til overvågning af udvikleroplevelsen. 

Indledningsvis brugte ledelsen AI-drevne pulsmålinger til at vurdere trivslen blandt udviklerne, men de opdagede snart et overset problem: Udviklerne loggede (tidligere ikke-registrerede) seks ekstra timer om ugen på grund af konstante krav og løbende produktopdateringer.

Ledelsen erkendte risikoen for udbrændthed og udnyttede AI til at optimere arbejdsbelastningen, håndhæve fokustimer og tilpasse kommunikationstimerne for at reducere unødvendige afbrydelser. Nu kunne ingeniørerne bruge deres energi på innovation uden at blive hæmmet af konstante kontekstskift.

3. Håndter produktets omfang, så det ikke “sniger sig” ud i kaos  

“For en softwareingeniør udgør kodning kun en lille del af arbejdsugen – omkring to timer om dagen,” siger Jeff Watkins, CTO hos CreateFuture. Det meste af ugen går med at justere brugerhistorier, eposser, acceptkriterier, QA-arbejdsgange og, hvis man ikke passer på, kæmpe med et voksende omfang, der hele tiden bliver større.

Heldigvis er det her, AI har givet os nogle af CreateFutures mest markante gevinster. “Vi har reduceret den tid, der bruges på at skrive, gennemgå og koordinere eposser, historier og acceptkriterier, med omkring 30 %,” forklarer han og fremhæver, hvordan AI har skærpet deres produktudviklingsflow.

Hans team bruger nu AI til at:

• Automatisere mødereferater for at følge vigtige diskussioner og afvigelser fra det oprindelige omfang samt udarbejde en handlingsliste for at korrigere kursen. 
• Generere sprint-rapporter ved at overvåge afsluttede opgaver, ændringer i backloggen og nye krav, så teams kan opdage, at omfanget sniger sig, før det afsporer fremskridtene.
• Udføre forudsigende analyser af tidligere projekter for tidligt at identificere funktioner, hvis omfang er undervurderet.
• Opbygge feedbacksløjfer, der opsummerer kollegers indsigter og synliggør udviklingsmuligheder.

Jeff ser AI som en ‘gummiand’ for produktets omfang: Den stiller de rigtige spørgsmål, afdækker blokeringer og knytter investeringer i udvikling til forretningsmål. “Med AI til at håndtere sprint-rapporter og dokumentgennemgange får vi fire til otte timer tilbage pr. sprint.” 

4. Aktivér selvhelende IT-infrastruktur 

Et driftsstop er en dyr krise for IT-teams. Selv på gode dage kan driftsstop koste store organisationer så meget som $9,000 pr. minut. Medregner man lovgivningsmæssige bøder, datatab og omdømmeskader for regulerede brancher, kan den samlede påvirkning eksplodere til over $5 million. På trods af dette er de fleste IT-overvågningsværktøjer stadig reaktive; de registrerer hændelser, men forhindrer ikke, at de gentager sig, og de har svært ved at skalere. Som Jimmy bemærker, "Skalering og levering bliver kritiske udfordringer i et stadig mere komplekst miljø."

En selvhelende infrastruktur bygger bro over disse mangler med autonome overvågningsværktøjer. For Chamomile.ais administrerende direktør, Tirath Ramdas, er loganalyse et godt eksempel på, hvordan AI kan lette udviklernes arbejdsbyrde og samtidig styrke autonome IT-systemer. “Analyse af fejlrapporter er kedeligt, sjældent fornøjeligt og foregår ofte under stort pres, når fejl eller driftsstop begynder at påvirke slutbrugerne,” siger Tirath. En reel årsagsanalyse kræver dog mere end blot at lede efter ERROR-logfiler. 

“Det betyder at sammenkæde flere logfiler og opdage subtile anomalier.” Han bruger LLM'er til at eliminere kedelige loggennemgange og hurtigt forbinde kontekstuelle mønstre. “De er gode til upræcis matchning af termer, intelligent sammenligning af logfiler og markering af usædvanlig adfærd.” Endnu bedre kan det automatisk opdage små fejl i logfiler og reducere behovet for manuelle undersøgelser, så hændelser kan løses hurtigere. 

Ud over loganalyse kan AI-værktøjer også automatisk afhjælpe mindre hændelser. Autonome AI-drevne systemer overvåger løbende målinger i realtid – CPU-forbrug, netværksforsinkelse og hukommelsesforbrug – for at opdage anomalier, reducere falske positiver og reagere, når tærskler overskrides.

Hvis en systemmetrik overskrider en foruddefineret benchmark, kan AI udløse en automatiseret afhjælpningsprotokol. “Ved afhjælpning kan AI levere skræddersyet vejledning i afhjælpning og generere foreslåede kodeudbedringer med automatiserede arbejdsgange. Derefter kan du bruge AI til at kvantificere en normaliseret risikoscore for forskellige fund og automatisere prioriteringen,” siger Jimmy. 

AI skaber forandring, hvis jeres kultur understøtter det

AI kan virkelig spare tid og give ingeniør- og it-teams fuld indsigt i arbejdsgangene– men kun hvis kulturen er klar til at understøtte det. “Du behøver ikke smart ny teknologi for at opnå disse resultater,” siger Jeff. Det hele kan klares med de AI-værktøjer, der allerede er integreret i jeres kontorpakke, såsom Microsoft Copilot 365 eller Google Gemini Advanced. 

“Det, der virkelig betyder noget, er at investere i mennesker. Vis dem, hvordan de får det, de har brug for, ud af disse værktøjer,” tilføjer han. Selv i små teams giver det resultater at bruge et par timer på at coache hver person, og pludselig kan I se et reelt afkast af investeringen. 

Større teams kan afprøve eksperimentelle projekter som de berygtede dage, hvor man hacker projektets omfang. Giv jeres ingeniører et tvetydigt projekt, en bunke data og AI-værktøjer til at løse problemer som risikoforudsigelse eller udarbejdelse af epics. Den bedste løsning vinder håneretten, nogle incitamenter til at opmuntre til det næste pilotprojekt og sandsynligvis et overdrevet trofæ.

“Så min konklusion er: Bliv god til at bruge de værktøjer, I allerede har foran jer, før I køber flere, ellers risikerer I at blive ofre for det gamle ordsprog: ‘alt udstyret, men ingen idé’."

Abonnér på CTO-klubbens nyhedsbrev for at få flere indsigter om AI, tilpasning mellem forretning og ingeniørarbejde samt selvhelende it.