Teknologidirektøren gentænker udviklingslivscyklussen – og dens indvirkning på hans team

Sergey Terentyev leder teknologi og ingeniørarbejde i et licenseret digitalt bankmiljø. I løbet af det seneste år har han gennemgået hele ingeniørarbejdslivscyklussen, så AI er integreret i hvert trin.

Vi talte med Sergey for at lære mere. Han fortalte os, hvad han ændrede, og hvordan det påvirkede hans team.

AI ændrer mere end værktøjerne

Jeg hedder Sergey og er i øjeblikket CTO inden for bank- og fintechsektoren i De Forenede Arabiske Emirater. Jeg begyndte som softwareingeniør og bevægede mig ind i ledelse ved at udvikle produkter, skalere teams og løse komplekse teknologiske problemer.

Min vej til AI-transformation var enkel: Traditionelle metoder til at opbygge og drive teknologiteams er ved at blive for langsomme. Teams bruger stadig for meget tid på gentaget arbejde, koordinering, dokumentation, support og manuelle processer.

Nu fokuserer jeg på praktisk anvendelse af AI i ingeniør- og produktorganisationer. Ikke AI som hype, men som en måde at arbejde hurtigere på, forbedre leverancerne, reducere spild og hjælpe mindre teams med at opnå meget mere.

Jeg ser dette øjeblik som en anledning til at gentænke, hvordan teknologiorganisationer arbejder. AI ændrer ikke kun værktøjerne, men også teams, ledelse og den måde, virksomheder udvikler produkter på.

At balancere innovation og regulering

Den organisation, hvor jeg leder teknologi og ingeniørarbejde, opererer i et stærkt reguleret område, så teknologilandskabet kombinerer moderne produktudvikling med sikkerhed, compliance og driftskrav på virksomhedsniveau.

Ingeniørorganisationen dækker mobile platforme og webplatforme, backendtjenester, cloudinfrastruktur, cybersikkerhed, integrationer, dataplatforme og leverandørstyring. Vi arbejder både med intern udvikling og strategiske eksterne partnere, samtidig med at vi gradvist flytter flere kernefunktioner internt.

Set fra et arkitekturperspektiv bevæger vi os mod en mere modulær og API-drevet model med et stærkere ejerskab i produkt- og ingeniørteams. Miljøet er forholdsvis komplekst, fordi vi arbejder på tværs af banksystemer, fintechintegrationer, betalingsinfrastruktur, kundeorienterede applikationer og interne operationelle platforme.

Implementering og leverancer er meget iterative med et stærkt fokus på automatisering, CI/CD, cloudinfrastruktur, observerbarhed og driftsmæssig robusthed. En væsentlig prioritet er at reducere afhængigheden af traditionelle leverancemodeller og øge ingeniørarbejdets hastighed gennem AI-assisteret udvikling og automatisering.

En stor del af min rolle består i at balancere innovationshastighed med virkeligheden ved at drive et reguleret finansielt miljø, hvor pålidelighed, sikkerhed og styring er afgørende.

Hvordan obligatorisk AI ændrer ingeniørarbejdsgange

Vi introducerede AI direkte i arbejdsgangen for ingeniørleverancer i stedet for at behandle det som et valgfrit individuelt værktøj.

Før det brugte ingeniørerne meget tid på gentagne opgaver som implementering af standardkode, dokumentation, kodeanalyse, fejlretning, testforberedelse, gennemgang af leverandørkode og oversættelse af forretningskrav til tekniske opgaver. Den operationelle overhead belastede senioringeniørerne og forhindrede dem i at fokusere på arkitektur- og produktbeslutninger.

I løbet af det seneste år integrerede vi systematisk AI-assisteret udvikling i de daglige ingeniørprocesser. Det omfattede generering af kode, understøttelse af kodegennemgang, generering af dokumentation, konsekvensanalyse, undersøgelse af hændelser og hurtigere prototyper.

Ændringen påvirkede ikke kun hastigheden, men også den måde, teams arbejder på. Ingeniørerne bruger nu mindre tid på gentagne aktiviteter med lav værdi og mere tid på systemdesign, produktorienteret tænkning og beslutningstagning. Det reducerede også afhængigheden af et lille antal seniorpersoner ved at gøre det lettere at dele viden på tværs af teams.

Det største skifte var sandsynligvis kulturelt. Teams holdt op med at se AI som et eksperimentelt værktøj, og det blev en del af den normale ingeniørarbejdsgang. De forventer nu som udgangspunkt automatisering i stedet for at antage, at alle processer skal være manuelle.

Sergey deler

Vi introducerede AI direkte i arbejdsgangen for ingeniørleverancer i stedet for at behandle det som et valgfrit individuelt værktøj.

Hvordan AI kan berøre alle dele af ingeniørarbejdets livscyklus

Lad os se på vejen fra forretningskrav til en produktionsklar teknisk implementering.

Det starter normalt med en produkt- eller forretningsanmodning skrevet i et højt abstraktionsniveau. AI hjælper med at omsætte den til strukturerede tekniske krav, identificerer afhængigheder, foreslår API-kontrakter og fremhæver mulige kanttilfælde eller integrationsrisici tidligt i processen.

Herfra bruger ingeniører AI-understøttede udviklingsværktøjer under implementeringen til at oprette grundstrukturen for tjenester, generere gentagne kodemønstre, oprette testtilfælde og fremskynde dokumentationen. Målet er ikke fuldt autonom kodning, men at reducere manuelt arbejde med lav værdi, så ingeniører kan fokusere på arkitektur og logik.

Under udviklingen hjælper AI også med kodegennemgange, forklarer ukendte dele af kodebasen, identificerer mulige sårbarheder og validerer implementeringstilgange. For systemer, der ofte er udsat for hændelser, bruger ingeniører AI til at analysere logfiler og opsummere unormal adfærd langt hurtigere end ved traditionel manuel undersøgelse.

Når ændringer bevæger sig ind i implementeringspipelines, håndterer automatisering test, validering og observerbarhed. AI bliver igen nyttig efter implementeringen ved at hjælpe teams med at fortolke alarmer, sammenkæde hændelser og reducere undersøgelsestiden under driftsproblemer.

Som du kan se, er AI nu integreret i hele den tekniske livscyklus i stedet for kun at være en isoleret chatbot eller kodeassistent. Den er blevet en del af den daglige arbejdsgang fra planlægning til drift.

Hvorfor CTO'er skal forbedre maskinlæsbarheden

Vi har reduceret afhængigheden af centraliseret viden og manuel koordinering. I stedet for at kritiske oplysninger kun findes hos bestemte personer eller teams har vi indført arbejdsgange, hvor AI hjalp ingeniører med selvstændigt at navigere i systemer, forstå arkitekturen, analysere hændelser og fremskynde introduktionen.

Det bringer mig til en anden vigtig ændring, vi har foretaget: at designe systemer til maskinlæsbarhed, ikke kun menneskelig læsbarhed.

Rene API'er, struktureret dokumentation, observerbarhed, modulære tjenester og veldefinerede grænseflader forbedrer i høj grad både menneskers produktivitet og AI's effektivitet.

Hvorfor AI ikke kan håndtere dømmekraft i en reguleret branche

AI fremskynder især leveringen og reducerer gentaget teknisk arbejde. Under håndtering af hændelser hjælper AI for eksempel ingeniører med at analysere logfiler, identificere mulige grundårsager, opsummere resultater og fremskynde undersøgelsen.

Samtidig er nogle områder fortsat udtrykkeligt menneskestyrede. Endelige arkitekturbeslutninger, sikkerhedsstyring, risikoaccept, prioritering og ansvarlighed for produktionen kræver stadig, at erfarne mennesker træffer beslutninger baseret på deres dømmekraft.

Kort sagt er AI fremragende til at fremskynde arbejdet og genkende mønstre, men ledelsesbeslutninger i komplekse systemer afhænger stadig af kontekst, afvejninger, forretningsprioriteter, regulering og langsigtet tænkning. Især inden for finansielle tjenester kan man ikke fuldt ud automatisere ansvaret.

Hvordan AI kan påvirke tekniske teams negativt

Det største positive resultat har været den tekniske hastighed. Opgaver, der tidligere tog dage, tager nu nogle gange timer. Driftsmæssige friktioner er også blevet reduceret, hvilket forbedrer det samlede leveranceforløb og gør det muligt for erfarne medarbejdere at fokusere mere på arkitektur og beslutningstagning i stedet for konstant brandslukning.

Og vi oplevede hurtigere introduktion, fordi AI-understøttelse hjælper ingeniører med at forstå ukendte systemer langt hurtigere.

Der har dog også været en negativ side:

• Vi lærte, at AI kan skabe en falsk følelse af sikkerhed. Genereret kode ser ofte korrekt ud, selv når de underliggende antagelser er forkerte. Uden et stærkt teknisk fundament og gode processer for gennemgang kan teams bevæge sig hurtigere i den forkerte retning.
• Vi bemærkede, at mindre erfarne ingeniører nogle gange bliver for afhængige af AI-værktøjer uden fuldt ud at forstå de systemer, de bygger. En uventet udfordring var derfor at sikre, at AI øger kapaciteten i stedet for at reducere den tekniske dybde.
• Styring og sikkerhed er blevet større udfordringer. I regulerede miljøer har man brug for klare grænser for, hvilke data eksterne AI-systemer må få adgang til, hvordan genereret kode skal gennemgås, og hvordan man sikrer, at beslutninger fortsat kan revideres.

Hvor AI ikke leverer tilstrækkeligt

AI har endnu ikke leveret inden for autonom softwareudvikling. Der er stor begejstring omkring idéen om systemer, der er fuldt genereret af AI, eller om at erstatte udviklingsteams, men i praksis er vi stadig langt fra dette i komplekse virksomhedsmiljøer.

AI fremskynder, fremstiller prototyper og hjælper erfarne ingeniører særdeles godt. Men når systemer bliver store, indbyrdes forbundne, regulerede og driftskritiske, bliver begrænsningerne tydelige. Håndtering af kontekst, langsigtet konsistens, arkitektoniske afvejninger og dyb systemforståelse er stadig svage sammenlignet med erfarne menneskers.

Pålideligheden af produktionsklare resultater skuffede mig også. AI-genereret kode ser ofte imponerende ud i begyndelsen, men kvaliteten kan hurtigt forringes i forbindelse med særlige tilfælde, skaleringsproblemer, sikkerhedskrav eller vedligeholdelse. De sidste 20 procent af udviklingsarbejdet kræver stadig i høj grad mennesker.

Sergey deler

\u003cstrong\u003eAI fremskynder, fremstiller prototyper og hjælper erfarne ingeniører særdeles godt. Men når systemer bliver store, indbyrdes forbundne, regulerede og driftskritiske, bliver begrænsningerne tydelige.\u003c/strong\u003e

Hvordan AI udfordrer antagelser om teams og arkitektur

Udvikling i stor skala kommer ikke længere primært fra at tilføje flere mennesker.

Mindre, højt tekniske teams med stærke AI-værktøjer kan arbejde langt hurtigere end meget større organisationer med omfattende procesoverhead. I nogle tilfælde blev koordineringen i sig selv en større flaskehals end det faktiske udviklingsarbejde.

Derfor gik vi over til mindre, produktorienterede udviklingsteams med større ejerskab og mere automatisering omkring levering, drift og dokumentation.

AI ændrede også min opfattelse af anciennitet. Tidligere skabte adgang til information og erfaring betydelige flaskehalse omkring nogle få erfarne ingeniører eller arkitekter. AI reducerer noget af denne asymmetri, fordi viden, dokumentation og teknisk udforskning bliver langt mere tilgængelig på tværs af organisationen.

Arkitektonisk skubbede det mig også i retning af enklere og mere modulære systemer. AI fungerer langt bedre, når systemer er velstrukturerede, observerbare og tydeligt adskilte. Komplekse, udokumenterede miljøer skaber friktion for både mennesker og AI-systemer.

Hvorfor mennesker kræver mere fokus end værktøjer ved indførelsen af AI

Jeg undervurderede den menneskelige side af indførelsen.

I begyndelsen fokuserede vi primært på værktøjer og kapacitet. Vi antog, at indførelsen ville ske naturligt, når først ingeniørerne havde adgang til stærke AI-systemer. Teams reagerede meget forskelligt. Nogle ingeniører blev straks markant mere produktive, mens andre næsten ikke ændrede deres arbejdsgange.

Hvis jeg kunne gøre dele af udrulningen om, ville jeg bruge mindre tid på at evaluere dusinvis af AI-værktøjer og mere tid på at gentænke arbejdsgange, træne teams og definere klare driftsmønstre for, hvordan AI bør anvendes inden for udvikling.

Hvorfor CTO'er skal se dette som en ændring af driftsmodellen

Mit råd til CTO'er er at betragte AI som et skift i driftsmodellen, ikke blot som en opgradering af værktøjer.

Mange virksomheder tilgår stadig AI på samme måde, som de tilgik tidligere softwarebølger — ved at købe platforme, køre pilotprojekter og tilføje isolerede anvendelsesområder. Det overser den større forandring. AI ændrer den måde, ingeniørteams arbejder på, hvordan produkter bygges, og hvordan organisationer skalerer.

For det andet: vær pragmatisk. Lige nu er der enorm hype, og mange virksomheder forsøger at tvinge AI ind i problemer, hvor det kun tilfører begrænset værdi. De bedste resultater kommer som regel fra først at forbedre eksisterende arbejdsgange i stedet for at jagte futuristiske idéer.

For det tredje: investér massivt i grundlæggende ingeniørdiscipliner i stedet for at antage, at AI erstatter dem. Stærk arkitektur, en god ingeniørkultur, tydeligt ejerskab, operationel disciplin og erfarne medarbejdere er endnu vigtigere i et AI-drevet miljø.

Og endelig bør CTO'er selv bruge disse systemer direkte — ikke gennem rapporter eller leverandørdemoer, men ved selv at arbejde med dem. Forandringstempoet er for højt til, at dette emne kun kan håndteres strategisk uden direkte kendskab til selve teknologien.

Følg med

Du kan følge Sergey Terentyevs arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CTO Club.