AI-bruksområder innen IT som fortjener å bli tatt i bred bruk

TL;DR

• Thoughtworks’ AI-drevne verktøy, CodeConcise, analyserer eldre kode, trekker ut forretningsregler og fremskynder moderniseringen av stormaskiner. Til nå har det redusert transformasjonstiden per modul med 4 uker og spart inn 240 FTE-år i en omfattende modernisering.
• AI-drevne undersøkelser av utviklingsprosesser hos Finastra avdekket en uregistrert økning i den ukentlige arbeidsbelastningen på 6 timer. Denne innsikten gjorde det mulig for ledelsen å forbedre arbeidsflyter, optimalisere oppgavefordelingen og redusere risikoen for utbrenthet. AI-drevne IDE-er, intelligente kodeforslag og automatiserte arbeidsflyter reduserer den kognitive belastningen.
• CreateFuture brukte AI-drevet sporing av oppgavekøen til å redusere tiden brukt på å administrere brukerhistorier med 30 % og frigjøre 4–8 timer per sprint. AI hjelper team med å oppdage ukontrollert omfangsvekst, automatisere sprint-rapportering og forutsi funksjoner med for lite avgrenset omfang før de forstyrrer utviklingen.
• Chamomile.ai’s logganalyse basert på LLM oppdager subtile avvik, forutsier feil og automatiserer utbedring. Dette har redusert tiden som brukes på manuelle undersøkelser, og hjulpet team med å løse problemer før de eskalerer til større driftsavbrudd.

AI har funnet veien inn i omtrent alle deler av IT og utvikling. Vi hører om hvordan det skal øke effektiviteten i utviklingsarbeidet, forbedre balansen mellom jobb og fritid og tilby en smart, allvitende assistent som alltid er tilgjengelig. Det er nok til å gjøre hvem som helst svimmel.

Men til tross for at AI finnes praktisk talt overalt, leverer teknologien ikke helt det vi forventet – eller egentlig noe som helst. Mer enn halvparten av IT-lederne sliter med å dokumentere avkastningen på AI-investeringene og brenner milliarder i prosessen. 

I styrerommene handler det om agentisk AI, risiko og den siste DeepSeek-bølgen, men det finnes et større spørsmål som ingen ser ut til å stille: Løser vi faktisk de riktige problemene med AI? Kanskje den virkelige utfordringen ikke er selve teknologien, men å vite hvor den skal brukes. 

Det er imidlertid ikke bare mørkt og dystert. Noen team har funnet ut av dette. Vi satte oss ned med noen AI-pionerer som skaper reell effekt med overraskende enkle (men effektive) forretningsapplikasjoner. Her er AI-bruksområdene de har størst tro på:

1. Moderniser eldre IT-systemer 

AI løser en langvarig utfordring innen modernisering av eldre systemer: å hindre at utdatert logikk sniker seg inn i moderne systemer. «Offentlige etater driver fortsatt massive, monolittiske systemer», sier Noel Hara, visepresident og teknologidirektør for offentlig sektor hos NTT DATA. «Selv når forretningslogikken er trukket ut eller koden er refaktorert, inneholder den ofte utdatert logikk som er skjult dypt inne i koden.» 

Noels team bruker nå AI til å analysere de uttrekte reglene og kryssreferere dem intelligent mot gjeldende retningslinjer. Enda bedre er det at verktøyene kan foreslå smarte oppdateringer der retningslinjene er endret, uten å overvelde de forretningsansvarlige. «Denne tilnærmingen holder moderniseringsprosessen smidig og hindrer opphopning av teknisk gjeld i det nye systemet.» 

Thoughtworks har utviklet CodeConcise, en intern AI-drevet akselerator som bryter ned komplekse kodestrukturer, kartlegger avhengigheter og avdekker kritisk innsikt, selv når sentrale utviklere for lengst har sluttet. Verktøyet kan også oversette eldre kode til moderne språk for å sikre samsvar med krav og utviklingsteamets behov. 

Til nå har den interne utrullingen vært ganske vellykket: Den har allerede redusert moderniseringstiden per modul med 4 uker og spart inn imponerende 240 FTE-år i en fullskala transformasjon av en stormaskin. 

Når det er sagt, kan et annet alternativ for å modernisere eldre systemer være å samarbeide med den riktige nærshore-partneren for programvareutvikling.

2. Forbedre de ansattes produktivitet 

Allerede før dagens gullrush håndterte AI rutinearbeidet med å generere standardkode og administrere testtilfeller– oppgaver som tidligere tok timevis fra IT-teamene. Nå legger AI-styrte IDE-er som Tabnine og JetBrains AI intelligente kodegjennomganger, kontekstuelle sammendrag og automatisert kunnskapsdokumentasjon oppå disse oppgavene. Utviklere trenger ikke lenger å håndtere endeløse kontekstbytter eller lete etter udokumenterte løsninger. 

Cycodes teknologidirektør for kunde- og feltarbeid, Jimmy Xu, ser at fremtidens AI-assisterte utviklingsarbeid vil utvikle seg i en slik retning at han omtaler AI som «middelet» som gjør det mulig å utvikle 10x-utviklere. Han har et poeng. Tar man et skritt tilbake, begynner AI å se mindre ut som et verktøy og mer som bindevevet i moderne programvareutvikling.

Det kan sette sammen fragmenterte arbeidsflyter, sørge for smartere overleveringer, gi detaljert innsyn og avdekke ineffektivitet teamene kanskje ikke engang er klar over. Finastra fikk erfare dette på nært hold etter å ha tatt i bruk et spesialutviklet AI-verktøy for å overvåke utvikleropplevelsen. 

Til å begynne med brukte ledelsen AI-drevne pulsmålinger for å vurdere utviklingsavdelingens trivsel, men de avdekket snart et oversett problem: Utviklerne logget (tidligere ikke registrert) seks ekstra timer i uken på grunn av vedvarende krav og kontinuerlige produktoppdateringer.

Da ledelsen innså risikoen for utbrenthet, brukte den AI til å optimalisere arbeidsbelastningen, håndheve fokustid og finjustere kommunikasjonstidene for å redusere unødvendige avbrytelser. Nå kunne ingeniørene bruke energien sin på innovasjon uten å bli hindret av konstant kontekstbytte.

3. Hold produktomfanget fra å «snikutvide» seg til kaos  

«For en programvareingeniør utgjør koding bare en liten del av arbeidsuken – omtrent to timer om dagen», kommenterer Jeff Watkins, teknologidirektør i CreateFuture. Mesteparten av uken går med til å finjustere brukerhistorier, epos, akseptansekriterier, QA-arbeidsflyter og, hvis man ikke passer på, å håndtere en stadig voksende omfangsutvidelse.

Heldigvis er dette et område der AI har gitt oss noen av CreateFutures mest betydningsfulle gevinster. «Vi har redusert tiden brukt på å skrive, gjennomgå og samkjøre epos, historier og akseptansekriterier med rundt 30 %», forklarer han og fremhever hvordan AI har skjerpet arbeidsflyten for produktutvikling.

Teamet hans bruker nå AI til å:

• Automatisere møtesammendrag for å følge viktige diskusjoner og avvik i omfanget fra det opprinnelige omfanget, samt lage en handlingsliste for å korrigere kursen. 
• Generere sprintrapporter ved å overvåke fullførte oppgaver, endringer i oppgavebeholdningen og nye krav – slik at teamene kan oppdage omfangsutvidelser før de avsporer fremdriften.
• Utføre prediktiv analyse av tidligere prosjekter for å oppdage funksjoner med for snevert definert omfang på et tidlig tidspunkt.
• Bygge tilbakemeldingssløyfer som oppsummerer innspill fra kolleger og avdekker muligheter for utvikling.

Jeff ser på AI som en «gummiand» for produktomfanget: Den stiller de riktige spørsmålene, avdekker hindringer og knytter investeringer i utvikling til forretningsmål. «Når AI håndterer sprintrapporter og dokumentgjennomganger, får vi tilbake fire til åtte timer per sprint.» 

4. Gjør det mulig for IT-infrastrukturen å reparere seg selv 

Et driftsavbrudd er en kostbar krise for IT-team. Selv på gode dager kan driftsavbrudd koste store organisasjoner så mye som 9 000 dollar per minutt. Når man i tillegg tar med regulatoriske bøter, datatap og omdømmeskade for regulerte bransjer, kan den samlede konsekvensen skyte i været til over 5 millioner dollar. Til tross for dette er de fleste IT-overvåkingsverktøy fortsatt reaktive; de oppdager hendelser, men klarer ikke å forhindre at de gjentar seg, og de sliter med å skalere. Som Jimmy påpeker: «Skalering og leveranse blir kritiske utfordringer i et stadig mer komplekst miljø.»

En selvreparerende infrastruktur bygger bro over disse hullene med autonome overvåkingsverktøy. For Chamomile.ai-sjefen Tirath Ramdas er logganalyse et godt eksempel på hvordan AI kan lette utviklernes arbeidsbelastning og samtidig styrke autonome IT-systemer. «Analyse av feilrapporter er kjedelig, sjelden lystbetont og skjer ofte under stort press når feil eller driftsavbrudd begynner å påvirke sluttbrukerne», sier Tirath. En reell årsaksanalyse krever imidlertid mer enn bare å lete etter ERROR-logger. 

«Det innebærer å korrelere flere logger og oppdage subtile avvik.» Han bruker store språkmodeller til å eliminere tidkrevende loggjennomganger og raskt koble sammen kontekstuelle mønstre. «De er svært gode til å finne omtrentlige treff på termer, sammenligne logger på en intelligent måte og flagge uvanlig atferd.» Enda bedre er det at de kan oppdage små feil i logger automatisk og redusere behovet for manuelle undersøkelser, slik at hendelser kan løses raskere. 

Utover logganalyse kan AI-verktøy også utbedre mindre hendelser automatisk. Autonome, AI-drevne systemer overvåker kontinuerlig sanntidsmålinger – CPU-bruk, nettverksforsinkelse og minneforbruk – for å oppdage avvik, redusere falske positiver og reagere når terskelverdiene overskrides.

Hvis en systemmåling overskrider en forhåndsdefinert referanseverdi, kan AI utløse en automatisert utbedringsprotokoll. «For utbedring kan AI gi skreddersydd veiledning og generere foreslåtte kodekorrigeringer med automatiserte arbeidsflyter. Du kan deretter bruke AI til å kvantifisere en normalisert risikoscore for ulike funn og automatisere prioriteringen,» kommenterer Jimmy. 

AI skaper endring når kulturen din støtter det

AI kan virkelig spare tid og gi utviklings- og IT-team full oversikt over arbeidsflyten – men bare hvis kulturen er klar til å støtte det. «Du trenger ikke fancy ny teknologi for å oppnå disse resultatene,» sier Jeff. Alt kan gjøres med AI-verktøyene som allerede er innebygd i kontorpakken din, som Microsoft Copilot 365 eller Google Gemini Advanced. 

«Det som virkelig betyr noe, er å investere i mennesker. Vis dem hvordan de kan få det de trenger fra disse verktøyene,» legger han til. Selv i små team gir det resultater å bruke noen timer på å veilede hver person, og plutselig ser du en reell avkastning på investeringen. 

Større team kan prøve ut eksperimentelle prosjekter som de beryktede hackathonene. Gi utviklerne dine et tvetydig prosjekt, en haug med data og AI-verktøy for å løse problemer som risikoforutsigelse eller utforming av episke brukerhistorier. Den beste løsningen vinner skryterettigheter, noen insentiver for å oppmuntre til neste pilotprosjekt, og sannsynligvis et overdrevet stort trofé.

«Så min konklusjon er: Bli god på å bruke verktøyene du har foran deg før du kjøper flere, ellers risikerer du å bli et offer for det gamle uttrykket «mye utstyr, men ingen idé».

Abonner på CTO-klubbens nyhetsbrev for mer innsikt i AI, samsvar mellom virksomhet og utvikling, og selvreparerende IT.