Dyrektor techniczny zmienia cykl życia inżynierii — i jego wpływ na zespół

Sergey Terentyev kieruje technologią i inżynierią w środowisku licencjonowanej bankowości cyfrowej. W ciągu ostatniego roku przebudował cały cykl życia inżynierii, tak aby sztuczna inteligencja była zintegrowana z każdym jego etapem.

Porozmawialiśmy z Sergeyem, aby dowiedzieć się więcej. Opowiedział nam, co zmienił i jak wpłynęło to na jego zespół.

Sztuczna inteligencja zmienia więcej niż tylko narzędzia

Nazywam się Sergey i obecnie pełnię funkcję CTO w sektorze bankowości i fintechu w Zjednoczonych Emiratach Arabskich. Zaczynałem jako inżynier oprogramowania, a następnie przeszedłem do kierowania zespołami, tworząc produkty, skalując zespoły i rozwiązując złożone problemy technologiczne.

Moja droga do transformacji opartej na sztucznej inteligencji była prosta: tradycyjne metody budowania i prowadzenia zespołów technologicznych stają się zbyt powolne. Zespoły nadal poświęcają zbyt dużo czasu na powtarzalną pracę, koordynację, dokumentację, wsparcie i procesy manualne.

Obecnie koncentruję się na praktycznym wdrażaniu sztucznej inteligencji w organizacjach inżynieryjnych i produktowych. Nie chodzi o sztuczną inteligencję jako modny temat, lecz jako sposób na szybsze działanie, usprawnienie dostarczania, ograniczenie marnotrawstwa i umożliwienie mniejszym zespołom osiągania znacznie więcej.

Postrzegam ten moment jako czas na ponowne przemyślenie sposobu działania organizacji technologicznych. Sztuczna inteligencja zmienia nie tylko narzędzia, lecz także zespoły, przywództwo i sposób, w jaki firmy tworzą produkty.

Równowaga między innowacyjnością a regulacjami

Organizacja, w której kieruję technologią i inżynierią, działa w silnie regulowanym sektorze, dlatego krajobraz technologiczny łączy nowoczesne tworzenie produktów z wymaganiami dotyczącymi bezpieczeństwa na poziomie przedsiębiorstwa, zgodności z regulacjami i działalności operacyjnej.

Organizacja inżynieryjna obejmuje platformy mobilne i internetowe, usługi backendowe, infrastrukturę chmurową, cyberbezpieczeństwo, integracje, platformy danych i zarządzanie dostawcami. Pracujemy zarówno nad rozwiązaniami tworzonymi wewnętrznie, jak i ze strategicznymi partnerami zewnętrznymi, stopniowo przenosząc więcej kluczowych kompetencji do organizacji wewnętrznej.

Z perspektywy architektury zmierzamy w kierunku bardziej modułowego modelu opartego na interfejsach API, z większą odpowiedzialnością po stronie zespołów inżynierii produktów. Środowisko jest dość złożone, ponieważ działamy w obszarze systemów bankowych, integracji fintechowych, infrastruktury płatniczej, aplikacji skierowanych do klientów i wewnętrznych platform operacyjnych.

Wdrażanie i dostarczanie mają wysoce iteracyjny charakter, z silnym naciskiem na automatyzację, CI/CD, infrastrukturę chmurową, obserwowalność i odporność operacyjną. Jednym z głównych priorytetów jest ograniczenie zależności od tradycyjnych modeli dostarczania oraz zwiększenie szybkości pracy inżynierów dzięki tworzeniu wspieranemu przez sztuczną inteligencję i automatyzacji.

Duża część mojej roli polega na równoważeniu tempa innowacji z realiami działania w regulowanym środowisku finansowym, w którym kluczowe znaczenie mają niezawodność, bezpieczeństwo i zarządzanie.

Jak obowiązkowe wykorzystanie sztucznej inteligencji zmienia przepływy pracy inżynierów

Wprowadziliśmy sztuczną inteligencję bezpośrednio do procesu dostarczania rozwiązań inżynieryjnych, zamiast traktować ją jako opcjonalne narzędzie dla pojedynczych osób.

Wcześniej inżynierowie poświęcali dużo czasu na powtarzalne zadania, takie jak implementacja kodu szablonowego, dokumentacja, analiza kodu, debugowanie, przygotowywanie testów, przeglądanie kodu dostawców i przekładanie wymagań biznesowych na zadania techniczne. Obciążenie pracą operacyjną przeciążało starszych rangą inżynierów, uniemożliwiając im skupienie się na architekturze i decyzjach dotyczących produktu.

W ciągu ostatniego roku systematycznie integrowaliśmy tworzenie oprogramowania wspierane przez sztuczną inteligencję z codziennymi procesami inżynieryjnymi. Obejmowało to generowanie kodu, wsparcie przeglądów kodu, generowanie dokumentacji, analizę wpływu zmian, badanie incydentów i szybsze prototypowanie.

Zmiana wpłynęła nie tylko na szybkość pracy, lecz także na sposób działania zespołów. Inżynierowie poświęcają teraz mniej czasu na powtarzalne czynności o niskiej wartości, a więcej na projektowanie systemów, myślenie produktowe i podejmowanie decyzji. Zmniejszyła się również zależność od niewielkiej liczby starszych rangą pracowników, ponieważ łatwiej jest rozpowszechniać wiedzę w zespołach.

Największą zmianą była prawdopodobnie zmiana kulturowa. Zespoły przestały postrzegać sztuczną inteligencję jako narzędzie eksperymentalne, a stała się ona częścią normalnego przepływu pracy inżynierów. Obecnie domyślnie oczekują automatyzacji, zamiast zakładać, że każdy proces musi być wykonywany ręcznie.

Sergey dzieli się

Wprowadziliśmy sztuczną inteligencję bezpośrednio do procesu dostarczania rozwiązań inżynieryjnych, zamiast traktować ją jako opcjonalne narzędzie dla pojedynczych osób.

Jak sztuczna inteligencja może objąć każdy etap cyklu życia inżynierii

Przyjrzyjmy się drodze od wymagania biznesowego do gotowej do wdrożenia implementacji inżynieryjnej.

Zwykle zaczyna się od prośby produktowej lub biznesowej zapisanej językiem wysokiego poziomu. Sztuczna inteligencja pomaga przekształcić ją w ustrukturyzowane wymagania techniczne, identyfikuje zależności, sugeruje kontrakty API oraz wskazuje możliwe przypadki brzegowe i zagrożenia związane z integracją na wczesnym etapie procesu.

Następnie podczas implementacji inżynierowie korzystają z narzędzi wspomagających programowanie opartych na sztucznej inteligencji, aby tworzyć szkielety usług, generować powtarzalne wzorce kodu, przygotowywać przypadki testowe i przyspieszać dokumentację. Celem nie jest w pełni autonomiczne programowanie, lecz ograniczenie niskowartościowej pracy ręcznej, aby inżynierowie mogli skupić się na architekturze i logice.

Podczas tworzenia oprogramowania sztuczna inteligencja pomaga również w przeglądach kodu, wyjaśnia nieznane fragmenty bazy kodu, identyfikuje możliwe luki w zabezpieczeniach i weryfikuje podejścia do implementacji. W przypadku systemów podatnych na incydenty inżynierowie używają sztucznej inteligencji do analizowania dzienników i znacznie szybszego podsumowywania nietypowego zachowania niż podczas tradycyjnego ręcznego dochodzenia.

Gdy zmiany trafiają do potoków wdrażania, automatyzacja zajmuje się testowaniem, walidacją i obserwowalnością. Sztuczna inteligencja ponownie staje się przydatna po wdrożeniu, pomagając zespołom interpretować alerty, korelować incydenty i skracać czas dochodzenia podczas problemów operacyjnych.

Jak widać, sztuczna inteligencja jest obecnie obecna w całym cyklu życia inżynierii, a nie tylko w postaci odizolowanego chatbota lub asystenta programowania. Stała się częścią codziennego przepływu pracy — od planowania po operacje.

Dlaczego dyrektorzy techniczni muszą poprawić czytelność maszynową

Ograniczaliśmy zależność od scentralizowanej wiedzy i ręcznej koordynacji. Zamiast przechowywania krytycznych informacji wyłącznie u konkretnych osób lub zespołów wprowadziliśmy przepływy pracy, w których sztuczna inteligencja pomagała inżynierom samodzielnie poruszać się po systemach, rozumieć architekturę, analizować incydenty i przyspieszać wdrażanie nowych pracowników.

Prowadzi mnie to do kolejnej ważnej zmiany, którą wprowadziliśmy: projektowania systemów z myślą o czytelności maszynowej, a nie tylko ludzkiej.

Przejrzyste interfejsy API, ustrukturyzowana dokumentacja, obserwowalność, modułowe usługi i dobrze zdefiniowane interfejsy znacząco poprawiają zarówno produktywność ludzi, jak i skuteczność sztucznej inteligencji.

Dlaczego sztuczna inteligencja nie potrafi podejmować decyzji w regulowanej branży

Sztuczna inteligencja szczególnie przyspiesza dostarczanie oprogramowania i ogranicza powtarzalną pracę inżynieryjną. Na przykład podczas reagowania na incydenty pomaga inżynierom analizować dzienniki, identyfikować możliwe przyczyny źródłowe, podsumowywać ustalenia i przyspieszać dochodzenie.

Jednocześnie niektóre obszary nadal pozostają wyraźnie zależne od człowieka. Ostateczne decyzje dotyczące architektury, zarządzanie bezpieczeństwem, akceptacja ryzyka, ustalanie priorytetów i odpowiedzialność za środowisko produkcyjne nadal wymagają doświadczonych osób podejmujących decyzje.

Mówiąc wprost, sztuczna inteligencja doskonale sprawdza się w przyspieszaniu pracy i rozpoznawaniu wzorców, ale decyzje przywódcze w złożonych systemach nadal zależą od kontekstu, kompromisów, priorytetów biznesowych, regulacji i myślenia długoterminowego. Zwłaszcza w sektorze usług finansowych nie można w pełni zautomatyzować odpowiedzialności.

Jak sztuczna inteligencja może negatywnie wpływać na zespoły inżynieryjne

Największym pozytywnym rezultatem było zwiększenie szybkości pracy inżynieryjnej. Zadania, które wcześniej zajmowały kilka dni, obecnie czasami zajmują kilka godzin. Ograniczono również tarcia operacyjne, poprawiając ogólny przepływ dostarczania i pozwalając starszym stażem pracownikom bardziej skupić się na architekturze i podejmowaniu decyzji zamiast na ciągłym gaszeniu pożarów.

Zauważyliśmy również szybsze wdrażanie nowych pracowników, ponieważ wsparcie sztucznej inteligencji pomaga inżynierom znacznie szybciej zrozumieć nieznane systemy.

Pojawiła się jednak również negatywna strona:

• Dowiedzieliśmy się, że sztuczna inteligencja może tworzyć fałszywe poczucie pewności. Wygenerowany kod często wygląda poprawnie, nawet gdy leżące u jego podstaw założenia są błędne. Bez solidnych podstaw inżynierii i procesów przeglądu zespoły mogą szybciej podążać w niewłaściwym kierunku.
• Zauważyliśmy, że słabsi inżynierowie czasami stają się nadmiernie zależni od narzędzi sztucznej inteligencji, nie rozumiejąc w pełni budowanych przez siebie systemów. Dlatego nieoczekiwanym wyzwaniem było zapewnienie, aby sztuczna inteligencja zwiększała możliwości, zamiast ograniczać techniczną wiedzę i doświadczenie.
• Większym wyzwaniem stały się także zarządzanie i bezpieczeństwo. W środowiskach regulowanych potrzebne są jasne granice określające, do jakich danych mogą uzyskiwać dostęp zewnętrzne systemy sztucznej inteligencji, jak przeglądać wygenerowany kod oraz jak zapewnić możliwość audytowania decyzji.

Obszary, w których sztuczna inteligencja nie spełnia oczekiwań

Sztuczna inteligencja wciąż nie zapewnia autonomicznej inżynierii oprogramowania. Wiele emocji budzi idea systemów w pełni generowanych przez sztuczną inteligencję lub zastąpienia zespołów inżynierskich, ale w praktyce wciąż jesteśmy od tego daleko w złożonych środowiskach korporacyjnych.

Sztuczna inteligencja bardzo dobrze przyspiesza pracę, tworzy prototypy i wspiera doświadczonych inżynierów. Jednak gdy systemy stają się duże, wzajemnie połączone, regulowane i krytyczne z operacyjnego punktu widzenia, ograniczenia stają się oczywiste. Obsługa kontekstu, długoterminowa spójność, kompromisy architektoniczne i dogłębne rozumienie systemu wciąż wypadają słabo w porównaniu z umiejętnościami doświadczonych ludzi.

Rozczarowała mnie również niezawodność rezultatów gotowych do użycia w środowisku produkcyjnym. Kod generowany przez sztuczną inteligencję często początkowo robi wrażenie, ale jego jakość może szybko się pogorszyć w przypadkach brzegowych, w obliczu problemów ze skalowalnością, wymagań bezpieczeństwa czy kwestii związanych z utrzymaniem. Ostatnie 20 procent pracy inżynierskiej wciąż pozostaje domeną człowieka.

Sergey dzieli się

\u003cstrong\u003eSztuczna inteligencja bardzo dobrze przyspiesza pracę, tworzy prototypy i wspiera doświadczonych inżynierów. Jednak gdy systemy stają się duże, wzajemnie połączone, regulowane i krytyczne z operacyjnego punktu widzenia, ograniczenia stają się oczywiste.\u003c/strong\u003e

Jak sztuczna inteligencja podważa założenia dotyczące zespołów i architektury

Skalowanie prac inżynierskich nie wynika już głównie z zatrudniania większej liczby osób.

Mniejsze, wysoko wyspecjalizowane technicznie zespoły wyposażone w zaawansowane narzędzia sztucznej inteligencji mogą działać znacznie szybciej niż dużo większe organizacje obciążone rozbudowanymi procesami. W niektórych przypadkach sama koordynacja stała się większym wąskim gardłem niż właściwa praca inżynierska.

Dlatego przeszliśmy na mniejsze, zorientowane na produkty zespoły inżynierskie, z większą odpowiedzialnością i większą automatyzacją dostarczania, operacji oraz dokumentacji.

Sztuczna inteligencja zmieniła także moje podejście do seniority. Wcześniej dostęp do informacji i doświadczenia tworzył silne wąskie gardła skupione wokół kilku starszych inżynierów lub architektów. Sztuczna inteligencja zmniejsza tę asymetrię, ponieważ wiedza, dokumentacja i eksploracja techniczna stają się znacznie bardziej dostępne w całej organizacji.

Pod względem architektonicznym skłoniło mnie to również ku prostszym i bardziej modułowym systemom. Sztuczna inteligencja działa znacznie lepiej, gdy systemy są dobrze zorganizowane, obserwowalne i wyraźnie rozdzielone. Złożone, nieudokumentowane środowiska tworzą tarcia zarówno dla ludzi, jak i systemów sztucznej inteligencji.

Dlaczego przy wdrażaniu sztucznej inteligencji ludzie wymagają większej uwagi niż narzędzia

Nie doceniłem ludzkiego aspektu wdrożenia.

Początkowo skupialiśmy się głównie na narzędziach i możliwościach. Zakładaliśmy, że gdy inżynierowie uzyskają dostęp do zaawansowanych systemów sztucznej inteligencji, wdrożenie nastąpi naturalnie. Zespoły zareagowały bardzo różnie. Niektórzy inżynierowie natychmiast stali się znacznie bardziej produktywni, podczas gdy inni prawie w ogóle nie zmienili swoich sposobów pracy.

Gdybym mógł ponownie przeprowadzić część wdrożenia, poświęciłbym mniej czasu na ocenę dziesiątek narzędzi sztucznej inteligencji, a więcej na przeprojektowanie procesów pracy, szkolenie zespołów i zdefiniowanie jasnych wzorców operacyjnych określających, jak należy korzystać ze sztucznej inteligencji w ramach inżynierii.

Dlaczego CTO muszą postrzegać to jako zmianę modelu operacyjnego

Moja rada dla CTO jest taka, aby traktować AI jako zmianę modelu operacyjnego, a nie tylko modernizację narzędzi.

Wiele firm nadal podchodzi do AI tak, jak podchodziło do wcześniejszych fal rozwoju oprogramowania — kupuje platformy, uruchamia pilotaże i dodaje odizolowane przypadki użycia. Takie podejście pomija większą zmianę. AI zmienia sposób pracy zespołów inżynieryjnych, sposób budowania produktów oraz skalowania organizacji.

Po drugie, zachowaj pragmatyzm. Obecnie panuje ogromny szum informacyjny, a wiele firm próbuje na siłę wdrażać AI do problemów, w których przynosi ono niewielką wartość. Najlepsze rezultaty zwykle wynikają z usprawniania istniejących procesów w pierwszej kolejności, zamiast pogoni za futurystycznymi pomysłami.

Po trzecie, zdecydowanie inwestuj w podstawy inżynierii, zamiast zakładać, że AI je zastąpi. Solidna architektura, dobra kultura inżynieryjna, jasno określona odpowiedzialność, dyscyplina operacyjna i doświadczeni ludzie są jeszcze ważniejsze w środowisku napędzanym przez AI.

I wreszcie, CTO powinni osobiście korzystać z tych systemów bezpośrednio — nie za pośrednictwem raportów ani prezentacji dostawców, lecz praktycznie. Tempo zmian jest zbyt szybkie, aby zarządzać tym tematem wyłącznie strategicznie, bez bezpośredniego kontaktu z samą technologią.

Śledź dalsze informacje

Możesz śledzić pracę Siergieja Terentjewa na platformie LinkedIn.

Na The CTO Club pojawią się kolejne wywiady z ekspertami.