Przypadki zastosowania AI w IT, które zasługują na upowszechnienie

W skrócie

• Oparte na AI narzędzie Thoughtworks, CodeConcise, analizuje starszy kod, wyodrębnia reguły biznesowe i przyspiesza modernizację systemów mainframe. Do tej pory skróciło czas transformacji każdego modułu o 4 tygodnie i pozwoliło zaoszczędzić 240 lat pracy etatowej przy modernizacji na dużą skalę.
• Oparte na AI ankiety Finastra dotyczące kondycji zespołów inżynieryjnych wykryły niezarejestrowany, 6-godzinny tygodniowy wzrost obciążenia pracą. Ta wiedza umożliwiła kierownictwu udoskonalenie przepływów pracy, optymalizację przydzielania zadań i ograniczenie ryzyka wypalenia zawodowego. Zintegrowane z AI środowiska IDE, inteligentne sugestie kodu i zautomatyzowane przepływy pracy zmniejszają obciążenie poznawcze.
• CreateFuture wykorzystało oparte na AI śledzenie rejestru zadań, aby skrócić o 30% czas poświęcany na zarządzanie historyjkami użytkownika i odzyskać 4–8 godzin na sprint. AI pomaga zespołom wykrywać rozszerzanie zakresu, automatyzować raportowanie sprintów i przewidywać funkcje o zbyt wąsko określonym zakresie, zanim zakłócą one prace deweloperskie.
• Oparta na LLM analiza dzienników Chamomile.ai wykrywa subtelne anomalie, przewiduje awarie i automatyzuje działania naprawcze. Skróciło to czas ręcznego badania problemów i pomogło zespołom rozwiązywać je, zanim przerodziły się w poważne awarie.

AI trafiło niemal do każdego obszaru IT i tworzenia oprogramowania. Słyszymy, że zwiększy wydajność zespołów inżynieryjnych, poprawi równowagę między życiem zawodowym a prywatnym i zapewni inteligentnego, wszechwiedzącego, zawsze dostępnego asystenta. To wystarczy, by każdemu zakręciło się w głowie.

Jednak mimo swojej niemal powszechnej obecności AI nie zapewnia jeszcze tego, czego oczekiwaliśmy — a czasem nie zapewnia praktycznie niczego. Ponad połowa liderów IT ma trudności z udowodnieniem zwrotu z inwestycji w AI i w tym procesie traci miliardy. 

W salach posiedzeń zarządów uwaga skupia się na agentowej AI, ryzyku i najnowszym szumie medialnym wokół DeepSeek, ale nikt najwyraźniej nie zadaje ważniejszego pytania: czy rzeczywiście rozwiązujemy za pomocą AI właściwe problemy? Być może prawdziwe wyzwanie nie leży w samej technologii, lecz w wiedzy, gdzie ją zastosować. 

Nie wszystko wygląda jednak tak ponuro. Niektóre zespoły już to rozgryzły. Spotkaliśmy się z kilkoma pionierami AI, którzy wywierają rzeczywisty wpływ dzięki zaskakująco prostym, ale skutecznym zastosowaniom biznesowym. Oto przypadki użycia AI, do których mają największe zaufanie:

1. Modernizacja starszych systemów IT 

AI pomaga rozwiązać od dawna istniejące wyzwanie związane z modernizacją starszych systemów: zapobiega przenikaniu przestarzałej logiki do nowoczesnych systemów. „Agencje rządowe nadal korzystają z ogromnych, monolitycznych systemów” — mówi Noel Hara, wiceprezes i dyrektor ds. technologii sektora publicznego w NTT DATA. „Nawet gdy logika biznesowa zostaje wyodrębniona lub kod zrefaktoryzowany, często zawiera przestarzałą logikę ukrytą głęboko w kodzie.” 

Zespół Noela używa teraz AI do analizowania wyodrębnionych reguł i inteligentnego porównywania ich z aktualnymi zasadami. Co więcej, narzędzia mogą sugerować trafne aktualizacje tam, gdzie zmieniły się zasady — bez przeciążania właścicieli biznesowych. „Takie podejście usprawnia proces modernizacji i zapobiega narastaniu długu technicznego w nowym systemie.” 

Firma Thoughtworks opracowała CodeConcise, wewnętrzne narzędzie przyspieszające pracę dzięki AI, które rozkłada złożone struktury kodu, odwzorowuje zależności i odkrywa kluczowe informacje, nawet gdy kluczowi deweloperzy dawno już odeszli. Narzędzie może również tłumaczyć starszy kod na nowoczesne języki, aby zapewnić zgodność i spójność z zespołem deweloperskim. 

Jak dotąd wewnętrzne wdrożenie okazało się dość udane: już skróciło czas modernizacji każdego modułu o 4 tygodnie i pozwoliło zaoszczędzić imponujące 240 lat pracy etatowej podczas pełnoskalowej transformacji systemu mainframe. 

Warto jednak zauważyć, że inną opcją modernizacji starszych systemów może być współpraca z właściwym partnerem nearshore w zakresie tworzenia oprogramowania.

2. Zwiększanie produktywności pracowników 

Jeszcze przed obecną gorączką złota AI zajmowało się już żmudną pracą polegającą na generowaniu szablonowego kodu i zarządzaniu przypadkami testowymi – zadaniami, które wcześniej pochłaniały godziny pracy zespołów IT. Obecnie środowiska IDE oparte na AI, takie jak Tabnine i JetBrains AI, uzupełniają te zadania o inteligentne przeglądy kodu, podsumowania kontekstowe i automatyczną dokumentację wiedzy. Deweloperzy nie muszą już radzić sobie z niekończącym się przełączaniem kontekstu ani szukać nieudokumentowanych poprawek. 

Jimmy Xu, dyrektor ds. technologii terenowej w Cycode, widzi przyszłość inżynierii wspomaganej przez AI jako tak obiecującą, że określa AI mianem „środka” umożliwiającego pracę deweloperów o dziesięciokrotnie wyższej wydajności. Ma rację. Gdy spojrzeć na to z dystansu, AI zaczyna wyglądać mniej jak narzędzie, a bardziej jak tkanka łączna nowoczesnego tworzenia oprogramowania.

Może łączyć rozproszone przepływy pracy, usprawniać przekazywanie zadań, zapewniać szczegółowy wgląd i ujawniać nieefektywności, których zespoły mogą nawet nie dostrzegać. Firma Finastra przekonała się o tym na własnej skórze po wdrożeniu niestandardowego narzędzia AI do monitorowania doświadczeń programistów. 

Początkowo kierownictwo korzystało z ankiet dotyczących nastrojów, opartych na AI, aby ocenić dobrostan zespołu inżynieryjnego, ale wkrótce odkryło przeoczony problem: programiści przepracowywali (wcześniej nierejestrowane) dodatkowe sześć godzin tygodniowo z powodu nieustających wymagań i ciągłych aktualizacji produktu.

Dostrzegając ryzyko wypalenia zawodowego, kierownictwo wykorzystało AI do optymalizacji obciążenia pracą, egzekwowania godzin przeznaczonych na koncentrację i dopracowania godzin komunikacji, aby ograniczyć niepotrzebne przerwy. Teraz inżynierowie mogli poświęcać energię na innowacje, zamiast nieustannie przełączać się między kontekstami.

3. Zarządzaj zakresem produktu, zanim „wymknie się spod kontroli”  

„Dla inżyniera oprogramowania kodowanie zajmuje tylko niewielką część tygodnia pracy — około dwóch godzin dziennie” — komentuje Jeff Watkins, dyrektor ds. technologii w CreateFuture. Większość tygodnia pochłania dopracowywanie historyjek użytkownika, epików, kryteriów akceptacji, przepływów pracy związanych z zapewnianiem jakości, a jeśli nie zachowa się ostrożności — zmaganie się z nieustannie narastającym rozszerzaniem zakresu.

Na szczęście właśnie w tym obszarze AI przyniosło firmie CreateFuture jedne z najbardziej znaczących usprawnień. „Skróciliśmy o około 30% czas poświęcany na pisanie, przeglądanie i uzgadnianie epików, historyjek oraz kryteriów akceptacji” — wyjaśnia, wskazując, jak AI usprawniło ich proces tworzenia produktu.

Jego zespół korzysta teraz z AI, aby:

• Automatyzować podsumowania spotkań, aby śledzić kluczowe ustalenia i odstępstwa od pierwotnego zakresu oraz tworzyć listę działań korygujących. 
• Generować raporty ze sprintów poprzez monitorowanie ukończonych zadań, zmian w rejestrze zadań i ewoluujących wymagań — pomagając zespołom dostrzec rozszerzanie zakresu, zanim zakłóci ono postęp.
• Przeprowadzać analizę predykcyjną wcześniejszych projektów, aby odpowiednio wcześnie wykrywać funkcje, których zakres został niedoszacowany.
• Tworzyć pętle informacji zwrotnych, które podsumowują spostrzeżenia współpracowników i wskazują możliwości rozwoju.

Jeff postrzega AI jako „gumową kaczkę” dla zakresu produktu: pomaga zadawać właściwe pytania, odkrywać blokady i łączyć inwestycje inżynieryjne z celami biznesowymi. „Dzięki temu, że AI zajmuje się raportami ze sprintów i przeglądami dokumentacji, odzyskujemy od czterech do ośmiu godzin na sprint”. 

4. Włącz samonaprawiającą się infrastrukturę IT 

Przestój jest kosztownym kryzysem dla zespołów IT. Nawet w dobrych dniach przestój może kosztować duże organizacje nawet 9000 USD za minutę. Po uwzględnieniu kar regulacyjnych, utraty danych i szkód dla reputacji w branżach regulowanych całkowity wpływ może wzrosnąć do ponad 5 milionów USD. Mimo to większość narzędzi do monitorowania IT nadal działa reaktywnie — wykrywają incydenty, ale nie zapobiegają ich ponownemu wystąpieniu i mają trudności ze skalowaniem. Jak zauważa Jimmy: „Skalowanie i dostarczanie stają się kluczowymi wyzwaniami w coraz bardziej złożonym środowisku”.

Samonaprawiająca się infrastruktura wypełnia te luki dzięki autonomicznym narzędziom monitorującym. Dla Tiratha Ramdasa, dyrektora generalnego Chamomile.ai, analiza dzienników jest doskonałym przykładem tego, jak AI może odciążyć programistów, jednocześnie wzmacniając autonomiczne systemy IT. „Analiza raportów o błędach jest żmudna, rzadko przyjemna i często odbywa się pod dużą presją, gdy awarie lub przestoje zaczynają wpływać na użytkowników końcowych” — mówi Tirath. Jednak prawdziwa analiza przyczyn źródłowych wymaga czegoś więcej niż tylko wyszukiwania dzienników z błędami. 

„Oznacza korelowanie wielu dzienników i wykrywanie subtelnych anomalii”. Wykorzystuje on duże modele językowe do eliminowania żmudnego przeszukiwania dzienników i szybkiego łączenia wzorców kontekstowych. „Świetnie radzą sobie z przybliżonym dopasowywaniem terminów, inteligentnym porównywaniem dzienników i oznaczaniem nietypowych zachowań”. Co więcej, mogą automatycznie wykrywać drobne usterki w dziennikach i ograniczać liczbę ręcznych analiz, aby przyspieszyć rozwiązywanie incydentów. 

Oprócz analizy dzienników narzędzia AI mogą również automatycznie usuwać drobne incydenty. Autonomiczne systemy oparte na AI nieustannie monitorują dane w czasie rzeczywistym — użycie procesora, opóźnienia sieci i zużycie pamięci — aby wykrywać anomalie, ograniczać liczbę fałszywych alarmów i podejmować działania po przekroczeniu progów.

Jeśli metryka systemu przekroczy wstępnie zdefiniowany poziom odniesienia, AI może uruchomić zautomatyzowany protokół naprawczy. „W ramach naprawy AI może dostarczyć dostosowane wskazówki dotyczące naprawy oraz wygenerować sugerowane poprawki kodu wraz z przepływami pracy automatyzacji. Następnie można użyć AI do obliczenia znormalizowanego wyniku ryzyka dla różnorodnych ustaleń i zautomatyzowania ich sortowania według priorytetów” — komentuje Jimmy. 

AI wprowadza zmiany, jeśli wspiera je kultura organizacyjna

AI może rzeczywiście zapewnić oszczędność czasu i zapewnić zespołom inżynieryjnym oraz IT pełną widoczność przepływu pracy — ale tylko wtedy, gdy kultura organizacyjna jest gotowa ją wspierać. „Nie potrzebujesz wymyślnej nowej technologii, żeby osiągnąć te rezultaty” — mówi Jeff. Wszystko to można zrobić za pomocą narzędzi AI już wbudowanych w pakiet biurowy, takich jak Microsoft Copilot 365 lub Google Gemini Advanced. 

„To, co naprawdę ma znaczenie, to inwestowanie w ludzi. Pokaż im, jak uzyskać to, czego potrzebują, za pomocą tych narzędzi” — dodaje. Nawet w niewielkich zespołach poświęcenie kilku godzin na szkolenie każdej osoby sumuje się i nagle zaczynasz obserwować rzeczywisty zwrot z inwestycji. 

Większe zespoły mogą wypróbować eksperymentalne projekty, takie jak osławione dni „hakowania zakresu”. Rzuć swoim inżynierom niejednoznaczny projekt, stertę danych i narzędzia AI, aby rozwiązywali problemy takie jak przewidywanie ryzyka lub tworzenie epików. Najlepsze rozwiązanie zapewnia prawo do przechwałek, pewne zachęty do realizacji kolejnego projektu pilotażowego, a prawdopodobnie także przesadnie okazały puchar.

„Mój wniosek jest więc taki: najpierw naucz się dobrze korzystać z dostępnych narzędzi, zanim kupisz kolejne, bo inaczej możesz paść ofiarą starego powiedzenia: ‘cały sprzęt, zero pomysłu’.”

Zasubskrybuj newsletter klubu CTO Club, aby uzyskać więcej informacji na temat AI, zgodności między biznesem a inżynierią oraz samonaprawiającego się IT.