Teknikchefen gör om teknikutvecklingens livscykel – och påverkan på hans team

Sergey Terentyev leder teknik och ingenjörsarbete inom en licensierad digital bankmiljö. Under det senaste året har han gjort om hela ingenjörslivscykeln så att AI är integrerat i varje steg.

Vi pratade med Sergey för att få veta mer. Han berättade vad han förändrade och hur det påverkade hans team.

AI förändrar mer än bara verktygen

Jag heter Sergey och är för närvarande CTO inom bank- och fintechsektorn i Förenade Arabemiraten. Jag började som mjukvaruingenjör och gick vidare till ledarskap genom att bygga produkter, skala team och lösa komplexa teknikproblem.

Min väg till AI-transformation var enkel: Traditionella metoder för att bygga och driva teknikteam blir för långsamma. Team lägger fortfarande för mycket tid på repetitivt arbete, samordning, dokumentation, support och manuella processer.

Nu fokuserar jag på praktisk AI-användning inom ingenjörs- och produktorganisationer. Inte AI som hype, utan som ett sätt att arbeta snabbare, förbättra leveranserna, minska slöseri och hjälpa mindre team att åstadkomma mycket mer.

Jag ser det här ögonblicket som ett tillfälle att tänka om kring hur teknikorganisationer arbetar. AI förändrar inte bara verktygen, utan också teamen, ledarskapet och hur företag bygger produkter.

Att balansera innovation och reglering

Organisationen där jag leder teknik och ingenjörsarbete verkar inom ett starkt reglerat område, så tekniklandskapet kombinerar modern produktutveckling med säkerhet, regelefterlevnad och operativa krav på företagsnivå.

Ingenjörsorganisationen omfattar mobil- och webbplattformar, backendtjänster, molninfrastruktur, cybersäkerhet, integrationer, dataplattformar och leverantörshantering. Vi arbetar både med intern utveckling och strategiska externa partner, samtidigt som vi gradvis flyttar fler kärnförmågor internt.

Ur ett arkitekturperspektiv rör vi oss mot en mer modulär och API-driven modell med tydligare ägarskap inom produktutvecklingsteamen. Miljön är tämligen komplex eftersom vi arbetar med banksystem, fintechintegrationer, betalningsinfrastruktur, kundinriktade applikationer och interna operativa plattformar.

Driftsättning och leverans sker iterativt, med starkt fokus på automatisering, CI/CD, molninfrastruktur, observerbarhet och operativ motståndskraft. En viktig prioritering är att minska beroendet av traditionella leveransmodeller och öka ingenjörstakten genom AI-assisterad utveckling och automatisering.

En stor del av min roll handlar om att balansera innovationstakten med verkligheten i en reglerad finansiell miljö där tillförlitlighet, säkerhet och styrning är avgörande.

Hur obligatorisk AI förändrar ingenjörsarbetsflöden

Vi införde AI direkt i arbetsflödet för ingenjörsleveranser, i stället för att behandla det som ett valfritt individuellt verktyg.

Innan dess lade ingenjörerna mycket tid på repetitiva uppgifter som standardimplementation, dokumentation, kodanalys, felsökning, testförberedelser, granskning av leverantörskod och översättning av verksamhetskrav till tekniska uppgifter. Den operativa överbelastningen gjorde att seniora ingenjörer fick för lite tid och hindrade dem från att fokusera på arkitektur och produktbeslut.

Under det senaste året har vi systematiskt integrerat AI-assisterad utveckling i de dagliga ingenjörsprocesserna. Det omfattade kodgenerering, stöd vid kodgranskning, generering av dokumentation, konsekvensanalys, incidentutredning och snabbare prototyputveckling.

Förändringen påverkade inte bara hastigheten utan också hur teamen arbetar. Ingenjörerna lägger nu mindre tid på repetitiva aktiviteter med lågt värde och mer tid på systemdesign, produktperspektiv och beslutsfattande. Den minskade också beroendet av ett litet antal seniora personer genom att göra det enklare att sprida kunskap mellan teamen.

Den största förändringen var förmodligen kulturell. Teamen slutade se AI som ett experimentellt verktyg, och det blev en del av det normala ingenjörsarbetsflödet. Nu förväntar de sig automatisering som standard i stället för att utgå från att varje process måste vara manuell.

Sergey berättar

Vi införde AI direkt i arbetsflödet för ingenjörsleveranser, i stället för att behandla det som ett valfritt individuellt verktyg.

Hur AI kan påverka varje del av ingenjörslivscykeln

Låt oss titta på vägen från affärskrav till produktionsklar teknisk implementation.

Det börjar vanligtvis med en produkt- eller affärsförfrågan som är skriven på ett övergripande språk. AI hjälper till att översätta den till strukturerade tekniska krav, identifierar beroenden, föreslår API-kontrakt och lyfter fram möjliga specialfall eller integrationsrisker tidigt i processen.

Därefter använder ingenjörer AI-assisterade utvecklingsverktyg under implementationen för att skapa grundstrukturen för tjänster, generera repetitiva kodmönster, skapa testfall och påskynda dokumentationen. Målet är inte helt autonom kodning, utan att minska manuellt arbete med lågt värde så att ingenjörer kan fokusera på arkitektur och logik.

Under utvecklingen hjälper AI också till med kodgranskningar, förklarar obekanta delar av kodbasen, identifierar möjliga sårbarheter och validerar implementeringsmetoder. För system som ofta drabbas av incidenter använder ingenjörer AI för att analysera loggar och sammanfatta avvikande beteenden mycket snabbare än vid traditionell manuell utredning.

När ändringar går vidare till distributionspipelines hanterar automatisering testning, validering och observerbarhet. AI blir återigen användbart efter distributionen genom att hjälpa team att tolka aviseringar, koppla samman incidenter och minska utredningstiden vid driftsproblem.

Som du kan se är AI nu inbäddat i hela den tekniska livscykeln, i stället för att bara fungera som en fristående chattbot eller kodningsassistent. Det har blivit en del av det dagliga arbetsflödet från planering till drift.

Varför CTO:er måste förbättra maskinläsbarheten

Vi har minskat beroendet av centraliserad kunskap och manuell samordning. I stället för att kritisk information endast finns hos specifika personer eller team införde vi arbetsflöden där AI hjälpte ingenjörer att navigera i system, förstå arkitektur, analysera incidenter och självständigt komma in i arbetet snabbare.

Det leder mig till en annan viktig förändring vi har gjort: att utforma system för maskinläsbarhet, inte bara mänsklig läsbarhet.

Välstrukturerade API:er, strukturerad dokumentation, observerbarhet, modulära tjänster och väldefinierade gränssnitt förbättrar dramatiskt både mänsklig produktivitet och AI:s effektivitet.

Varför AI inte kan hantera bedömningar i en reglerad bransch

AI påskyndar framför allt leveransen och minskar repetitivt ingenjörsarbete. Till exempel hjälper AI ingenjörer att analysera loggar, identifiera möjliga grundorsaker, sammanfatta resultat och påskynda utredningen vid incidenthantering.

Samtidigt förblir vissa områden uttryckligen människodrivna. Slutliga arkitekturbeslut, säkerhetsstyrning, riskacceptans, prioritering och ansvar för produktionen kräver fortfarande att erfarna personer gör bedömningar.

Enkelt uttryckt är AI utmärkt på att skapa snabbare processer och känna igen mönster, men ledarskapsbeslut i komplexa system är fortfarande beroende av sammanhang, avvägningar, affärsprioriteringar, reglering och långsiktigt tänkande. Särskilt inom finansiella tjänster går det inte att automatisera ansvar fullt ut.

Hur AI kan påverka ingenjörsteam negativt

Det största positiva resultatet har varit ingenjörernas arbetstempo. Uppgifter som tidigare tog dagar tar nu ibland timmar. Även friktionen i driften har minskat, vilket har förbättrat det övergripande leveransflödet och gjort det möjligt för seniora medarbetare att fokusera mer på arkitektur och beslutsfattande i stället för ständig brandkårsutryckning.

Vi såg också snabbare introduktion eftersom AI-stöd hjälper ingenjörer att förstå obekanta system mycket snabbare.

Det har dock också funnits en negativ sida:

• Vi lärde oss att AI kan skapa en falsk känsla av trygghet. Genererad kod ser ofta korrekt ut även när de underliggande antagandena är felaktiga. Utan starka tekniska grunder och granskningsprocesser kan team röra sig snabbare i fel riktning.
• Vi märkte att mindre erfarna ingenjörer ibland blir alltför beroende av AI-verktyg utan att fullt ut förstå systemen de bygger. En oväntad utmaning var därför att säkerställa att AI ökar kompetensen i stället för att minska det tekniska djupet.
• Styrning och säkerhet har blivit större utmaningar. I reglerade miljöer behöver man tydliga gränser för vilka data externa AI-system får åtkomst till, hur genererad kod ska granskas och hur man säkerställer att beslut förblir möjliga att revidera.

Områden där AI inte levererar tillräckligt

AI har ännu inte infriat löftet om autonom programvaruutveckling. Det finns en stor entusiasm kring idén om helt AI-genererade system eller att ersätta ingenjörsteam, men i praktiken är vi fortfarande långt ifrån detta i komplexa företagsmiljöer.

AI accelererar, tar fram prototyper och hjälper erfarna ingenjörer mycket effektivt. Men när systemen blir stora, sammankopplade, reglerade och verksamhetskritiska blir begränsningarna uppenbara. Hantering av sammanhang, långsiktig konsekvens, arkitektoniska avvägningar och djup systemförståelse är fortfarande svagare än hos erfarna människor.

Tillförlitligheten i produktionsfärdiga resultat gjorde mig också besviken. AI-genererad kod ser ofta imponerande ut till en början, men kvaliteten kan snabbt försämras vid specialfall, skalbarhetsproblem, säkerhetskrav eller underhållbarhet. De sista 20 procenten av utvecklingsarbetet är fortfarande mycket mänskliga.

Sergey delar med sig

AI accelererar, tar fram prototyper och hjälper erfarna ingenjörer mycket effektivt. Men när systemen blir stora, sammankopplade, reglerade och verksamhetskritiska blir begränsningarna uppenbara.

Hur AI utmanar antaganden om team och arkitektur

Teknisk skala kommer inte längre främst från att lägga till fler människor.

Mindre, mycket tekniskt kunniga team med kraftfulla AI-verktyg kan röra sig mycket snabbare än betydligt större organisationer med omfattande processarbete. I vissa fall blev själva samordningen en större flaskhals än det faktiska utvecklingsarbetet.

Därför gick vi över till mindre, produktorienterade utvecklingsteam med tydligare ägarskap och mer automatisering kring leverans, drift och dokumentation.

AI förändrade också hur jag ser på senioritet. Tidigare skapade tillgång till information och erfarenhet starka flaskhalsar kring ett fåtal seniora ingenjörer eller arkitekter. AI minskar en del av denna asymmetri eftersom kunskap, dokumentation och teknisk utforskning blir mycket mer tillgängliga i hela organisationen.

Arkitektoniskt fick det mig också att föredra enklare och mer modulära system. AI fungerar mycket bättre när systemen är välstrukturerade, observerbara och tydligt separerade. Komplexa, odokumenterade miljöer skapar friktion för både människor och AI-system.

Varför människor kräver mer fokus än verktyg vid införandet av AI

Jag underskattade den mänskliga sidan av införandet.

Till en början fokuserade vi främst på verktyg och funktioner. Vi antog att införandet skulle ske naturligt så snart ingenjörerna fick tillgång till kraftfulla AI-system. Teamen reagerade mycket olika. Vissa ingenjörer blev omedelbart dramatiskt mer produktiva, medan andra knappt förändrade sina arbetsflöden alls.

Om jag kunde göra om en del av införandet skulle jag lägga mindre tid på att utvärdera dussintals AI-verktyg och mer tid på att utforma om arbetsflöden, utbilda team och definiera tydliga arbetssätt för hur AI bör användas inom utveckling.

Varför CTO:er måste se detta som en förändring av verksamhetsmodellen

Mitt råd till CTO:er är att se AI som en förändring av verksamhetsmodellen, inte bara som en uppgradering av verktyg.

Många företag närmar sig fortfarande AI på samma sätt som de gjorde med tidigare programvaruvågor — genom att köpa plattformar, köra pilotprojekt och lägga till isolerade användningsområden. Det missar den större förändringen. AI omformar hur ingenjörsteam arbetar, hur produkter byggs och hur organisationer skalar.

För det andra: var pragmatisk. Just nu råder en enorm hype, och många företag försöker pressa in AI i problem där det tillför ringa värde. De bästa resultaten kommer vanligtvis från att först förbättra befintliga arbetsflöden i stället för att jaga futuristiska idéer.

För det tredje: investera kraftigt i tekniska grundprinciper i stället för att anta att AI ersätter dem. Robust arkitektur, en god ingenjörskultur, tydligt ansvar, operativ disciplin och erfarna medarbetare är ännu viktigare i en AI-driven miljö.

Och slutligen bör CTO:er själva använda dessa system direkt — inte genom rapporter eller leverantörsdemonstrationer, utan praktiskt. Förändringstakten är för hög för att hantera detta ämne enbart strategiskt utan direkt exponering för själva tekniken.

Följ med

Du kan följa Sergey Terentyevs arbete på LinkedIn.

Fler expertintervjuer kommer på The CTO Club.