AI-användningsfall inom IT som förtjänar att bli vanliga
Kort sammanfattning
- Thoughtworks AI-drivna verktyg CodeConcise analyserar äldre kod, extraherar affärsregler och påskyndar moderniseringen av stordatorer. Hittills har det minskat omvandlingstiden per modul med 4 veckor och sparat 240 årsverken i en storskalig omstrukturering.
- Finastras AI-drivna pulsmätningar för ingenjörsteam identifierade en oregistrerad ökning av den veckovisa arbetsbelastningen på 6 timmar. Denna insikt gjorde det möjligt för ledningen att förfina arbetsflöden, optimera uppgiftsfördelningen och minska risken för utbrändhet. AI-drivna IDE:er, intelligenta kodförslag och automatiserade arbetsflöden minskar den kognitiva belastningen.
- CreateFuture använde AI-driven uppföljning av arbetsbackloggen för att minska tiden som läggs på att hantera användarberättelser med 30 % och frigöra 4–8 timmar per sprint. AI hjälper team att upptäcka att projektets omfattning ökar, automatisera sprintrapportering och förutsäga funktioner med för snävt definierad omfattning innan de stör utvecklingen.
- Chamomile.ai:s LLM-drivna logganalys upptäcker subtila avvikelser, förutsäger fel och automatiserar åtgärder. Detta har minskat tiden för manuella utredningar och hjälpt team att lösa problem innan de eskalerar till större driftavbrott.
AI har tagit sig in i nästan alla delar av IT och utveckling. Vi hör om hur tekniken ska öka utvecklingseffektiviteten, förbättra balansen mellan arbete och fritid samt tillhandahålla en smart, allvetande assistent som alltid finns till hands. Det räcker för att få vem som helst att känna sig omtumlad.
Men trots att AI finns praktiskt taget överallt levererar tekniken inte riktigt det vi förväntade oss, eller ens något alls. Mer än hälften av IT-ledarna har svårt att bevisa avkastningen på AI-investeringar och bränner miljarder under tiden.
I styrelserummen ligger fokus på agentisk AI, risker och det senaste bruset kring DeepSeek, men det finns en större fråga som ingen verkar ställa: Löser vi faktiskt rätt problem med AI? Den verkliga utmaningen kanske inte är tekniken i sig, utan att veta var den ska tillämpas.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Det är dock inte bara mörker och elände. Vissa team har kommit på hur man gör. Vi satte oss ner med några AI-pionjärer som skapar verklig effekt med förvånansvärt enkla (men effektiva) affärstillämpningar. Här är de AI-användningsfall de känner sig mest säkra på:
1. Modernisera äldre IT
AI löser en långvarig utmaning inom modernisering av äldre system: att förhindra att föråldrad logik smyger sig in i moderna system. ”Myndigheter använder fortfarande enorma, monolitiska system”, säger Noel Hara, vice vd och teknikchef för offentlig sektor på NTT DATA. ”Även när affärslogik extraheras eller kod omstruktureras innehåller den ofta föråldrad logik som är dold djupt i koden.”
Noels team använder nu AI för att analysera extraherade regler och intelligent korsreferera dem mot aktuella policyer. Ännu bättre är att verktygen kan föreslå smarta uppdateringar där policyerna har ändrats, utan att överbelasta verksamhetsägarna. ”Det här tillvägagångssättet håller moderniseringsprocessen smidig och förhindrar en ansamling av teknisk skuld i det nya systemet.”
Thoughtworks har utvecklat CodeConcise, en intern AI-driven accelerator som bryter ner komplexa kodstrukturer, kartlägger beroenden och tar fram kritiska insikter, även när nyckelutvecklare sedan länge har lämnat organisationen. Verktyget kan också översätta äldre kod till moderna språk för att säkerställa efterlevnad och överensstämmelse med utvecklingsteamet.
Hittills har den interna utrullningen varit relativt framgångsrik: Den har redan minskat moderniseringstiden per modul med 4 veckor och sparat häpnadsväckande 240 årsverken i en fullskalig stordatoromvandling.
Med det sagt kan ett annat alternativ för att modernisera äldre system vara att samarbeta med rätt nära partner för programvaruutveckling.
2. Förbättra medarbetarnas produktivitet
Redan innan den nuvarande AI-boomen hanterade AI det monotona arbetet med att generera standardkod och hantera testfall– uppgifter som tidigare tog timmar från IT-team. Nu kompletterar AI-drivna IDE:er som Tabnine och JetBrains AI dessa uppgifter med intelligenta kodgranskningar, kontextuella sammanfattningar och automatiserad dokumentation av kunskap. Utvecklare behöver inte längre jonglera med ändlösa kontextbyten eller leta efter odokumenterade korrigeringar.
Cycode:s teknikchef för kundnära verksamhet Jimmy Xu ser att framtiden för AI-assisterad utveckling kommer att utvecklas så starkt att han beskriver AI som ”medlet” för att möjliggöra utvecklare med tio gånger högre produktivitet. Han har en poäng. Om man tar ett steg tillbaka börjar AI se mindre ut som ett verktyg och mer som den sammanbindande vävnaden i modern programvaruutveckling.
Det kan sammanfoga fragmenterade arbetsflöden, genomföra smartare överlämningar, erbjuda detaljerad insyn och synliggöra ineffektiviteter som team kanske inte ens inser finns. Finastra fick uppleva detta på nära håll efter att ha implementerat ett anpassat AI-verktyg för att övervaka utvecklarupplevelsen.
Inledningsvis använde ledningen AI-drivna pulsmätningar för att bedöma ingenjörernas välbefinnande, men upptäckte snart ett förbisett problem: utvecklarna loggade sex extra timmar per vecka som tidigare inte hade spårats, till följd av obevekliga krav och ständiga produktuppdateringar.
Efter att ha insett risken för utbrändhet använde ledningen AI för att optimera arbetsbelastningar, införa fokustimmar och finslipa kommunikationstider för att minska onödiga avbrott. Nu kunde ingenjörerna ägna sin energi åt innovation utan att ständigt behöva växla mellan olika sammanhang.
3. Förhindra att produktomfattningen ”smyger” iväg i kaos
”För en mjukvaruingenjör tar kodning bara upp en liten del av arbetsveckan – ungefär två timmar om dagen”, kommenterar Jeff Watkins, CTO på CreateFuture. Merparten av veckan går åt till att justera användarberättelser, epics, acceptanskriterier, QA-arbetsflöden och, om man inte är försiktig, brottas med en ständigt växande omfattningsglidning.
Som tur är har AI gett oss några av CreateFutures mest betydelsefulla förbättringar just här. ”Vi har minskat tiden som läggs på att skriva, granska och samordna epics, berättelser och acceptanskriterier med omkring 30 %”, förklarar han och lyfter fram hur AI har effektiviserat deras produktutvecklingsflöde.
Hans team förlitar sig nu på AI för att:
- Automatisera mötessammanfattningar för att följa viktiga diskussioner och avvikelser från den ursprungliga omfattningen samt skapa en åtgärdschecklista för att korrigera kursen.
- Generera sprint-rapporter genom att övervaka slutförda uppgifter, förändringar i ärendekön och föränderliga krav – vilket hjälper team att upptäcka omfattningsglidning innan den spårar ur utvecklingen.
- Genomföra prediktiv analys av tidigare projekt för att tidigt upptäcka funktioner vars omfattning underskattats.
- Bygga återkopplingsloopar som sammanfattar kollegors insikter och synliggör möjligheter till utveckling.
Jeff ser AI som en ”gummianka” för produktomfattningen: den ställer rätt frågor, upptäcker blockeringar och kopplar ingenjörsinvesteringar till affärsmålen. ”Med AI som hanterar sprint-rapporter och dokumentgranskningar återvinner vi fyra till åtta timmar per sprint.”
4. Möjliggör självläkande IT-infrastruktur
Ett driftstopp är en dyr kris för IT-team. Även under bra dagar kan driftstopp kosta stora organisationer så mycket som $9,000 per minut. När man dessutom räknar med regulatoriska böter, dataförlust och skadat anseende i reglerade branscher kan den totala påverkan skjuta i höjden till över $5 miljoner. Trots detta förblir de flesta IT-övervakningsverktyg reaktiva; de upptäcker incidenter men förhindrar inte att de återkommer, och de har svårt att skala. Som Jimmy påpekar: ”Skalning och leverans blir kritiska utmaningar i en alltmer komplex miljö.”
En självläkande infrastruktur överbryggar dessa luckor med autonoma övervakningsverktyg. För Chamomile.ais vd Tirath Ramdas är logganalys ett tydligt exempel på hur AI kan avlasta utvecklare samtidigt som autonoma IT-system stärks. ”Analys av felrapporter är mödosam, sällan särskilt givande och sker ofta under hög press när fel eller avbrott börjar påverka slutanvändarna”, säger Tirath. En verklig rotorsaksanalys kräver dock mer än att bara söka efter ERROR-loggar.
”Det innebär att korrelera flera loggar och upptäcka subtila avvikelser.” Han använder LLM:er för att eliminera mödosamt loggsökande och snabbt koppla samman kontextuella mönster. ”De är utmärkta på att göra ungefärlig matchning av termer, intelligent jämföra loggar och flagga ovanliga beteenden.” Ännu bättre är att de kan automatiskt upptäcka små fel i loggar och minska manuella utredningar för att påskynda incidentlösningen.
Utöver logganalys kan AI-verktyg även automatiskt åtgärda mindre incidenter. Autonoma AI-drivna system övervakar kontinuerligt mätvärden i realtid – CPU-användning, nätverksfördröjning och minnesanvändning – för att upptäcka avvikelser, minska antalet falska positiva och agera när tröskelvärden överskrids.
Om ett systemmått överskrider ett fördefinierat riktvärde kan AI utlösa ett automatiserat åtgärdsprotokoll. ”För åtgärder kan AI ge skräddarsydd vägledning och generera föreslagna kodkorrigeringar med automatiserade arbetsflöden. Du kan sedan använda AI för att kvantifiera ett normaliserat riskvärde för olika typer av fynd och automatisera prioriteringen av dem,” kommenterar Jimmy.
AI driver förändring om er kultur stöder den
AI kan verkligen spara tid och ge ingenjörs- och IT-team full insyn i arbetsflödena– men bara om kulturen är redo att stödja det. ”Du behöver inte någon ny, avancerad teknik för att uppnå de här resultaten,” säger Jeff. Allt går att göra med de AI-verktyg som redan finns inbyggda i kontorspaketet, som Microsoft Copilot 365 eller Google Gemini Advanced.
”Det som verkligen spelar roll är att investera i människor. Visa dem hur de kan få det de behöver från de här verktygen,” tillägger han. Även i små team lönar det sig att lägga några timmar på att coacha varje person, och plötsligt ser man en verklig avkastning på investeringen.
Större team kan prova experimentella projekt som de ökända dagarna med att ”hacka projektets omfattning”. Ge era ingenjörer ett tvetydigt projekt, en hög med data och AI-verktyg för att lösa problem som riskprognoser eller utformning av större arbetsinitiativ. Den bästa lösningen vinner skryträttigheter, vissa incitament för att uppmuntra nästa pilotprojekt och förmodligen en överdrivet storslagen pokal.
”Så min slutsats är att du bör bli bra på att använda verktygen du har framför dig innan du köper fler, annars riskerar du att bli ett offer för det gamla talesättet ’mycket utrustning, men ingen aning’.”
Prenumerera på CTO Clubs nyhetsbrev för fler insikter om AI, anpassning mellan affärsverksamhet och teknik samt självläkande IT.
