Авиатор спонсировал этот пост.
Если вы спросите инженеров, сколько времени они думают, что экономят с ИИ, они часто дают оптимистичные ответы. Но когда вы сравниваете это мнение с реальными количественными данными, цифры не складываются.
Люди склонны думать о личной экономии времени в изоляции: «Я быстрее закончил свой пиар». Этот запрос на притяжение (PR) может сидеть без учета трех дней, прежде чем его тестируют, провалится при тестировании и отскочите обратно для исправлений. Результатом является неэффективность в инженерной организации, которая ест любую производительность.
Большинству инженерных организаций не нужны более быстрые типовые. Обычные узкие места инженерии — это слоистые трубопроводы, нет стратегии тестирования, плохая документация или организационные структуры — обычные препятствия для достижения ценности для бизнеса. Ваша команда может быть незначительно быстрее в написании кода, но если вы не решаете эти системные проблемы, вы никогда не поймете полную ценность инструментов искусственного интеллекта.
«Если мы не используем ИИ, мы остаемся позади».
Опыт разработчика был уже сложной темой перед ИИ. Когда мы говорим о опыте разработчиков (DEVEX) в эпоху ИИ, давайте начнем с признания того, что даже определение «разработчика» меняется. Это больше не кто -то получает требования от команды продукта и тихо кодирует. Вместо этого они могут генерировать частично рабочие доказательства концепции из инструментов искусственного интеллекта или более плавно сотрудничать с не инженерами, которые используют ИИ для прототипа идей.
Есть также взрыв инструментов ИИ. Каждый день кажется, что на рынке есть что -то новое. С одной стороны, это интересно для инженеров: новые блестящие инструменты, новые способы работы. Тогда есть давление со стороны лидерства, то, что я бы назвал немного Фомо. Вы видите, как руководители думают: «Если мы не используем ИИ, мы остаемся позади».
Не выбирайте инструмент, выберите проблему
Организации тратят слишком много времени, денег и энергии, сосредоточившись на самих инструментах. «Должны ли мы использовать OpenAI или антроп? Копилот или курсор?» Мы видим два широких моделей того, как организации приближаются к принятию инструмента искусственного интеллекта.
Во -первых, лидерство имеет отношения с определенным поставщиком или просто личным предпочтением, поэтому они выбирают инструмент и требуют его. Это может работать, но вы часто получаете плохие результаты — не потому, что инструмент плох, а потому, что рынок движется слишком быстро, чтобы централизованные команды могли не отставать.
Вторая модель, которая обычно работает намного лучше, состоит в том, чтобы позволить ранним пользователям пробовать новые инструменты и найти то, что работает. Это дает разработчикам автономию для улучшения своих собственных рабочих процессов и уменьшает необходимость того, чтобы центральная команда исчерпывающе проверяла каждый новый инструмент.
Свойство инструментов по функциям или технологиям менее важно с каждым днем. Вы потратите много энергии, обсуждая незначительные различия, которые не будут иметь значения в следующем году. Вместо этого сосредоточьтесь на том, какую проблему вы хотите решить. Вы пытаетесь улучшить тестирование? Обзор кода? Документация? Ответ инцидента? Сначала выясните цель. Затем посмотрите, действительно ли инструмент AI (или любой инструмент) помогает.
Если вы этого не сделаете, вы просто сделаете Devex Hear Hoe: у вас будет ландшафт из 100 инструментов, которые никто не знает, как использовать, и вы не дадите реальной ценности.
Сложность не может быть удалена, только абстрактная
Есть много шумихи о будущем ИИ без инженеров -программистов. Реальность такова, что вы не можете удалить сложность из инженерии. Вы можете абстрагировать это, но сложность остается.
Даже если эта утопия существовала, когда ИИ и агенты выполняют всю работу, нам все равно нужно создавать агенты, обучать их, добавить новые уровни наблюдаемости, реализовать лучшие средства управления Finops, чтобы понять стоимость и сложность, управлять моделями, которые они используют, и добавляют новые уровни управления для аудита причин, которые приводят к их решениям.
Представьте, что вы позволяете агенту AI обрабатывать ответ инцидента: он может собирать журналы и генерировать отчет. Это хороший вариант использования. Другой агент или набор агентов могут затем переключать флаги функций с помощью протокола контекста модели (MCP) или спуска спуска. Это звучит великолепно — пока что -то не пойдет не так. У вас есть строгие аудиты, элементы управления и план того, что произойдет, если ИИ сделает неправильный звонок?
От «в огне» KC Green
Это дополнительные слои сложности. Это не меньше работы; Это другая работа.
На практике инструменты ИИ могут добавлять когнитивную нагрузку, а не уменьшить ее. Вы можете использовать пять различных среде интегрированных интегрированных разработок A-усиленной AI (IDE). Вместо 20 вкладок браузера, теперь у вас есть 50. Без вдумчивой интеграции вы просто усложняете свою жизнь.
Снижение когнитивной нагрузки с помощью ИИ
Если вы хотите, чтобы ваша инженерная организация получила реальную ценность от ИИ, вы должны определить отходы и трения, которые находятся на пути людей, и решать их одинаково — с помощью хорошей вспомогательной платформы (независимо от того, называете ли вы IT Platform Engineering или что -то еще). Единственный способ улучшить опыт разработчиков с помощью инструментов искусственного интеллекта — это подходить к нему с точки зрения платформы и снова и снова применить это мышление.
Подумайте о инженерии платформы, которая не только отвлекает проблемы в статические панели мониторинга, но и курирует слой с AI, который суммирует важные проблемы.
Акцент на важном. В настоящее время существуют инструменты инженерности по надежности ИИ (SRE), которые могут помочь вам расследовать инциденты, но они дадут вам список из 20 вещей, которые могли бы пойти не так. Это не полезно с точки зрения разработчика рабочего потока; Разработчикам нужен один правильный ответ, а не 20, возможно, правильные ответы.
Будьте осторожны с заменой мониторинга, курируемых людьми на непрозрачные рассуждения AI. Убедитесь, что ваша модель данных достаточно прочная, чтобы поддержать ее. Как только вы потеряете эту прозрачность, вы вводите новые риски, как ваш ИИ уверенно говорит вам «все в порядке», когда это не так.
Вопрос не «какая у вас стратегия ИИ?»
Около от 90 до 95% инженерных неэффективности вызваны ошибочными системами, а не людьми. Так что не просто бросайте ИИ во всем и не измеряйте успех, спросив людей: «Это сэкономило вам время?» в изоляции. Вместо этого смотрите целостно на жизненный цикл с помощью своего программного обеспечения:
- Где трение наибольшее?
- Где работа в очереди?
- Где происходит переработка?
Только тогда вы можете решить, может ли и как ИИ помочь. Потому что вам, вероятно, не нужны более быстрые типовые. Вам нужны лучшие системы.
Aviator-это разработчик с низким содержанием конфигурации, работающий с AI, который автоматизирует владение, обзоры кода, слияния и развертывание. Он создает организационный график знаний для упрощения назначения билетов, резюме проекта и поддержки внутренней разработчиков. Узнайте больше последних из Aviator Trending Stories YouTube.com/thenewstack Tech Moving быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Крис является глобальным директором практики по инженерному превосходству в ThoughtWorks. У него более 15 лет технологического опыта для стартапов и крупных предприятий, уделяя значительное внимание на создании масштабируемых инженерных команд, стратегии инженерных метрик, платформ разработчиков, платформы … Подробнее от Chris Westerhold Ankit Jain является соучредителем, а генеральный директор Aviator, основанного на AI, низкоконфигровочных разработчиков, разработчиков, которые автоматизируют кодекции, обзор и облегания. Он также возглавляет ангар, сообщество старших DevOps и старших инженеров -программистов, сосредоточенных на опыте разработчиков, … Подробнее от Ankit Jain
