Technologie AI przedstawia się jako sposób na znaczące zwiększenie efektywności zespołów wytwarzających oprogramowanie. Raporty, case studies i materiały producentów software’u regularnie pokazują skracanie czasu pracy developerów, redukcję kosztów czy poprawę jakości kodu.
Jednak według doniesień liderów IT oraz moich obserwacji opisanych w artykule Wykorzystanie AI w projektach IT – indywidualnie: tak, zespołowo: jeszcze nie – korzyści z AI najczęściej pojawiają się w kontekście pojedynczych osób, a nie całych zespołów czy firm.
Doświadczenia firm takich jak Google, Microsoft czy Accenture pokazują, że aby AI przyniosło realne korzyści w procesie wytwarzania oprogramowania, najważniejsze jest jego odpowiednie wkomponowanie w SDLC. SDLC (Software Development Life Cycle), czyli ogół codziennej pracy zespołów IT: od definiowania wymagań, przez projektowanie i implementację, testy, wdrożenia, aż po utrzymanie systemów w produkcji.
Oczekiwane, widowiskowe „boosty efektywności” pojawiają się dopiero wtedy, gdy AI staje się integralnym elementem tego cyklu, a nie tylko „przyspieszaczem” pojedynczych osób.
Wdrożenie AI w SDLC – etapy
Raport DORA – Impact of Generative AI in Software Development wskazuje, że organizacje osiągające najlepsze rezultaty używają AI jako wzmocnienie istniejących praktyk inżynierskich, a nie jako ich substytut.
A skoro AI ma być uzupełnieniem obecnego SDLC, a nie alternatywą, liderzy branży jego wdrożenie przeprowadzają etapami. Zaczyna się od eksperymentów, ale dopiero przejście przez kolejne kroki — enablement, standaryzację, skalowanie oraz świadome mierzenie efektów — pozwala osiągnąć korzyści widoczne na poziomie całej organizacji.
Etap 1: Kontrolowane eksperymenty zagnieżdżające AI w SDLC
Według AWS Prescriptive Guidance dotyczącego użycia generatywnej AI w software development, AI powinno być wdrażane początkowo w tych obszarach SDLC, gdzie występuje największe tarcie w procesie — rozumiane jako elementy pracy, które przerywają płynność działania zespołów, generują zbędne przełączanie kontekstu oraz wydłużają czas od pomysłu do działającego rozwiązania.
W praktyce są to miejsca, w których:
- praca jest w dużej mierze powtarzalna lub manualna,
- pętle feedbacku są długie,
- zespoły tracą czas na czynności pomocnicze kosztem pracy koncepcyjnej,
- pojawiają się częste przerwy w pracy wynikające z oczekiwania na review, testy lub analizy,
- konieczne jest mozolne analizowanie istniejącego kodu, ręczne przygotowywanie testów lub przechodzenie przez długie code review.
Jako typowe obszary pierwszych eksperymentów w zakresie wdrażania AI w SDLC liderzy branży wskazują:
- wsparcie testów i refaktoryzacji,
- code review,
- przygotowanie dokumentacji technicznej,
- analizę istniejących repozytoriów.
Warto podkreślić, że celem tych eksperymentów nie jest szybki zwrot z inwestycji. Prawdziwą wartością będzie tu raczej zrozumienie, w jaki sposób AI (stopniowo dozowany w procesie SDLC) wpływa na pracę zespołów.
Etap 2: Enablement i budowanie zaufania zespołów
Zarówno raport DORA, jak i doświadczenia Microsoftu z wdrażania GitHub Copilot pokazują, że zaufanie do AI jest jednym z kluczowych warunków sukcesu.
Microsoft opisuje swoje podejście w artykule Tips and Tricks for Adopting GitHub Copilot at Scale, podkreślając znaczenie:
- szkoleń,
- wewnętrznych wytycznych,
- swobody w dostępie do narzędzi AI,
- świadomego podejścia do ryzyk, takich jak halucynacje, bezpieczeństwo czy własność intelektualna.
Etap 3: Standaryzacja i governance jako element SDLC
Aby AI mógł przynosić korzyści na poziomie całej organizacji, musi zostać włączony w standardowy sposób pracy. Jak podkreśla AWS w swoich rekomendacjach dotyczących AI w SDLC, narzędzia generujące kod, testy czy konfiguracje:
- powinny podlegać tym samym zasadom co reszta procesu,
- muszą być spójne z podejściem DevSecOps,
- wymagają jasnych reguł dotyczących danych, bezpieczeństwa i compliance.
Bez wsparcia organizacji, AI pozostaje ciekawostką i indywidualnym narzędziem pracownika. Przy pewnym wysiłku ze strony firmy ma natomiast szansę stać się przewidywalnym i odpowiedzialnie używanym elementem SDLC.
Etap 4: Skalowanie wdrożenia AI w organizacji IT
Case study GitHub i Accenture – Quantifying GitHub Copilot’s impact in the enterprise potwierdza, że największe efekty pojawiają się wtedy, gdy wdrożenie AI w SDLC jest prowadzone organizacyjnie, a nie wyłącznie oddolnie.
W opisywanej firmie:
- zastosowano wspólne standardy,
- zainwestowano w trening zespołów,
- wdrożono model „AI champions”, w którym doświadczeni inżynierowie wspierali innych w korzystaniu z AI w codziennej pracy.
Co istotne, według Accenture efektem wdrożenia nie było przyspieszenie pisania kodu, a raczej:
- łatwiejszy start pracy nad zadaniami,
- mniej przerw i utknięć przez developerów,
- lepsze wykorzystanie kompetencji zespołów.
Etap 5: Jak mierzyć efekty wdrożenia AI w SDLC
Ustalenie KPIs dla efektów wdrożenia AI w SDLC – to ostatni, a zarazem najciekawszy etap dla każdego managera. Doświadczenia Google, opisane w raporcie AI in software engineering at Google: Progress and the path ahead, mówią, że rezultaty należy mierzyć systemowo, zwracając uwagę na integrację AI z realnym workflow oraz wpływ na satysfakcję zespołów developerskich.
Raport podkreśla, że bezużytecznymi miernikami są tutaj liczba commitów, linie kodu czy velocity zespołu. Zamiast nich, warto obserwować:
- efektywność przepływu pracy,
- czas dostarczenia produktu na rynek,
- stabilność dostarczanego oprogramowania,
- satysfakcję i dobrostan zespołów.
Jak pisałem jakiś czas temu w artykule Efektywność pracy z AI – gdzie te korzyści?, realne korzyści z AI bywają trudne do uchwycenia. Dzieje się tak dlatego, że są mierzone nie tam, gdzie faktycznie powstają (uzysk jest najczęściej indywidualny, a dostrzec go próbujemy na poziomie całego projektu bądź firmy).
AI w SDLC jako nowy standard pracy
Raporty AWS, Microsoft, Google i Accenture potwierdzają:
Aby AI przyniosło realne korzyści w procesie wytwarzania oprogramowania, musi zostać wdrożone jako element SDLC, a nie jako dodatkowe narzędzie.
Dopiero wówczas w naszej firmie mają szansę pojawiać się wyniki, którymi tak często bombarduje nas Linkedin czy materiały marketingowe firm szkoleniowych.