Navigace v AI zlaté horečce: Odhalení skrytých nákladů technického dluhu v podnikatelských podnicích

Před rokem upoutala umělá inteligence pozornost lídrů podniků, což je vedlo k urychlení investic do společností zabývajících se AI nebo k urychlení uvedení svých vlastních produktů, aby nedopustili, aby je konkurence předstihla. Nicméně v spěchu se zapojit do této nové éry technologického pokroku mohou organizace, které jsou nové v oblasti AI, přehlížet jeden důležitý faktor, který by měl být na prvním místě, když investují nebo vytvářejí nové produkty AI: technický dluh.

Ačkoli myšlenka technického dluhu není nová, technologie AI přináší jiný typ technického dluhu ve srovnání s běžnými softwarovými službami. A jak AI dále rychle zlepšuje, způsobuje, že tento důležitý problém roste spolu s ním.

Co je technický dluh?

Technický dluh, ve své nejzákladnější definici, je akumulace nekvalitního kódu během vytváření softwaru. To obvykle pramení z urychleného termínu uvedení na trh, aby se splnily obchodní potřeby, nebo aby se získala zpětná vazba zákazníků dříve. Při zvažování technického dluhu je důležité zaměřit se na úmyslný aspekt, protože rozhodnutí jsou často vědomá rizika spojená se softwarem a dopady použití zkratkových řešení pro rychlost. Vznik AI přinesl nový a jedinečný výzvu v oblasti technického dluhu, a s ním i významná rizika a důsledky, které by mohly nastat.

Jakmile systémy AI začnou stárnout a jejich trénovací data se stanou nepřesnými a zastaralými, náklady na investice do AI nyní převyšují čas a investice potřebné pro údržbu kvalitních trénovacích dat, jinak nazývaných data hygiene.

Podívejme se, jak se technický dluh hromadí, jaký dopad má na hospodářský výsledek a jak jej organizace mohou řešit.

Jak organizace získávají technický dluh?

 Existují dva způsoby, jak software může získat technický dluh. Jedním je prostý špatný kód. Organizace mohou nakupovat produkty nebo je zdědit prostřednictvím fúzí a akvizic, pouze aby později objevily problémy s kvalitou, pomalou rychlostí změn a inovací. Druhým je, když lídři vědomě zvolí přijetí technického dluhu.

Pokud jde o AI, více než 72% lídrů chce přijmout AI, aby zlepšila produktivitu zaměstnanců, ale největším problémem při implementaci AI je kvalita a kontrola dat. Zdá se, že je protichůdné, aby organizace používaly produkt, který má zlepšit produktivitu, zatímco současně odvádí čas od vitální práce na řešení kvalitních problémů způsobených technickým dluhem, které by mohly ohrozit produktivitu. Ale slib budoucích výhod pro zvýšení produktivity převyšuje tyto překážky v blízké budoucnosti, které se nakonec vrátí a budou pronásledovat software v dlouhodobém horizontu.

Model Drift: Nový typ technického dluhu

S rostoucími investicemi do AI se organizace spěchají s marketingovými strategiemi, aby využily zlaté horečky generativní AI. Zatímco to může fungovat jako krátkodobý stimul pro výnosy, organizace přehlížejí to, co by mohlo být velkou částí technického dluhu v budoucnu, známého jako model drift.

Model drift nastává, když se výkon systému AI začne zhoršovat a výstupy se stávají méně přesnými, jakmile se trénovací data zestárnou. Při pohledu na životní cyklus AI je zřejmé, že trénovací data budou muset být neustále udržována a aktualizována, aby se zajistilo, že odpovědi, které stroj poskytuje, jsou co nejpřesnější – zde začíná rozpad. Při spěchu, aby se dostaly řešení na trh, rozhodnutí často podceňují problémy, jako je získání dalších trénovacích dat, údržba hygieny systému a zajištění dostatečného počtu pracovníků, kteří by mohli tyto úkoly podporovat.

Jakmile se trénovací data dále zestárnou a mezera mezi realitou a výstupy se zvětší, organizace budou čelit zvýšeným nákladům a času strávenému na řešení těchto mezer, které by mohly být předejity s vhodnými postupy a protokoly pro plánování. Stručně řečeno: přeskočení dalšího kroku při plánování marketingové strategie může umožnit rychlejší dodání, ale není to stojí za nevyhnutelný pád, který bude stát v mnoha směrech v dlouhodobém horizontu.

Dopad technického dluhu na hospodářský výsledek

Technický dluh může také hluboce ovlivnit organizační efektivitu – například prodejní týmy. Když se technický dluh začne hromadit a rychlost změn se zpomalí, stává se stále více obtížným pro prodejce lákat zákazníky, což zpomaluje tempo uzavírání obchodů a nakonec i výnosy.
Za prodejními týmy technický dluh také hluboce ovlivňuje vývojářské týmy. Nebudou muset pouze trávit více času zaměřeného na aktualizaci kódu, ale také odvrátí pozornost od inovací. Přesunutím pozornosti a času na údržbu se produktová mapa zpožďuje nebo opouští, což vytváří efekt domina, který může nakonec vést k nedůvěře mezi inženýrskou a komerční stranou podniku. Bez produktové mapy, kterou by prodejci mohli následovat, jsou prodejci buď konfrontováni s nesplněnými sliby, nebo nemají nic, co by mohli ukázat potenciálním zákazníkům, což opět hluboce ovlivňuje výnosy.

Jak řešit technický dluh

Jakmile se předpověditelnost dodání snižuje, organizace začnou vidět rozpad organizační efektivity, což vede k diskusím o tom, jak řešit aktuální výzvy. Existují dva způsoby, jak mohou rozhodnutí řešit technický dluh. První je odstranění platformy a kódu úplně a opětovné nasazení, nebo začlenění malých inkrementálních změn, podobných jako pomalému čištění pokoje jeden předmět za čas, aby se systémy nakonec dostaly do pořádku.

První metoda, opětovné nasazení, vyžaduje kompletní přestavbu systémů, a je to obrovské a nákladné riziko. Podobně jako velká stavební zakázka, jakékoli zpoždění v harmonogramu může vyhodit produktové termíny a mohlo by způsobit, že celý úsilí selže. Tato metoda může někdy fungovat. Vezměme si například LinkedIn – po jejich IPO v roce 2011 společnost přestavěla web a nyní je velkým hráčem na trhu.

Bezpečnější sázka, provádění malých změn, které se nakonec přidají k velkým zlepšením, je další případ, který lze použít. S vývojáři, kteří již interagují s daty denně, je možné jít a dělat úpravy, aby se systémy zbavily technického dluhu. Také prospěje dovednostem vývojářů, protože jim requires zůstat aktuální s nejnovějším kódem a technologiemi, což zase nastaví organizaci pro technický úspěch, protože má méně mezer ve dovednostech. Implementace inženýrsky vedené iniciativy, kde jsou vývojáři přiděleni 20% svého času na aktualizaci produktu, je skvělý způsob, jak začít. Zatímco tento proces je mnohem pomalejší než opětovné nasazení, je méně riskantní a stále produkuje hodnotu pro obchodní model.

Opuštění technického dluhu v éře AI

Jak se prostor AI dále rychle vyvíjí, budeme pokračovat ve vidění více řešení, která slibují zvýšení produktivity a organizační efektivity. Zatímco to je pravda, rozhodnutí musí priorizovat začlenění technik, jako je kontinuální údržba dat, a myslet na velký obraz, pokud jde o životní cyklus řešení. Investice do AI nemusí být nákladné a přehlcující, a s několika malými změnami v plánování a marketingové strategii můžete se vyhnout dalšímu hromadění technického dluhu.