Τα Συστήματα Σας Έχουν Ήδη Τυφλά Σημεία. Η AI Τα Κάνει Μόνο Πιο Χειρότερα.

Το 2022, πριν τα γεννητικά εργαλεία κώδικα γίνουν μέρος της καθημερινής μας μηχανικής εργασίας, έγραψα για τη φιλοσοφία μου σχετικά με την επιλογή εργαλείων. Έχει αντέξει καλύτερα από ό,τι περίμενα. Εκείνη την εποχή, υποστήριζα ότι πρέπει να ξεκινάτε με τα προβλήματα που πραγματικά λύνειτε, γνωρίζοντας τις αδυναμίες σας, και να δίνετε προτεραιότητα στο πώς χρησιμοποιείτε τα εργαλεία, αντί να πηδάτε σε οποιοδήποτε εργαλείο φαίνεται το καλύτερο και ελπίζετε να λειτουργήσει. Γνωρίστε τον εαυτό σας και τους στόχους σας, ώστε να θέσετε ρεαλιστικές προσδοκίες για τα εργαλεία σας.

Τη στιγμή εκείνη, σκεφτόμουν την εξάπλωση του SaaS, όχι τον κώδικα που δημιουργείται από AI. Αλλά σήμερα η φιλοσοφία μου είναι ακόμη πιο επείγουσα και πιο σημαντική να τη διατηρώ.

Πολλοί από εμάς έχουμε διαβάσει το 2025 DORA report, που διαπίστωσε ότι, σε αντίθεση με το προηγούμενο έτος, η υιοθέτηση AI τώρα συσχετίζεται θετικά με την απόδοση της παράδοσης. Η υποκείμενη παρατήρηση ήταν ότι η αστάθεια στην παράδοση συνέχιζε να αυξάνεται, και έλεγξαν αν τα κέρδη στην ταχύτητα το αντισταθμίζουν. Δεν το κάνουν. Αυτό ταιριάζει με την εμπειρία μας. Η ομάδα μας υιοθέτησε την agentic software development και είδε αύξηση 48% στην απόδοση κατά δύο τρίμηνα, ακολουθούμενη από αύξηση 16% στα ζητήματα σταθερότητας. Δέκα άτομα είναι μικρό δείγμα, αλλά είναι επίσης δείγμα από το οποίο μπορώ να δω την πλήρη εικόνα, και το μοτίβο κράτησε.

Η υιοθέτηση AI δεν αποτελεί πια ερώτημα. Είστε είτε στην αρχή είτε ήδη εν μέσω αυτής. Το διαφορετικό τώρα είναι ότι από τους ηγέτες της μηχανικής αναμένεται να υιοθετήσουν AI και επίσης να αποδείξουν ότι αποδίδει. Ο Διευθύνων Σύμβουλος, το διοικητικό συμβούλιο και το τμήμα οικονομικών θέλουν να ξέρουν πώς να βελτιστοποιήσουν την επένδυσή τους σε AI. Ρωτούν αν τα εργαλεία που επιλέξατε λύνουν πραγματικά προβλήματα αποδοτικά. 

Το Κενό Υπήρχε Πάντα. Η AI Το Κατέστησε Μόνο Πιο Ευρύ.

Ως CTO, αφιερώνω μεγάλο μέρος του χρόνου μου σε συζητήσεις με άλλους ηγέτες μηχανικής, συμπεριλαμβανομένων πελατών, υποψήφιων πελατών και συναδέλφων, για να συγκρίνουμε επιτεύγματα και παράπονα σχετικά με ό,τι βιώνουμε με την AI. Μετά από αρκετές τέτοιες συζητήσεις, άρχισα να παρατηρώ μοτίβα στην υιοθέτηση AI και στα αποτελέσματά της.

Η κύρια παρατήρηση δεν είναι δική μου. Η DORA το προβάλλει εδώ και δύο χρόνια: η AI ενισχύει ό,τι ήδη συμβαίνει στον οργανισμό, τόσο τις δυνάμεις όσο και τις αδυναμίες. Μια ομάδα με καθαρή αρχιτεκτονική και υγιείς συνήθειες ελέγχου γίνεται πιο γρήγορη. Μια ομάδα που έχει αντιμετωπίσει ένα πολύπλοκο μάζα τεχνικού χρέους αρκετά ώστε να παραδώσει κώδικα, τώρα διαπιστώνει ότι το τεχνικό χρέος γίνεται σημαντικό εμπόδιο. Αυτό που λείπει από αυτή τη διατύπωση, όμως, είναι το γιατί αυτό αιφνιδιάζει τόσες ομάδες. Η AI δεν κρύβει αυτές τις αδυναμίες· τα συστήματα στα οποία βασιζόμασταν ποτέ δεν τις ανέδειξαν.

Η στοίβα εισιτηρίων και αναφορών που χρησιμοποιούν οι περισσότερες οργανώσεις μηχανικής δημιουργήθηκε για να απαντά σε ερωτήσεις που έχουν οι άνθρωποι, με ανθρώπινη ταχύτητα, από άτομα που καταλάβαιναν περίπου τι σημαίνει «ολοκληρώθηκε» για ένα συγκεκριμένο κομμάτι εργασίας. Δεν ήταν ποτέ τέλειο αρχείο. Ήταν πάντα μια προσέγγιση, συμπληρωμένη από κάποιον που συνοψίζει κάτι πιο ακατάστατο από κάτω. Τώρα, η AI προσθέτει όγκο και νέες εισροές που δημιουργούν νέα δραστηριότητα. Κανένα από τα συστήματα (ή τα εργαλεία) που χρησιμοποιούνται για παραδοσιακές, μη‑AI μεθόδους ανάπτυξης δεν δημιουργήθηκαν ποτέ για αυτό.

Παρά τα πάντα, παραμένουμε υπεύθυνοι για τους ίδιους στόχους. Εξακολουθείτε να διαχειρίζεστε την ταχύτητα, την ποιότητα, το κόστος και το πώς αποδίδει πραγματικά η ομάδα σας. Απλώς δεν μπορείτε πια να παίρνετε τα dashboards του περασμένου χρόνου ως δεδομένα.

Υπάρχει ένα δίκαιο επιχείρημα εδώ. DORA’s 2026 ROI report περιγράφει μια καμπύλη J: μια πτώση παραγωγικότητας αμέσως μετά την υιοθέτηση, που προέρχεται από την καμπύλη εκμάθησης, το κόστος επαλήθευσης κώδικα που δημιουργείται από AI, και τις επόμενες διαδικασίες που δεν έχουν προσαρμοστεί. Το αποκαλούν το «κόστος εκπαίδευσης» της μεταμόρφωσης, και προειδοποιούν τους ηγέτες να μην το συγχέουν με αποτυχία. Έχει νόημα. Αλλά το κόστος εκπαίδευσης και ένα πραγματικό πρόβλημα φαίνονται ταυτόσημα σε ένα dashboard που χτίζεται από εισιτήρια. Αν δεν μπορείτε να καταλάβετε σε ποιο βρίσκεστε, δεν είστε υπομονετικοί. Κάνετε εικασίες.

Πρέπει να επιστρέψουμε στα βασικά. Γνωρίστε τον εαυτό σας. Γνωρίστε την ομάδα σας. Γνωρίστε τα προβλήματα που λύνειτε. 

Πώς “Γνωρίζετε τον εαυτό σας” με την AI;

Από τις συζητήσεις μου, έχω εντοπίσει πέντε κύριες περιοχές όπου τα συμβατικά συστήματα, σχεδιασμένα για ανθρώπινα παραγόμενη, ανθρώπινα αναφερόμενη εργασία, είναι τυφλά. Αν τα αγνοήσετε, διακινδυνεύετε να ενισχύσετε τις αδυναμίες σας καθώς συνεχίζετε να υιοθετείτε AI.

Τυφλό Σημείο 1: Θέατρο Ταχύτητας

Περισσότερα commits και περισσότερα PR μπορεί να φαίνονται ως πρόοδος, και συχνά είναι. Η AI αυξάνει και τα δύο μετρήσεις αυτόματα. Ένα Stanford case study έδειξε ότι η υιοθέτηση AI αύξησε τον αριθμό PR κατά 14%. Αλλά αυτό που λείπει είναι πόσο από αυτή τη δραστηριότητα είναι εργασία χαρακτηριστικών που παραδίδεται σε σύγκριση με συντήρηση, επαναεργασία ή ανακύκλωση από μια αναδιάρθρωση που δεν κράτησε.

Για να το αντιμετωπίσετε, παρακολουθήστε τη διαίρεση μεταξύ εργασίας χαρακτηριστικών και συντήρησης, καθώς και τη συχνότητα εκδόσεων και το lead time σε σχέση με το δικό σας ιστορικό βάσης, όχι έναν μέσο όρο του κλάδου. Χωρίς αυτή τη διαίρεση, αναφέρετε πρόοδο που δεν μπορείτε πραγματικά να τεκμηριώσετε.

Τυφλό Σημείο 2: Χρέος Ελέγχου

Η δυνατότητα ελέγχου δεν κλιμακώνεται αυτόματα μαζί με την παραγωγή. Ο φόρος επαλήθευσης δεν είναι μια φάση που περνάτε· αποτελεί μέρος του σταθερού κόστους για την ανάπτυξη με αυτονομία. Μια πρόσφατη έρευνα των ηγετών μηχανικής διαπίστωσε ότι το 80 % των ομάδων δαπανά τουλάχιστον το 10 % του χρόνου τους στην ανασκόπηση, και περίπου ένα στις δέκα δαπανά περισσότερο από 40 %. Με αυτό το φορτίο, οι ομάδες κυμαίνονται μεταξύ ενός αυξανόμενου backlog και της τυπικής έγκρισης, και κανένα δεν αποτελεί πραγματική λύση.

Ο περιορισμός στην κυκλοφορία δεν είναι πόσο γρήγορα γράφεται ο κώδικας πια. Είναι πόσο γρήγορα ένας άνθρωπος μπορεί πραγματικά να είναι σίγουρος ότι μια αλλαγή είναι σωστή, πόσο γρήγορα και ακριβώς μπορούν να εντοπιστούν και να αντιμετωπιστούν τα ελαττώματα. Παρακολουθήστε πώς το φορτίο ελέγχου διανέμεται στην ομάδα σας· διαφορετικά διακινδυνεύετε υπερφόρτωση των ανώτερων μηχανικών, καθυστέρηση των κυκλοφοριών ή σοβαρά προβλήματα παραγωγής.

Αγνοούμενο Σημείο 3: Κρυφή Εργασία

Οι ανασχεδιασμοί και οι αλλαγές αρχιτεκτονικής έχουν την τάση να κρύβονται μέσα σε άλλα αιτήματα, αν εμφανίζονται καθόλου στο σύστημα αιτημάτων. Η AI παράγει περισσότερη τέτοια εργασία, όχι λιγότερη. Ένας πράκτορας δεν διστάζει να επεξεργαστεί δώδεκα αρχεία για να διορθώσει ένα σφάλμα, ενώ ένας άνθρωπος μπορεί να κάνει παύση και να επανεξετάσει. Η εργασία που παρακάμπτει το σύστημα καταγραφής παρακάμπτει επίσης και τον προγραμματισμό, κάτι που σημαίνει ότι το μοντέλο χωρητικότητάς σας είναι λανθασμένο, και κάθε πρόβλεψη που βασίζεται σε αυτό είναι επίσης λανθασμένη.

Για να καταλάβετε πόση εργασία γίνεται πραγματικά, πρέπει να παρακολουθείτε πόσα πράγματα αλλάζουν στην κώδικα βάση και στο ιστορικό των pull request. Χωρίς αυτό, το σχέδιο χωρητικότητάς σας βασίζεται σε ό,τι οι άνθρωποι θυμούνται να καταγράψουν, όχι σε ό,τι πραγματικά έκαναν.

Αγνοούμενο Σημείο 4: Υστέρηση Ποιότητας

Η ίδια έρευνα διαπίστωσε ότι σχεδόν το ήμισυ των ηγετών μηχανικής δυσκολεύεται να εντοπίζει προβλήματα ασφαλείας εβδομάδα με εβδομάδα. Η πολυπλοκότητα, η διπλοεγγραφή και οι εξαρτήσεις που δεν ανήκουν πλήρως συσσωρεύονται σε πολλές μικρές, λογικές αλλαγές. Καμία από αυτές δεν φαίνεται ανησυχητική από μόνη της. Στην ίδια μελέτη του Stanford, η ποιότητα του κώδικα έπεσε κατά 9 % και η διακύμανσή του τριπλασιάστηκε. Ενώ ο μέσος όρος μετακινήθηκε λίγο, η διασπορά (το μέρος που παρατηρείτε) μετακινήθηκε πολύ. Σε όγκο AI, αυτά συντίθενται γρηγορότερα απ’ ό,τι τα περισσότερα διαδικασίες ελέγχου τα συλλαμβάνουν. Η υστέρηση τείνει να εμφανίζεται ως ειδοποίηση on‑call που εντοπίζεται σε μια εξάρτηση που κανείς δεν θυμάται να έχει ελέγξει. Μέχρι να συμβεί αυτό, υπάρχει σημαντική πιθανότητα ο πελάτης να το έχει παρατηρήσει πρώτος.

Παρακολουθήστε τις γραμμές τάσης στα ευρήματα ασφαλείας, τις εξαρτήσεις και τις αποτυχίες/αποκαταστάσεις—όχι το μεμονωμένο commit. Η πολυπλοκότητα και η διπλοεγγραφή που αυξάνονται σε αρκετές εβδομάδες έχουν μεγαλύτερη σημασία από οποιαδήποτε αλλαγή που επισημαίνεται στον έλεγχο. Χωρίς αυτό, εντοπίζετε την υστέρηση όπως κάνουν οι περισσότερες ομάδες: μετά το γεγονός που έχει ήδη προκαλέσει ένα περιστατικό.

Αγνοούμενο Σημείο 5: Μη Αποδεδειγμένα Έξοδα

Μόλις η υιοθέτηση της AI σταματήσει να είναι θέμα συζήτησης, η δαπάνη για AI και η απόδοση επένδυσης (ROI) γίνονται το ζήτημα στο οποίο εστιάζει όλοι. Η οικονομική ομάδα θέλει να ξέρει τι είναι κεφαλαιοποιήσιμο έναντι λειτουργικού. Η ηγεσία θέλει να ξέρει σε τι οδήγησε η επένδυση. Οι περισσότερες ομάδες εξακολουθούν να λαμβάνουν αποφάσεις για εργαλεία, θέσεις και προσωπικό βάσει διαίσθησης, όχι αποδείξεων της σχέσης μεταξύ χρημάτων και παραδοτέας εργασίας.

Παρακολουθήστε πού ρέει πραγματικά η προσπάθεια μηχανικής στην ίδια τη βάση κώδικα, τρίμηνο με τρίμηνο — όχι όπου το χάρτης πορείας λέει ότι πρέπει να ρέει. Χωρίς αυτή τη σύνδεση, υπερασπίζεστε τον προϋπολογισμό του επόμενου έτους με ανέκδοτα, και τα ανέκδοτα δεν αντέχουν μια σκληρή συζήτηση με έναν CFO.

Ξεκινήστε με αυτό που δεν μπορείτε να δείτε

Η ερώτηση της οικονομικής ομάδας σχετικά με τη κεφαλαιοποιημένη δαπάνη και μια σελίδα on‑call στις 2 π.μ. φαίνονται άσχετες, αλλά δεν είναι. Και οι δύο μπορούν να «εκτιμηθούν» από τη δραστηριότητα. Ωστόσο, και οι δύο είναι πραγματικά απαντήσιμες, με αποδείξεις, από τον ίδιο τον κώδικα.

Η απάντηση του DORA σε όλα αυτά είναι το ίδιο το σύστημα μηχανικής: η ποιότητα της πλατφόρμας, η σαφήνεια της ροής εργασίας, η εναρμόνιση της ομάδας. Σωστά, και δεν είναι ούτε το πρώτο βήμα. Δεν μπορείτε να διορθώσετε ένα σύστημα που δεν μπορείτε να δείτε. Κάθε μία από αυτές τις πέντε περιοχές είναι κάτι που πρέπει να μπορείτε να παρατηρήσετε πριν υποστηρίξετε την επένδυση σε αυτήν.

Το πρώτο χρήσιμο βήμα δεν είναι ένα νέο εργαλείο ή μια νέα διαδικασία. Είναι να γνωρίζετε τον εαυτό σας, ειλικρινά, και να προσδιορίζετε ποιες από αυτές τις πέντε περιοχές είναι άγνωστα σημεία όπου λείπουν πραγματικά αποδεικτικά στοιχεία. Οι περισσότεροι ηγέτες μπορούν άμεσα να εντοπίσουν (και να δίνουν προσοχή) προβλήματα σε μία από αυτές τις περιοχές. Ωστόσο, είναι οι περιοχές όπου έχετε τις λιγότερες πληροφορίες που είναι πιο πιθανό να εμφανιστούν και να σας «δονέψουν» καθώς συνεχίζετε να υιοθετείτε AI.