Gdy AI w przedsiębiorstwach wchodzi w erę maksymalizacji wartości: Czego zespoły deweloperskie mogą się nauczyć od cyfrowej dostępności

Ekonomia integracji AI zmieniła się dramatycznie, gdy realia kosztów tokenów stały się oczywiste. Tokenmaxxing mógł być zabawny, dopóki trwał, ale innowacja bez ROI nie jest zrównoważona. Teraz, gdy jesteśmy poza erą tanich tokenów, AI musi uzasadniać się rzeczywistymi, mierzalnymi wynikami biznesowymi w całym przedsiębiorstwie. Oznacza to koniec rzucania AI na każde wyzwanie. Organizacje muszą być znacznie bardziej strategiczne, wykorzystując AI do tego, w czym jest dobra, i stosując inne podejścia, gdy istnieje lepsze rozwiązanie.

Ukryty koszt tempa AI

Wzrost tempa rozwoju dzięki narzędziom AI jest godny świętowania. Jednak jeśli kod jest pełen problemów, rzeczywisty postęp jest znikomy. Konsekwencje są poważne: utracony czas i pieniądze, ryzyko prawne oraz słabe doświadczenia klientów.

Dziedzina cyfrowej dostępności może nas wiele nauczyć o strategicznym wykorzystaniu AI. To obszar, w którym skodyfikowane standardy i surowe wymogi zgodności są codzienną rzeczywistością, a nie ma miejsca na nieścisłości czy nieefektywność. W cyfrowej dostępności celem nie jest lepsze naprawianie problemów; chodzi o zapobieganie ich powstawaniu od samego początku. Ten cel powinien być taki sam dla każdej aplikacji AI. W przeciwnym razie dług techniczny rośnie szybko.

Zgodnie z IBM, ignorowanie długu technicznego może skutkować spadkiem ROI 18 – 29%.  Wyniki takie mogą zniweczyć wszelkie zyski z tempa AI. W badaniu Deque z 2026 roku, w którym wzięło udział 200 liderów inżynierii przedsiębiorstw, 64 % wskazało dostępność jako główny czynnik poprawek po wdrożeniu, mimo że te same zespoły wyraźnie instruowały swoje agenty AI, aby pisały kod dostępny.

Dług dostępności, podobnie jak dług techniczny, to nagromadzenie nierozwiązanych problemów dostępności w cyfrowych zasobach organizacji. To dług, który narasta z czasem — problemy pomijane w fazie projektowania i rozwoju stają się później droższe w naprawie. Najnowsze badania wykazują, że naprawa problemu dostępności wykrytego w produkcji jest 30‑krotnie droższa niż na etapie projektowania. Daje to organizacjom realną zachętę finansową do wczesnego wykrywania problemów, szczególnie przy dzisiejszych wolumenach produkcji kodu.

Strategiczne AI vs. Narzędzia deterministyczne

AI nie zawsze jest odpowiedzią. W wielu przypadkach narzędzia oparte na regułach, deterministyczne, dostarczają bardziej spójne wyniki, szybciej i taniej. Aby podjąć właściwą decyzję, co i kiedy używać, zespoły powinny rozpocząć od podzielenia przepływu pracy na podzadania i oceny, jak najlepiej podjąć każde wyzwanie. Na przykład zadania wymagające konsekwentnej weryfikacji — sprawdzania każdego elementu względem określonego standardu — są idealnymi kandydatami dla deterministycznych, opartych na regułach narzędzi.

AI nadaje się do oceny, syntezy i generowania opcji. Nie nadaje się do walidacji: sprawdzania wszystkiego w ten sam sposób, za każdym razem.

Niektóre zespoły inżynieryjne radzą sobie z tym, uruchamiając tę samą recenzję wielokrotnie i porównując wyniki. Działa to, ale nie jest darmowe. W własnych eksperymentach Deque, pojedyncze przejście recenzji kodu zużywało około 60 % tokenów wydanych na zadanie. Same kodowanie zajęło około 13 %. Pisanie testów pochłonęło podobny udział. Jedno przejście rzadko wystarcza. Ta sama recenzja często musi zostać wykonana od trzech do dziesięciu razy na tym samym kodzie, zanim skoncentruje się na pełnej liście rzeczywistych problemów. Każde przejście to nowa wyszukiwarka, a nie kumulacja, więc nic nie przenosi się z poprzedniego uruchomienia.

To, czy jest to opłacalne, zależy od tolerancji kosztów. Organizacja może uruchomić wystarczającą liczbę agentów, pozwolić im iterować i sprawdzać nawzajem swoją pracę, aby dojść do dobrej odpowiedzi. Jednak wiąże się to z płaceniem w tokenach i czasie cyklu. Alternatywa jest prostsza: deterministyczna weryfikacja zwraca ten sam wynik za każdym razem, bez powtarzających się przejść.

Wykorzystanie kontekstu i człowieka w pętli

Inne podejście opisane w niedawnym studium przypadku polegało na połączeniu automatyzacji i AI agentowej z przeglądem ludzkim. W nowym przepływie pracy organizacji wyniki dotyczące dostępności były przekazywane agentowi AI, który używał narzędzia naprawczego do bezpośredniego zastosowania oczekiwanych poprawek HTML w kodzie źródłowym, a następnie automatycznie tworzył i dokumentował pull requesty. Inżynierowie przeglądali zmiany wygenerowane przez AI, zatwierdzali pull requesty i utrzymywali nadzór nad jakością i wynikami. Rezultat: odzyskano 253 godziny inżynieryjne, a naprawy były o 98 % szybsze ogółem. Szacowano, że przepływ pracy zaoszczędził ponad $25,000 kosztów inżynieryjnych.

Uzyskanie dobrych wyników od agenta AI zależy od tego, jak jest skonfigurowany, a nie tylko od dobrych podpowiedzi. Inżynierowie nazywają to inżynierią harness i inżynierią kontekstu: budowaniem konkretnych narzędzi, kontroli i dostępnych informacji, które pozwalają agentowi wykonać dobrą pracę w określonym środowisku, zamiast zostawiać modelowi samodzielne rozwiązanie problemu. Agent recenzujący kod nie potrzebuje całej bazy kodu załadowanej do swojego okna kontekstowego. Pozwól mu wyszukać odpowiednie pliki i pobrać tylko otaczający kod, którego potrzebuje, a zazwyczaj wykona lepszą pracę za mniejsze pieniądze niż ten, który otrzymał wszystko naraz. Ta sama logika obowiązuje przy ponownym użyciu kontekstu w kolejnych wywołaniach zamiast budowania go od nowa przy każdym wywołaniu.

Patrząc z dystansu, pamiętajmy, że powodem, dla którego to wszystko ma znaczenie, jest fakt, że wolumen kodu generowanego przez SI rośnie w naprawdę frenetycznym tempie. W tym kontekście rosnące koszty wydają się nieuniknione: albo z powodu konieczności naprawy wszystkich problemów, które niezweryfikowany kod SI generuje, albo z powodu sprawdzania coraz większych ilości kodu przed jego wdrożeniem do produkcji.

Jednak rosnące koszty nie są nieuniknione. Dostępność cyfrowa oferuje rozwiązanie — takie, które wymaga kilku równoważeń, pomiędzy SI a narzędziami opartymi na regułach, deterministycznymi; pomiędzy automatyzacją napędzaną SI a weryfikacją ludzką; oraz pomiędzy skalowalnością a efektywnością kosztową. Uzyskanie właściwej równowagi zależy od dyscypliny organizacyjnej. Im szybciej organizacje rozwiną dyscyplinę świadomego, efektywnego i odpowiedniego wykorzystania SI, tym szybciej będą mogły oczekiwać pozytywnych, mierzalnych zwrotów z inwestycji w SI.