Навигация по проблемам внедрения GenAI

Разработка программного обеспечения с использованием технологий генеративного ИИ (GenAI) улучшит производительность и эффективность работы – вопрос в том, насколько? Большинство маркетинговых исследований на эту тему показывают значительные выгоды в производительности. Исследование Гарварда показало, что специалисты, в зависимости от задачи и уровня квалификации, увидели 43% увеличение производительности. Аналогично, отчет Goldman Sachs предполагает, что производительность может увеличиться на 1,5 процентных пункта с GenAI после десяти лет широкого внедрения, что эквивалентно几乎 двойному темпу роста производительности в США. Хотя эти выводы являются проницательными, большинство из них получены в контролируемых условиях, которые не обязательно отражают нюансы реальных случаев использования.

Чтобы лучше ответить на вопрос, насколько GenAI может улучшить производительность в разработке программного обеспечения, ведущая компания по цифровой трансформации и инженерии продуктов решила записать свои практические выводы и идеи из недавнего крупномасштабного проекта внедрения GenAI с одним из своих клиентов. Этот клиент хотел внедрить GenAI в рабочие процессы 10 команд разработки в трех потоках, что включало более 100 специалистов. Эти реальные выводы показывают различные проблемы, с которыми столкнутся бизнесы на пути; кроме того, они подчеркивают необходимость компании-широкой дорожной карты для масштабирования внедрения GenAI.

Решение проблемы негативных отношений и ожиданий специалистов

Многие проблемы могут задержать успех проекта GenAI, такие как юридические и регуляторные проблемы, отсутствие вычислительной мощности, безопасность и конфиденциальность и т. д. Однако самой значительной проблемой, с которой столкнулась эта крупномасштабная реализация, были отношения и ожидания специалистов в отношении технологий. Во время реализации инженерная компания наблюдала, что специалисты клиента имели определенные ожидания относительно GenAI и того, как оно будет дополнять их работу. Когда эти первоначальные ожидания не соответствовали результатам относительно качества или времени выполнения, они развивали негативные отношения к технологиям. В частности, когда GenAI, по их словам, “не делал работу за меня”, они отвечали комментариями типа: “Я ожидал лучше и не хочу тратить свое время”.

Бизнесу необходимо изменить восприятие и перейти к новой рабочей культуре, которая предотвращает возникновение этих негативных отношений и препятствует внедрению и точному измерению. Опросы и оценки являются эффективным средством картографирования и категоризации отношений и воспринимаемого участия специалистов. Оттуда компании должны сгруппировать специалистов на основе их чувств к GenAI. Затем бизнес может создать индивидуальные подходы к управлению изменениями для каждой группы, чтобы способствовать успешной интеграции ИИ; например, наиболее скептические специалисты получат больше внимания и заботы, чем нейтральные специалисты.

Учет сложностей реальных проектов

Второй наиболее препятствующей проблемой было точное измерение влияния GenAI на производительность, учитывая сложности реальных условий проекта. В контролируемых средах легче оценить влияние GenAI – однако, как упоминалось ранее, такие тесты не учитывают определенные переменные и несоответствия. Проекты не статичны. Они постоянно эволюционируют. Организация может иметь ситуацию, когда у них есть вращающиеся специалисты из-за графиков отпусков и больничных, или внезапных изменений приоритетов. Специалисты также не всегда работают над конкретными проектными hoạtностями, где влияние GenAI может быть наиболее полезным, поскольку у них есть встречи, которые необходимо посетить, электронные письма, которые необходимо ответить, и другие задачи вне объема спринта, которые часто упускаются из виду при измерении производительности. Эти несоответствия и переменные должны быть учтены при объективном измерении влияния GenAI на разработку программного обеспечения.

Другие лучшие практики включают интеграцию инструментов управления задачами в рабочие процессы, чтобы увидеть, как долго задачи остаются в каждом статусе, для определения производительности и эффективности неспециалистов. Аналогично, решения бизнес-интеллекта могут автоматически собирать точки данных, снижая ошибки и экономя время. Кроме того, организации могут смягчить сложности реальных условий проекта и обеспечить более точную оценку влияния GenAI на производительность, применяя тщательные практики очистки данных.

Компании-широкая дорожная карта: точное измерение

Эта крупномасштабная реализация GenAI также подчеркнула ценность компании-широкой дорожной карты, которая отмечает начало и конец интеграции. Бизнесу следует отметить, что важнейшим элементом этой дорожной карты является определение метрик, которые будут использоваться для базовой и окончательной отчетности. Десятки различных метрик могут помочь оценить влияние GenAI на производительность, включая, но не ограничиваясь, скорость во времени, пропускную способность, среднее время переделки и проверки кода, время проверки кода и принятия, время, затраченное на исправление ошибок и т. д.

После определения этих метрик компании должны классифицировать их на объективные и субъективные категории. Бизнес может также использовать данные из инструментов отслеживания задач, таких как Jira, для объективных метрик. Аналогично, они должны поддерживать и придерживаться потоков качества, своевременных обновлений задач и тщательного завершения этапов. Отметим, что субъективные метрики, такие как опросы специалистов и пилотов, помогут бизнесу понять уровень внедрения и корреляцию с объективными измерениями. С точки зрения частоты измерения должны быть регулярными и запланированными, а не редкими и случайными. Кроме того, результаты проекта подчеркивают полезность метрик, таких как среднее дневное влияние, воспринимаемая профессиональность, изменения производительности, покрытие работы, использование инструментов ИИ и непрерывный рабочий процесс, для измерения прогресса внедрения.

Компании-широкая дорожная карта (продолжение): обучение и развитие культуры на уровне компании

Помимо эффективного измерения влияния GenAI, другой важнейший компонент успешной дорожной карты заключается в том, что она стимулирует непрерывное обучение и грамотность ИИ посредством различных стратегий обучения и коучинга. Эти инициативы в конечном итоге создадут компанию-широкую культуру обучения, позволяющую внедрять ИИ на уровне всей компании. Различные стратегии включают создание рабочих групп, которые фокусируются на том, где и как компания может использовать GenAI, а также поощрение людей делиться тем, что работает, а что нет. Также полезно установить приоритеты роста и развития, сопровождаемые путями обучения на индивидуальном и командном уровнях.

Другой способ, которым компании могут создать культуру, которая легко принимает новые технологии GenAI, заключается в том, чтобы подчеркнуть быстрые случаи использования. Они продемонстрируют силу GenAI более широкой организации и неуверенным скептикам. Бизнесу также следует установить руководящие принципы безопасности и правила взаимодействия с ИИ, чтобы дать командам возможность экспериментировать и исследовать новые подходы без подвержения компании риску. Аналогично, организации должны обеспечить соблюдение отраслевых стандартов и других лучших практик, решая управление изменениями среди людей и команд на уровне задач и инструментов.

Сохранение людей в центре

Два наиболее важных вывода из этой реальной реализации заключаются в том, что GenAI может привести к значительным выгодам в производительности в рамках правильной стратегии и дорожной карты; второе, что такое внедрение имеет неоспоримый человеческий элемент, который компании должны решить соответствующим образом. GenAI навсегда изменит, как эти специалисты выполняют ежедневные задачи. Также возможно, что GenAI может заставить некоторых специалистов чувствовать угрозу от технологии, что может вызвать сопротивление внедрению. В конечном итоге, ключ к успешному внедрению GenAI остается явно человеческим. Важно, чтобы бизнес понял глубину этого, поскольку это люди, которые операционализируют технологию, открывая ее практическую ценность.