ไปไกลกว่าโค้ด AI: การกระโดดความสามารถในการผลิตที่แท้จริงคือการข้ามโค้ดทั้งหมด

สำหรับการพูดคุยเกี่ยวกับการพัฒนาด้วยความช่วยเหลือของ AI ตั้งแต่เครื่องมืออัตโนมัติไปจนถึงระบบที่สร้างโค้ดทั้งหมด การสนทนา vẫnมุ่งเน้นไปที่ความเร็ว ทุกคนพูดถึงการสร้างโครงร่างที่เร็วขึ้น การสร้างต้นแบบที่เร็วขึ้น และการสร้างโค้ดที่เร็วขึ้น ทีมผลิตภัณฑ์เฉลิมฉลองความสามารถในการแปลงคำอธิบายภาษาธรรมชาติเป็นฟังก์ชันหรือ API ภายในไม่กี่นาที ใช่ การเพิ่มขึ้นนี้มีความหมาย แต่ยังคงทำงานภายในแบบอย่างซอฟต์แวร์เดียวกัน โค้ดถูกเขียน 编译 ถูกนำไปใช้ ถูกทดสอบ และถูกบำรุงรักษา วงจรเร่ง แต่โครงสร้างยังคงเหมือนเดิม

ในระดับที่ลึกกว่านั้น อย่างไรก็ตาม การเปลี่ยนแปลงกำลังเริ่มต้นเกิดขึ้น ซึ่งบ่งชี้ถึงการเพิ่มขึ้นของความสามารถในการผลิตที่แท้จริง เพื่อให้ได้รับผลประโยชน์ที่น่าตกใจจริงๆ เราต้องการการเปลี่ยนแปลงแบบอย่าง: ไม่ใช่โค้ดที่เร็วขึ้น แต่โค้ดที่น้อยลง แทนที่จะใช้ AI เพื่อแปลกฎธุรกิจเป็นโปรแกรมที่เครื่องจักรจะดำเนินการในภายหลัง กฎธุรกิจจะถูกแสดงออกมาโดยตรงในภาษาธรรมชาติและดำเนินการโดยระบบอัจฉริยะ แบบจำลองจะกลายเป็นรันไทม์ ชั้นการแปลจะหายไป

การเปลี่ยนแปลงขั้นตอนนี้ไม่ใช่เรื่องของความสะดวกสบาย มันเปลี่ยนแปลงวิธีการดำเนินงานขององค์กร มันเปลี่ยนแปลงวิธีการที่นโยบายกลายเป็นซอฟต์แวร์ วิธีการที่กฎระเบียบกลายเป็นการดำเนินการ และวิธีการที่ธุรกิจปรับตัวให้เข้ากับแรงกดดันภายนอก มันนำความเป็นไปได้ในการย่อวงจรวิศวกรรมหลายเดือนให้กลายเป็นการอัปเดตที่นำโดยนโยบายที่เคลื่อนไหวได้อย่างรวดเร็วตามสถาบันที่ควบคุมพวกเขา

วิธีการที่ AI เคลื่อนจากโค้ดไปสู่การดำเนินการลอจิก

มีสามขั้นตอนหลักของการนำ AI ไปใช้ในพัฒนาซอฟต์แวร์ ขั้นตอนแรกคือการเขียนโค้ดที่ได้รับการช่วยเหลือจาก AI โดยที่เครื่องจักรช่วยในการสร้างโค้ดหรือฟังก์ชันระหว่างการพัฒนา ขั้นตอนที่สองคือระบบที่สร้างโดย AI โดยที่ส่วนประกอบขนาดใหญ่หรือสถาปัตยกรรมสามารถถูกสร้างขึ้นจากภาษาธรรมชาติ ขั้นตอนที่สามคือการดำเนินการลอจิกโดย AI โดยที่นักพัฒนาจะไม่ต้องเขียนโค้ดเลย แทนที่จะให้คำสั่ง นโยบาย หรือความตั้งใจ ระบบจะแปลคำสั่งเหล่านั้นและดำเนินการตามนั้นโดยตรง

การอภิปรายส่วนใหญ่ในอุตสาหกรรมยังคงอยู่ในขั้นตอนที่หนึ่งและสอง พวกมันสร้างประสิทธิภาพ แต่ไม่เปลี่ยนแปลงโครงสร้างที่ลึกกว่าของซอฟต์แวร์ ลอจิกแบบกิ่งก้านสาขา ปายพูลการนำไปใช้ การทดสอบแบบย้อนกลับ และการจัดการสภาพแวดล้อมยังคงอยู่ เช่นเดียวกับหนี้ทางเทคนิค การเปลี่ยนแปลงความสัมพันธ์ และความจำเป็นในการมีทีมที่สามารถนำทางชั้นการแปลที่ซับซ้อนระหว่างนโยบาย ความต้องการ และโค้ด

โอกาสในขั้นตอนที่สามมีความหมายมากกว่า เมื่อคำสั่งธุรกิจกลายเป็นแหล่งที่มาของความจริง องค์กรจะเปลี่ยนจากวงจรการปล่อยซอฟต์แวร์ไปสู่การดำเนินการตามคำสั่ง การอัปเดตกฎการปฏิบัติตามกฎระเบียบจะกลายเป็นคำสั่งเดียว การปรับเปลี่ยนค่าขีดจำกัดการฉ้อโกงจะกลายเป็นคำสั่งเดียว การเปลี่ยนแปลงตรรกะการคืนเงินที่เฉพาะเจาะจงตามเขตอำนาจศาลจะกลายเป็นคำสั่งเดียว การเปลี่ยนแปลงเหล่านี้จะไม่ถูกป้อนเข้าไปในแบ็กล็อก แต่จะเคลื่อนไปสู่การดำเนินการควบคุมผ่านการจำลอง การตรวจสอบ และการอนุมัติ

แบบจำลองนี้เพิ่งเริ่มเกิดขึ้น ส่วนประกอบเหล่านี้มีอยู่ แต่การบูรณาการยังไม่แพร่หลาย อย่างไรก็ตาม ทิศทางของการเดินทางนี้ชัดเจน

ทำไมการลดความพยายามในการเขียนโค้ดจึงไม่เพียงพอ

โค้ดที่สร้างโดย AI ยังคงแบกรับภาระเดียวกันกับโค้ดที่เขียนโดยมนุษย์ ระบบต้องการการบำรุงรักษาและความสัมพันธ์เปลี่ยนแปลง การทดสอบและการวนกลับยังคงอยู่เพราะความถูกต้องยังคงพึ่งพาโค้ดที่เขียนในภาษาที่กำหนดไว้ล่วงหน้า

ข้อจำกัดเหล่านี้สะสมขึ้น พวกมันใช้เวลาและเงิน แม้แต่ระบบที่ซับซ้อนที่สุดที่สร้างโดย AI ก็ยังคงต้องการการดูแลและทดสอบที่ซับซ้อน การบำรุงรักษากลายเป็นตัวขับเคลื่อนต้นทุนหลักในช่วงชีวิตของระบบ

การวิจัยล่าสุดได้ระบุปัญหาเหล่านี้อย่างละเอียด การศึกษาในปี 2025 เกี่ยวกับหนี้ทางเทคนิคในระบบที่ได้รับการช่วยเหลือจาก AI พบว่าองค์กรที่นำโค้ดที่สร้างโดย AI มายังคงเผชิญกับปัญหาการบำรุงรักษาที่สำคัญ ความไม่สอดคล้องกับสถาปัตยกรรม และภาระการเปลี่ยนแปลงในระยะยาว ปัญหาเหล่านี้ปรากฏขึ้นไม่ว่าโค้ดจะถูกเขียนโดยมนุษย์หรือแบบจำลอง ซึ่งบ่งชี้ว่าการเร่งการสร้างโค้ดไม่ได้แก้ไขข้อจำกัดโครงสร้างของวิศวกรรมซอฟต์แวร์ การลบชั้นการแปลทั้งหมดเป็นทางเดียวสู่ความสามารถในการผลิตที่เปลี่ยนแปลงไป

ทำไมภาคการเงินจะรู้สึกถึงการเปลี่ยนแปลงนี้ก่อน

การชำระเงิน การธนาคาร และบริการทางการเงินดำเนินงานภายใต้เงื่อนไขที่ให้รางวัลแก่ความสามารถในการปรับตัว กฎระเบียบเปลี่ยนแปลงบ่อย และคำแนะนำในโดเมนต่างๆ เช่น การยืนยันตัวตนของลูกค้า การคืนเงินสำหรับการฉ้อโกง การคว่ำบาตรข้ามพรมแดน และการคุ้มครองผู้บริโภค กำลังพัฒนาอย่างต่อเนื่อง ตัวอย่างเช่น การสื่อสารของ FCA ถึง CEO เกี่ยวกับการคืนเงินสำหรับการชำระเงินที่ได้รับการอนุมัติ กำหนดความคาดหวังที่ชัดเจนสำหรับการดูแลและการควบคุมระบบใน môi trườngนี้ สถาบันเหล่านี้มักใช้เวลาหลายเดือนในการแปลการเปลี่ยนแปลงนโยบายเป็นพฤติกรรมของระบบ และความล่าช้านี้สร้างความเสียเปรียบเชิงกลยุทธ์

แบบจำลองการดำเนินการตามคำสั่งอาจเปลี่ยนจังหวะได้ แทนที่จะเขียนกฎในระบบหลายระบบ สถาบันการเงินสามารถอัปเดตนโยบายโดยตรงในภาษาธรรมชาติและปล่อยให้ชั้นการดำเนินการแปลและสร้างข้อเสนอการนำไปใช้ หากเกิดขึ้น ค่าใช้จ่ายในการพัฒนาจะลดลง นอกจากนี้ ความเสี่ยงของการเข้าใจผิดจะลดลง และระยะห่างระหว่างกฎระเบียบและการดำเนินการจะลดลงอย่างมาก

ความคาดหวังของกฎระเบียบใน英国กำลังเคลื่อนไปในทิศทางเดียวกัน คำสั่งการเมืองของ FCA และ Bank of England ในปี 2024 เกี่ยวกับการฟื้นตัวจากการดำเนินงานในภาคการเงินของสหราชอาณาจักร ระบุความต้องการที่เข้มงวดมากขึ้นสำหรับวิธีการที่สถาบันการเงินระบุความอ่อนไหว ตอบสนองต่อการเปลี่ยนแปลง และรักษาความต่อเนื่องในบริการที่สำคัญ คำแนะนำเน้นย้ำถึงโครงสร้างการกำกับดูแลที่ชัดเจนขึ้นและการดูแลระบบที่รองรับการชำระเงินและการควบคุมการฉ้อโกง สถาบันที่สามารถแปลนโยบายเป็นพฤติกรรมการดำเนินการได้อย่างรวดเร็วจะอยู่ในตำแหน่งที่ดีกว่าในการตอบสนองความคาดหวังเหล่านี้

ความเสี่ยงที่ผู้นำต้องพิจารณา

การเปลี่ยนแปลงนี้ไม่ใช่ไร้ความเสี่ยง การแทนที่โค้ดด้วยการดำเนินการแบบโมเดลนำเข้าความเสี่ยงใหม่ๆ ความแน่นอนเป็นสิ่งจำเป็น โดยเฉพาะในด้านการชำระเงินโดยที่ความสามารถในการคาดเดาและความสามารถในการตรวจสอบเป็นเรื่องจำเป็น ความสามารถในการอธิบายเป็นสิ่งสำคัญสำหรับการปฏิบัติตามกฎระเบียบและการตรวจสอบของกฎระเบียบ ต้นทุนการคำนวณต้องถูกควบคุม ระบบการกำกับดูแลต้องการเส้นแบ่งความรับผิดชอบที่ชัดเจน โดยเฉพาะอย่างยิ่งภายใต้การบริหารจัดการระดับสูง

งานวิจัยล่าสุดเกี่ยวกับความน่าเชื่อถือของแบบจำลองและการประเมินเน้นย้ำถึงความยากในการรักษาพฤติกรรมที่แน่นอนในระดับขนาดใหญ่ การศึกษา ที่ตรวจสอบมาตรฐานการประเมินแบบจำลองภาษาขนาดใหญ่ พบว่าการเปลี่ยนแปลงเล็กน้อยในการตั้งค่าการประเมินผลสร้างผลลัพธ์ที่ไม่สอดคล้องกันและบางครั้งก็ขัดแย้งกัน ความแปรผัน nàyหมายความว่าชั้นการดำเนินการตามคำสั่งใดๆ จะต้องมีการควบคุมที่รวมถึงแบบจำลองรางกั้น ขั้นตอนการตรวจสอบ สภาพแวดล้อมการจำลอง และคำสั่งและแบบจำลองที่มีเวอร์ชัน เพิ่มองค์ประกอบเหล่านี้จะจำเป็นในการตอบสนองความคาดหวังของกฎระเบียบสำหรับการดูแลและการฟื้นตัวจากการดำเนินงาน

โครงสร้างพื้นฐานที่เกี่ยวข้องกับแบบจำลองการดำเนินการ AI จะกำหนดว่าสถาบันสามารถนำแบบอย่างนี้มาใช้อย่างปลอดภัยหรือไม่ ไม่เพียงพอในการแสดงกฎในภาษาธรรมชาติ องค์กรต้องสร้างชั้นที่รับรองความถูกต้อง ความสามารถในการทำซ้ำ และความสามารถในการสังเกต

สถาปัตยกรรมที่เป็นไปได้สำหรับระบบนโยบายไปสู่การดำเนินการ

สภาพแวดล้อมการดำเนินการในอนาคตสำหรับองค์กรที่มีการควบคุมอาจปฏิบัติตามโครงสร้างที่นโยบายกลายเป็นแหล่งที่มาหลักของความจริงในการดำเนินงาน กระบวนการอาจทำงานผ่านชั้นต่างๆ:

• นโยบาย: กฎหรือความต้องการการปฏิบัติตามที่แสดงออกมาโดยตรงในภาษาธรรมชาติ
• ห้องสมุดคำสั่งที่ควบคุม: ห้องสมุดเวอร์ชันที่จัดเก็บกฎเหล่านี้ โดยที่พวกมันถูกตรวจสอบและอนุมัติพร้อมกับประวัติการตรวจสอบที่สมบูรณ์
• การแปลและการจำลองของ AI: ระบบที่ทดสอบนโยบาย วิ่งสถานการณ์ ตรวจสอบกรณีขอบ และระบุความไม่สอดคล้องกันก่อนการนำไปใช้
• คำแนะนำการนำไปใช้: ขั้นตอนการนำไปใช้ที่เสนอ รวมถึงรางกั้นและการประเมินผลกระทบ ที่ต้องการการอนุมัติจากมนุษย์
• การดำเนินการผ่าน API ที่มีโครงสร้าง: เมื่อได้รับการอนุมัติ ระบบจะใช้นโยบายที่ตรวจสอบแล้วโดยใช้กลไกที่แน่นอน เช่น เครื่องมือการสร้างกฎหรือ API ที่กำหนดไว้ล่วงหน้าซึ่งอัปเดตการกำหนดค่า ระดับ หรือการควบคุม ชั้น AI แปลความตั้งใจ ชั้นการดำเนินการบังคับใช้มันโดยไม่สร้างโค้ดใหม่

ตัวอย่างเชิงปฏิบัติแสดงให้เห็นว่าชั้นเหล่านี้อาจทำงานอย่างไร FCA อัปเดตคำแนะนำเกี่ยวกับการคืนเงินสำหรับการฉ้อโกง APP และทีมการปฏิบัติตามกฎระเบียบแปลงการเปลี่ยนแปลงเป็นนโยบายที่เขียนในภาษาธรรมชาติ คำสั่งอาจเป็นเพียง: “ระบุการชำระเงินออกทั้งหมดที่มากกว่า 500 ปอนด์ โดยที่ผู้รับถูกสร้างขึ้นใน 48 ชั่วโมงที่ผ่านมา เว้นแต่ผู้ส่งจะเคยส่งไปยังผู้รับนี้มาก่อน” ระบบ AI ทดสอบคำสั่ง วิ่งสถานการณ์ ตรวจสอบกรณีขอบ สร้างเอกสาร และเสนอเส้นทางการนำไปใช้ ทีมการปฏิบัติตามกฎระเบียบตรวจสอบและอนุมัติคำแนะนำ ชั้นการดำเนินการอัปเดตการควบคุมที่เกี่ยวข้องโดยไม่ต้องเขียนหรือนำโค้ดไปใช้เอง

สถาปัตยกรรมนี้รักษาการดูแลของมนุษย์ไว้ ในขณะเดียวกันก็ลดระยะห่างทางเทคนิคระหว่างนโยบายและพฤติกรรมในการดำเนินงาน นอกจากนี้ยังให้สภาพแวดล้อมที่ควบคุมไว้ซึ่งการแปลแบบสุ่มและการบังคับแบบแน่นอนสามารถร่วมกัน

การวิเคราะห์ทางวิศวกรรมหลายรายการได้ตรวจสอบวิธีการที่โครงสร้างแบบไฮบริดสามารถรองรับระบบที่รวมการแปลแบบโมเดลกับตรรกะที่แน่นอนในสภาพแวดล้อมการดำเนินงานเดียว การสำรวจ เกี่ยวกับเฟรมเวิร์ก AI ที่มีจุดมุ่งหมาย อธิบายว่าองค์กรสามารถรวมส่วนประกอบประสาทกับสถาปัตยกรรมแบบกฎได้อย่างไรในสภาพแวดล้อมการดำเนินงานเดียว การวิจัยชี้ให้เห็นว่าการออกแบบประเภทนี้สามารถทำให้การประสานงานระหว่างระบบง่ายขึ้น รักษาความชัดเจนของขอบเขตรอบการดำเนินการสำคัญ และสร้างเส้นทางการดำเนินการซึ่งยังคงสามารถคาดเดาได้ในบริบทที่มีการควบคุม

ความคิดสุดท้าย

เครื่องมือการเขียนโค้ด AI จะยังคงดีขึ้น พวกมันจะเร่งการพัฒนาซอฟต์แวร์และลดความพยายาม แต่พวกมันไม่ได้แก้ไขข้อจำกัดพื้นฐานของการแปลความตั้งใจทางธุรกิจเป็นโค้ดที่แน่นอน การเปลี่ยนแปลงครั้งต่อไปในด้านความสามารถในการผลิตจะมาจากการลบชั้นการแปลทั้งหมด

องค์กรที่เริ่มเตรียมพร้อมสำหรับการดำเนินการตามคำสั่งตอนนี้จะได้รับความเร็ว ความยืดหยุ่น และความชัดเจน พวกเขาจะสามารถปรับตัวให้เข้ากับการเปลี่ยนแปลงกฎระเบียบได้อย่างรวดเร็วและลดการเสียดสีทางวิศวกรรม พวกเขาจะสร้างโครงสร้างพื้นฐานที่จำเป็นสำหรับการทำงานแบบอัตโนมัติและขับเคลื่อนด้วยเครื่องจักร

สถาบันที่ยังคงมุ่งเน้นไปที่การสร้างโค้ดจะจับประสิทธิภาพ สถาบันที่เคลื่อนไหวไปไกลกว่าโค้ดจะจับข้อได้เปรียบเชิงกลยุทธ์