За межами кодування AI: справжній стрибок продуктивності полягає у повному виключенні коду

Для всього уваги до розвитку, підтримуваного AI, від інструментів автозаповнення до систем, які генерують цілі репозиторії, розмова залишається зосередженою на швидкості. Все говорять про швидке створення каркасів, швидке прототипування та швидке генерацію коду. Команди продуктів святкують можливість перетворити описи природною мовою у функції або API за хвилини. Так, ці здобутки є значущими, але вони все ще діють всередині того самого програмного парадигми. Код написаний, скомпільований, розгорнутий, протестований та підтриманий. Цикл прискорюється, але структура залишається цілою.

На глибшому рівні, однак, починає з’являтися зсув, який вказує на наступний справжній прорив продуктивності. Для真正их видатних здобутків нам потрібно парадигмальний зсув: не швидший код, а менше коду. Замість використання AI для перекладу бізнес-правил у програми, які машини виконують пізніше, бізнес-логіка буде виражена безпосередньо природною мовою та виконуватись інтелектуальними системами. Модель стає часу виконання. Шари перекладу зникають.

Цей крок не є справою зручності. Він змінює, як організації діють. Він змінює, як політика стає програмним забезпеченням, як регуляція стає дією, і як підприємства адаптуються до зовнішніх тисків. Він приносить можливість скоротити багатомісячні інженерні цикли до швидких, політично-лідерських оновлень, які рухаються так швидко, як інститути, які ними керують.

Як AI переходить від написання коду до виконання логіки

Є три широких етапи прийняття AI у розробці програмного забезпечення. Перший – це кодування, підтримуване AI, де машина допомагає генерувати фрагменти або функції під час розробки. Другий – це системи, згенеровані AI, де великі компоненти або архітектури можуть бути створені з природної мови. Третій – це логіка, виконувана AI, де розробники не пишуть код зовсім. Замість цього вони надають політику, правила або намір. Система інтерпретує ці інструкції та діє відповідно.

Більшість промислової дискусії залишається обмеженою першими двома етапами. Вони створюють ефективність, але не змінюють глибоку структуру програмного забезпечення. Гілочкова логіка, розгортання конвеєрів, регресійне тестування та управління середовищем залишаються. Так само залишаються технічний борг, дрейф залежностей та необхідність команд, які можуть орієнтуватися в складних шарах перекладу між політикою, вимогами та кодом.

Варіант на етапі три є більш суттєвим. Коли бізнес-інструкція стає джерелом істини, організації переходять від циклів випуску програмного забезпечення до виконання за підказками. Оновлення правила дотримання вимог стає однією інструкцією. Коригування порогу оцінки шахрайства стає однією інструкцією. Зміна юрисдикційно-специфічної логіки повернення коштів стає однією інструкцією. Ці зміни не подаються у чергу. Вони рухаються безпосередньо до контрольованого виконання через симуляцію, валідацию та потоки затвердження.

Ця модель тільки починає формуватися. Компоненти існують, але інтеграція ще не є поширеною. Все ж таки, напрямок руху є ясним.

Чому зменшення зусиль кодування не достатньо

Код, згенерований AI, все ще несе ті самі тягарі, що й код, написаний людиною. Системи вимагають технічного обслуговування та залежностей зсуваються. Крім того, рефакторинг стає невідворотним, оскільки логіка еволюціонує, а цикли тестування та регресії тривають, оскільки правильність все ще залежить від статичних інструкцій, написаних у визначеній мові. Багато з цих обмежень нічого не мають спільного з тим, хто написав код. Вони відображають, що код фундаментально є: шаром перекладу між бізнес-інтенцією та виконання машини.

Ці обмеження накопичуються. Вони споживають час та гроші. Навіть найбільш складні репозиторії, згенеровані AI, все ще потребують нагляду та складного тестування. Технічне обслуговування стає домінуючим фактором витрат протягом життя системи.

Недавні дослідження детально описали ці виклики. Дослідження 2025 року про технічний борг у системах, підтримуваних AI виявило, що організації, які приймають код, згенерований AI, все ще стикаються з суттєвими проблемами підтримки, архітектурною несумісністю та довгостроковими тягарями рефакторингу. Ці проблеми з’являються незалежно від того, чи написаний код людиною чи моделлю, що свідчить про те, що прискорення генерації коду не вирішує структури обмежень інженерії програмного забезпечення. Видалення шару перекладу зовсім є єдиним шляхом до стрибка продуктивності.

Чому фінансовий сектор буде відчувати цей зсув першим

Платежі, банківська справа та фінансові послуги діють під умовами, які винагороджують адаптивність. Регуляторні ландшафти часто змінюються, а керівництво у таких областях, як сильна автентифікація клієнта, компенсація шахрайства, санкції за кордоном та захист споживачів, постійно змінюється. Наприклад, комунікація FCA “Дорогий генеральний директор” щодо відшкодування збитків від авторизованого платежу встановлює чіткі очікування щодо нагляду та системних засобів контролю в цій сфері. Інститути часто витрачають місяці на переклад цих змін політики у поведінку системи, і ця затримка створює стратегічний недолік.

Модель виконання за підказками могла б змінити темп. Замість кодування правил у декілька систем фінансові інститути могли б оновлювати політику безпосередньо природною мовою та дозволити шару виконання інтерпретувати, симулювати та генерувати пропозиції щодо розгортання. Якщо це відбувається, вартість розробки впаде. Крім того, ризик неправильної інтерпретації зменшиться, а відстань між регуляцією та реалізацією скоротиться суттєво.

Регуляторні очікування у Великій Британії рухаються в тому самому напрямку. Заява FCA та Банку Англії про політику щодо оперативної стійкості 2024 року встановлює суворіші вимоги до того, як фінансові інститути визначають уразливості, реагують на зміни та підтримують безперервність критично важливих послуг. Керівництво підкреслює чіткі структури управління та сильніше нагляд за системами, які підтримують платежі та контролюють шахрайство. Інститути, які можуть перекласти політику у операційну поведінку швидко, будуть краще підготовлені до виконання цих очікувань.

Ризики, які повинні розглянути лідери

Цей зсув не позбавлений викликів. Заміна коду на виконання моделі вводить нові форми ризику. Детермінізм стає суттєвим, особливо у платежах, де передбачуваність та аудитованість є обов’язковими. Пояснюваність стає критичною для дотримання вимог та регуляторного огляду. Вартість обчислень повинна бути контролювана. Управління потребує чітких ліній відповідальності, особливо під керівництвом старшого керівництва.

Недавня робота щодо надійності моделі та оцінки підкреслює, наскільки складно підтримувати детерміністичну поведінку у масштабі. Дослідження, яке переглянуло великі мовні моделі бенчмарків, виявило, що невеликі зміни у налаштуванні оцінки призводили до несумісних та іноді суперечливих результатів. Ця мінливість означає, що будь-який шар виконання за підказками буде потребувати засобів контролю, які включають моделі охорони, процедури валідації, симуляційні середовища та версійовані підказки та моделі. Ці елементи будуть необхідні для виконання регуляторних очікувань щодо нагляду та оперативної стійкості.

Інфраструктура, що оточує моделі виконання AI, визначатиме, чи зможуть інститути прийняти цю парадигму безпечно. Достатньо виразити правила природною мовою. Організації повинні побудувати шари, які забезпечують правильність, повторюваність та спостережуваність.

Потенційна архітектура систем політики-виконання

Будуще середовище виконання для регульованих організацій може слідувати структурі, де політика стає основним джерелом операційної істини. Процес міг би працювати через декілька шарів:

• Політика: бізнес-правила або правила дотримання вимог, виражені безпосередньо природною мовою.
• Контрольована бібліотека підказок: версійований репозиторій, де ці правила зберігаються, переглядаються та затверджуються з повними аудиторськими слідами.
• Інтерпретація та симуляція AI: системи, які тестують політику, запускають сценарії, перевіряють крайні випадки та виявляють несумісності перед розгортанням.
• Рекомендації щодо розгортання: запропоновані кроки розгортання, включаючи засоби охорони та оцінки впливу, які потребують затвердження людини.
• Виконання через структуровані API: Як тільки затверджено, система застосовує затверджену політику, використовуючи існуючі детерміністичні механізми, такі як механізми правил або попередньо визначені API, які оновлюють конфігурації, пороги або засоби контролю. Шар AI інтерпретує намір; шар виконання забезпечує його без генерації нового коду.

Практичний приклад ілюструє, як ці шари могли б працювати. FCA оновлює керівництво щодо відшкодування збитків від шахрайства APP, і команда з дотримання вимог перекладає зміни у політику, написану природною мовою. Інструкція могла б бути такою простою, як: “Позначте всі зовнішні платежі понад £500, де одержувач був створений за останні 48 годин, якщо тільки відправник раніше не надсилав платіж цьому одержувачу.” Система AI тестує інструкцію, запускає симуляцію, перевіряє крайні випадки, створює документацію та пропонує шлях розгортання. Команда з дотримання вимог переглядає та затверджує рекомендацію. Шар виконання потім оновлює відповідні засоби контролю без написання чи розгортання коду вручну.

Ця архітектура підтримує нагляд людини, скорочуючи технічну відстань між політикою та операційною поведінкою. Вона також забезпечує контрольоване середовище, де ймовірнісна інтерпретація та детерміністичне забезпечення можуть співіснувати.

Деякі інженерні аналізи дослідили, як гібридні архітектури можуть підтримувати системи, які поєднують інтерпретацію, керовану моделлю, з детерміністичною логікою. Дослідження агентських кадрів AI описує, як організації можуть інтегрувати нейронні компоненти з правилами, заснованими на структурах, в одному операційному середовищі. Дослідження свідчить, що такий дизайн може спростити координацію між системами, підтримувати чіткі межі навколо критичних операцій та створювати шляхи виконання, які залишаються передбачуваними для регульованих контекстів.

Останні думки

Інструменти кодування AI будуть продовжувати покращуватися. Вони прискорять розвиток програмного забезпечення та скоротять зусилля. Але вони не вирішують основні обмеження перекладу бізнес-інтенції у детерміністичний код. Наступний зсув продуктивності прийде з видалення того шару перекладу зовсім.

Організації, які починають готуватися до виконання за підказками зараз, здобудуть швидкість, стійкість та ясність. Вони зможуть адаптуватися до змін регуляції швидко та скоротити інженерний тертя. Вони також побудують інфраструктуру, необхідну для автономних, машинно-керованих робочих процесів.

Інститути, які залишаються зосередженими на генерації коду, здобудуть ефективність. Інститути, які рухаються за межі коду, здобудуть стратегічну перевагу.