Agentic AI sada je ključni dio procesa inženjeringa, pokreće golemu snagu izvršenja i pomaže nam da generiramo više koda nego ikad prije. Ipak, teško pitanje koje sve češće čujem od poslovnih vođa je: ako otpremamo kod brže nego ikad, zašto se naši proizvodi ne poboljšavaju istom brzinom?
Razlog je taj što pisanje koda nikada nije bio limitator brzine. Definiranje pravih zahtjeva, integracija sa složenim sustavima i održavanje softvera u stvarnim uvjetima uvijek je bio težak dio. A kada agenti preplave organizaciju s puno novog koda, teži dio postaje samo teži. Agenti sažimaju vrijeme izvršenja. Oni ne komprimiraju dvosmislenost, odgovornost ili operativnu složenost.
Kako se kod koji generira umjetna inteligencija povećava, ljudski pregled postaje veliko novo usko grlo, a inženjeri gube kontekst potreban za otkrivanje pogrešaka agenata. Tvrtke koje to razumiju krenut će naprijed promišljeno i čak i stvarati nove uloge zahvaljujući umjetnoj inteligenciji. Oni koji to ne rade, zadano će donijeti jednostavniji, daleko destruktivniji zaključak: Smanjite broj zaposlenih i povećajte potrošnju umjetne inteligencije.
Sadržaj objave
Knjiga igara
Nepovratne strukturalne odluke zahtijevaju oprez, upravo zato što se tehnologija kreće tako brzo. Voditelji inženjeringa u poduzećima trebaju promišljenu knjigu kako bi se snašli u kaosu. Evo kako započeti:
Faza 1: Upravljanje financijama i rizikom
Zaštitite nedostatke — osigurajte infrastrukturu i zaustavite financijsko krvarenje.
-
Tretirajte upravljanje kao rizik prve razine: Pritisak da se integrira AI je stvaran, ali davanje timovima slobode eksperimentiranja bez centralizirane strukture stvara fragmentirane procese, duplicirani rad i nevjerojatne troškove. Organizacije će morati uspostaviti zajedničke standarde, a istovremeno dopustiti timovima da se prilagode i istražuju unutar definiranih granica. To znači da konfiguraciju agenta treba tretirati kao proizvodnu infrastrukturu — izradu verzija, pregled i testiranje upita i vještina prije postupnog uvođenja.
-
Provedba najmanjih privilegija za neljudske aktere: Nikada nemojte dopustiti agentu da jednostavno naslijedi puna dopuštenja svog ljudskog operatera. Ljudski inženjeri imaju širok pristup jer posjeduju kontekstualnu prosudbu i snose konačnu odgovornost. Uvođenje agenata s pristupom na ljudskoj razini bez pažljivog razmatranja uvodi jaz u odgovornosti u vaše sustave. Provesti strogo odvajanje između pročitati i napisati/izvršiti pristup, i ovlasti pristupe za odobrenje čovjeka u petlji za destruktivne radnje ili radnje koje mijenjaju proizvodnju. Kako agenti prelaze s predlaganja koda na autonomno izvršavanje zadataka, moraju biti rigorozno ugrađeni u vaš sigurnosni model.
-
Pazi na novčanik: Zaštitite svoj cjelokupni AI proračun provođenjem kvota i ograničenja stope za inženjering i proizvodnju. Priče upozorenja sve su češće: Uber je nakon toga ograničio svoju potrošnju na umjetnu inteligenciju spaljivanje proračuna za 2026. do travnjaa prema Axiosu i neimenovana tvrtka napravio nevjerojatnih 500 milijuna dolara Anthropic račun u jednom mjesecu zbog odbjeglih agentskih petlji.
Faza 2: Tehnička strategija
Izgradite motor: Odaberite prave modele i izmjerite njihov uspjeh.
-
Prijeđite na više modela i više dobavljača: Nijedan model ne briljira u svakom zadatku. Važno je precizno definirati granice ponašanja i performansi među modelima kako biste razumjeli gdje se svaki ističe, usmjeravajući specifične zadatke sustavima koji su najbolje opremljeni za njihovo rješavanje. Standardizacija na jednom dobavljaču ili modelu žrtvuje mogućnosti i uvodi kritičnu jednu točku kvara. Nijedna organizacija ne bi trebala apsorbirati tu razinu rizika koncentracije u svojoj osnovnoj inženjerskoj funkciji.
-
Platite za granicu: Tretirajte AI kao inženjersku polugu, a ne samo kao još jedan SaaS trošak. Platite za vrhunske granične modele koji daju ispis najviše kvalitete i smanjuju skupe prerade. U konačnici, najjeftiniji model nije onaj s najnižom cijenom tokena — to je onaj koji maksimizira učinkovitost, a minimalizira vaš daljnji rizik.
-
Mjerite što je zapravo važno: Implementacije, linije koda i zahtjevi za povlačenjem nikada nisu bili dobri pokazatelji produktivnosti, a s umjetnom inteligencijom oni aktivno dovode u zabludu. Umjesto toga, ciljajte na metrike koje su povezane s poslovnim rezultatima (usvajanje značajki, zadržavanje) i trajnost inženjeringa (stopa neuspjeha promjena, izbjegnuti nedostaci, opstanak koda tijekom vremena). Za učinkovitost umjetne inteligencije mjerite uspjeh zadatka po dolaru i vremenu prerade. Brojanje žetona je prikladno za ploče s najboljim rezultatima, ali vam ne može reći jesu li žetoni dobro potrošeni.
Faza 3: Talent i organizacija
Preusmjerite svoj ljudski kapital kako biste upravljali novim uskim grlom.
-
Prebacite inženjere sa sintakse na sustave: Budući da agenti obrađuju većinu generiranja koda, ljudski pregled i arhitektonsko usklađivanje nova su uska grla. Organizacije moraju namjerno usavršiti svoju radnu snagu kako bi prešle iz pisaca sintakse u sistemske mislioce i menadžere agenata. Inženjerima je potrebna obuka i mandat za vođenje agencijskih procesa, upravljanje složenim integracijama među sustavima i držanje sveobuhvatne arhitektonske vizije koju agenti mogu teško održati.
-
Redefinirajte učinak i poticaje: Kada pojedinačni inženjer može generirati rezultat bivšeg tima, tradicionalne metrike kao što su bodovi priče ili brzina sprinta mogu postati neučinkoviti troškovi. Razmislite o ponovnom usklađivanju okvira ocjenjivanja kako biste bolje nagradili prošireni poslovni utjecaj, pouzdanost među sustavima i učinkovitu orkestraciju agenata. Ako želite sustavne mislioce koji pokrivaju više strateških površina, voljni su istraživati i preuzimati rizike, te graditi proizvode na trajan način, morate ih nagraditi za utjecaj na višoj razini, a ne za samu količinu proizvodnje.
-
Nemojte smanjivati broj zaposlenih prije nego što se vaša strategija prilagodi: Ako niste integrirali agencijske tijekove rada, izmjerili povećani izlaz u proizvodnji i preradili svoju mapu puta oko bržeg izvršenja, zapravo ne znate podudaraju li se vaše potrebe i mogućnosti. Smanjenje broja zaposlenih prije utvrđivanja te osnovne vrijednosti nije disciplina – to je sljepoća. Cilj nisu samo manji timovi, već timovi sposobni pokriti više strateških površina.
Usvajanje umjetne inteligencije u poduzećima zahtijeva ljudsku elastičnost
AI nije zamjena za inženjersku prosudbu; to je za nju multiplikator sile. U dobro strukturiranim sustavima sigurno ubrzava isporuku. U slabo razumljivim sustavima, to ubrzava kvar. Već vidimo posljedice: prekide rada, sve veći tehnički dug i neočekivane skokove troškova potaknute lošim usvajanjem. Ovo su operativni propusti, a ne teoretski rizici.
Pogreška koju organizacije sada rade je što AI ne usvajaju presporo — usvajaju ga bez razumijevanja gdje se kvari.
Za C-suite, razumijevanje ove dinamike više nije izborno – to je odlučujući čimbenik u tome kako tvrtka prolazi kroz ovu eru. Izazov je u tome što brzina izvršenja nadmašuje sposobnost industrije da se nosi s posljedicama. Predali smo inženjerskim timovima ultimativni električni alat. Stara poslovica nalaže da dva puta mjeriš i jednom režeš. Umjesto toga, previše tvrtki odlučuje samo smanjiti.
Joe Bertolami je tehnički direktor i suosnivač Clifton AI.