Del 2 af 3. I første del var et produktteam klar med et testet svar på en konkurrent på under en dag, og så ventede det på seks godkendelser. Læs fra første del

Undskyldningerne for svag engineering er ved at slippe op

For at uddelegere mere har vi brug for bedre beviser.

Derfor gør AI disciplin i engineering mere værdifuld og samtidig sværere at forsvare at springe over. De samme agenter, der hjælper med implementeringen, kan hjælpe med at lave regressionstest, sikkerhedstjek, instrumentering og kontroller ved udrulning. Praksisser, der før blev klemt ud af leverancepresset, bliver lettere at tage med i den normale eksekvering.

Ambitionen bør være, at hver ændring bærer beviser for, at den virker og kan driftes sikkert. AI gør meget af det bevis billigere at producere. Prisen for at springe det over bliver sværere at forsvare.

Det kræver dømmekraft om selve beviserne. Høj testdækning kan eksistere side om side med ubrugelige assertions. Sunde servere kan eksistere side om side med en kunderejse, der er i stykker. At gendanne gårsdagens kode tilbagefører ikke en forkert betaling og genopretter ikke en kundes tillid.

For købsrejsen omfatter meningsfulde beviser korrekte priser og rettigheder, pålidelig aktivering, beskyttelse mod dobbelte opkrævninger og klar opførsel, når en del af transaktionen fejler. “Alle test bestod” betyder kun noget i det omfang, testene fastslår de egenskaber.

Klar til udgivelseSelvbetjent købBeviset følger med ændringen.
  • Korrekte priser og rettigheder
  • Pålidelig aktivering
  • Værn mod dobbelte opkrævninger
  • Klar opførsel, når en del fejler

Det samme princip gælder uden for software. En agent, der laver en analyse, har brug for pålidelige kilder og tjek af sine beregninger. En agent, der laver en præsentation, skal forstå publikum, argumentet og hvordan et godt resultat ser ud. En agent, der forbereder en kampagne, har brug for mere end en instruks om at “gøre det overbevisende”.

Hvis vi ikke kan forklare eller genkende kvalitet, må vi forvente, at AI producerer overbevisende middelmådighed i stor skala.

Eksempler, eksplicitte kriterier og feedback giver agenter noget at forbedre sig efter. Uafhængig evaluering kan afsløre svagheder, som en agents begejstrede vurdering af sit eget arbejde overser. Hver betydelig fejl bør derefter forbedre processen gennem en regressionstest, klarere kontekst eller en bedre kontrol.

Det bør ændre den normale arbejdsgang: genskab fejlen med en test, der fejler, ret årsagen, bekræft at testen nu består, og behold den som beskyttelse mod, at fejlen kommer igen. Efterlad den relevante kode renere, med små forbedringer beskyttet af test. De vaner kan blive til forventninger, der kan køres, i stedet for gode intentioner, der bliver opgivet under pres.

At rette den samme fejl manuelt igen og igen er at undlade at lære.

  1. Genskab fejlen med en test, der fejlerEn gentaget bestilling efter en timeout opkræver to gange
  2. Ret årsagenOg lad symptomet være
  3. Se, at testen går igennemAfprøvet, ikke antaget
  4. Behold testen som værnSå fejlen ikke kommer igen
Hver alvorlig fejl efterlader systemet bedre beskyttet end før.

Jeres platform skal gøre sig fortjent til sin plads

Det ændrer også, hvad en platform skal levere. At forvente, at hvert team mestrer modeller, orkestrering af agenter, kontekststyring, rettigheder, evaluering, sporbarhed og compliance, er en dyr dobbelt indsats.

Fælles kapabiliteter kan tage meget af den kompleksitet. Teamet bør have en ligetil måde at få adgang til relevante data, køre agenter inden for passende grænser, evaluere ændringer og se, hvad der sker efter udgivelsen. Godkendte grænseflader, genbrugelige købstest, designkomponenter og brandretningslinjer bør hjælpe det med at få arbejdet rigtigt fra starten.

ProduktteametProdukt, udvikling, design og det kommercielle. Ejer effekten og kvalitetskriterierne

AgenterSpecialiserede agenter og uafhængige reviews, inden for faste grænser

Fælles platformData, rettigheder, evaluering og godkendte grænseflader, så teamet slipper for kompleksiteten

ForpligtelserCompliance og sporbarhed, fælles for alle og skrevet ned

En platform viser sit værd ved at gøre teams mere kapable, end de med rimelighed kunne være alene.

Den skal også blive ved med at bevæge sig. Hvis folk kan opnå mere med et personligt abonnement end med virksomhedens godkendte miljø, har platformen et produktproblem. Et centralt team, der bruger måneder på at gøre nyttige kapabiliteter tilgængelige, kan blive endnu en godkendelseskø.

Platformteams bør gøre sig fortjent til at blive brugt gennem nytte, hastighed og servicekvalitet. De bør gøre aktuel kontekst, uafhængige gennemgange og specialiserede agenter lette at bruge og evaluere nye modeller mod rigtigt arbejde hurtigt nok til, at teams får gavn af fremskridtet. Forpligtelser, der gælder hele organisationen, forbliver eksplicitte, mens de understøttede værktøjer og metoder udvikler sig. Produktteams ejer stadig den domæneviden og de kvalitetskriterier, der gør de fælles kapabiliteter værdifulde.

Menneskelig eksekvering er ved at blive et dyrt udgangspunkt

Når det fundament er på plads, kan vi genoverveje, hvor meget arbejde der faktisk kræver, at et menneske udfører det direkte.

Min forventning er, at en voksende del af det digitale arbejde vil blive uddelegeret til agenter. Menneskelig eksekvering vil i stigende grad blive et bevidst valg. Organisationer, der bliver ved med at antage, at mennesker manuelt skal producere hvert slide, hver analyse, hver kodeændring og hver tekst, vil bære en stadig tungere omkostning.

Vores opmærksomhed bør flytte sig mod at vælge arbejdet, levere kontekst, evaluere resultater og forbedre det system, der udfører det. Standardspørgsmålet bliver: hvad skal der til, for at en agent kan gøre det her pålideligt?

Menneske

Vælger arbejdet og giver kontekstRetning, grænser, domæneviden

Agenter

Udfører og samler beviserSlides, analyser, kodeændringer, tekst

Menneske

Vurderer resultater og forbedrer systemetFanger det overbevisende svar, der er forkert

Det kræver ekspertise. Nogen skal stadig kunne genkende en overbevisende, men fejlbehæftet analyse, stille spørgsmål ved målet eller opdage, at en teknisk korrekt ændring gør produktet sværere at bruge. Vi har også brug for måder, hvorpå nye kolleger kan udvikle den dømmekraft, når AI overtager flere af de opgaver, man traditionelt lærte gennem.

De organisatoriske konsekvenser rækker meget længere end kodning. Produktionskode er måske den mest synlige mulighed, men eksisterende systemer, integration og driftsrisiko kan gøre det til et krævende sted at starte. Analyse, prototyper, præsentationer, forberedelse af kampagner, automatiseret test og interne værktøjer giver ofte lettere muligheder for at sætte fart på nyttigt arbejde. Start, hvor værdien er betydelig, og resultaterne kan tjekkes.

Vores team har brugt AI på tværs af discovery, design, implementering, test og kommunikation med kunderne. En AI-strategi, der kun fokuserede på udviklere, ville lade meget af den mulighed ligge urørt. At kræve, at hvert resultat bliver lavet igen af den relevante specialist, ville give meget af besparelsen direkte tilbage.

  1. Discovery
  2. Design
  3. Implementering
  4. Test
  5. Kunde­kommunikation

Så langt når en AI-strategi kun for udviklere

At bruge AI til at forbedre servicen betyder heller ikke, at selve servicen har brug for en AI-funktion. At lade en model handle direkte i kundeoplevelsen rejser løbende spørgsmål om varierende opførsel, pålidelighed, svartid og omkostninger. De beslutninger skal gøre sig fortjent til deres plads gennem værdi for kunderne.

Den bedste person til hver opgave kan skabe den langsomst mulige organisation

Faktureringsudvikleren, tekstforfatteren og interaktionsdesigneren kan hver især forbedre teamets arbejde. Det relevante spørgsmål er, om den forventede forbedring retfærdiggør forsinkelsen, givet konsekvenserne og de beviser, der allerede findes.

Organisationer gør rutinemæssigt den mest kvalificerede specialist til standardejer eller standardgodkender af hver opgave inden for specialet. Det føles ansvarligt. Det gør også knappe personer til køer, der vokser, når AI øger produktionen.

I dag · arbejdet går gennem specialisternes køer

  1. Team
  2. Udvikler på fakturering
  3. Tekstforfatter
  4. Interaktionsdesigner
  5. Arkitektur
  6. QA
  7. Support
  8. Kunde

I stedet · ét team ejer effekten

Købsteamet ejer oplevelsen, helt ud til de kommercielle resultater og driftenSpecialisternes dømmekraft er der stadig til det nye, det uklare og det, der har store konsekvenser.
Kunde

Ekspertise kan bidrage på andre måder. Udvikleren kan hjælpe med at definere grænseflader, man kan stole på, og meningsfulde tjek. Designeren kan etablere brugbare mønstre og evalueringskriterier. Tekstforfatteren kan levere eksempler, terminologi og brandregler, som agenter og teams kan anvende konsekvent.

Deres dømmekraft er stadig til rådighed i nye, uklare eller konsekvensfulde tilfælde. Deres bidrag kan nå meget længere, når det forbedrer det system, arbejdet foregår igennem.

Udvikleren

Fra at se hver ændring igennem til grænseflader og test, man kan stole på

Designeren

Fra at se hver rejse igennem til mønstre og kriterier, der kan bruges

Tekstforfatteren

Fra at godkende hvert ord til eksempler, ordvalg og brandregler

Ambitionen om at sætte “den bedste person på hver opgave” skal tage højde for kunden, der venter for enden af alle de opgaver. En marginal forbedring af hver del kan ske på bekostning af en meget dårligere samlet service.

Jeres teamstruktur hører måske til en anden økonomi

Når arbejdet på tværs af hele flowet ændrer sig, skal teamdesignet ændre sig med det.

Mange eksisterende teams afspejler den mængde specialiseret manuel produktion, der historisk var nødvendig. At bevare den sammensætning som standard forudsætter, at den underliggende økonomi er den samme.

Jeg mener, vi bør teste en bevidst provokerende hypotese: kan fem mennesker med komplementær ekspertise og stærke agentkompetencer præstere fem til tyve gange bedre end et traditionelt leveranceteam på ti personer målt på noget, der betyder noget?

Det er en ambition at undersøge, ikke en bemandingsformel. Sammensætningen afhænger af produktet, og målet skal omfatte leverede resultater, kvalitet, robusthed i driften og samlede omkostninger.

En hypotese, der skal testes

5 mennesker med forskellig ekspertise og stærke agenter
5–20×?målt på noget, der betyder noget
Et traditionelt team på 10
Måles påLeveret effektKvalitetRobust driftSamlede omkostninger

Potentialet kommer af at kombinere større eksekveringskapacitet med færre overdragelser, bredere kompetencer og hurtigere beslutninger. At fjerne mennesker og beholde det samme opsplittede arbejdsflow ville gå glip af det meste af den mulighed.

Det er her, funktionelle siloer bliver særligt dyre.

Når implementering tager uger, kan det virke acceptabelt at vente flere dage på en anden afdeling. Når implementering tager timer, dominerer den samme forsinkelse hele processen.

Implementering tager uger

ImplementeringVentetid

Implementering tager timer

Samme ventetid
Skematisk, ikke målte tal: ventetiden er den samme, mens arbejdet skrumper omkring den.

Fordelen flytter sig mod teams, der er organiseret om kundernes produkter og services, med klare resultater, mandat til at handle og ansvar for at drive det, de bygger. Kommercielt ansvar bliver meningsfuldt, når teamet kan påvirke de beslutninger, der former resultatet.

For vores team betyder det at eje købsoplevelsen hele vejen til de kommercielle og driftsmæssige resultater. Viden fra marketing, support, produkt og engineering skal indgå direkte i arbejdet. Nødvendige input fra specialister bør være tilgængelige tidligt, med klare kriterier for, hvornår en grundigere gennemgang er påkrævet. At sende færdigt arbejde frem og tilbage mellem afdelingernes køer igen og igen æder den fordel, AI skabte.

Men at fjerne de køer rejser et spørgsmål med større konsekvenser: forfølger vi den rigtige forbedring?

Jesper underviser på AI-produktleder sammen med Ulrik og Martin. Sidder I med de samme køer, så skriv til os.