在AI辅助软件开发以及为什么工具不够的内部（第2部分）：约翰·亚当（John Adam）

建立用于AI集成投资的业务案例需要衡量性和可观察性。对于投资数字资产的组织，SDLC（软件开发生命周期）是通过证明可衡量的ROI开始建立该业务案例的有力候选人。

但是，仅鼓励采用AI工具是不够的。为了满足可衡量性和可观察性标准，工具需要定义框架的更广泛的上下文来增加治理（何时，何时何地和如何应用它们）。只有这样，您才能围绕可证明的ROI构建那种业务和实施案例，该案例将加速您的组织中更广泛的AI转换。

AI辅助SDLC的治理

治理是AI采用的规则手册，是产生可测量，可观察和合规的第一步。

它1。将工具的使用与法规，内部隐私政策，安全合规性和利益相关者期望以及2。为团队提供了实施AI并使其影响可见的框架。

治理框架是通过与利益相关者交谈，并彻底检查现有的基础架构，流程和合规性要求来建立的。

第一步，领导层应检查监管框架，内部政策和期望，团队可以就优先任务达成共识。

例如，在英国，大多数金融科技必须遵守的两个外部要求是UK GDPR（通用数据保护法规）和《 2018年数据保护法》，这些法规调节敏感数据（例如终端客户数据）进行代码测试，并培训诸如Cantgpt之类的开源模型。

当我们认为金融部门中有55％的企业使用主要的开源玩家的订阅版本（例如CustomGpt.ai）时，对于大多数团队来说，高优先级任务是添加数据加密是有道理的。

一旦领导人对外部法规说明，对当前SDLC的全面审核就可以深入了解AI最具影响力的位置。从那里开始，领导人同意SDLC中每个阶段的明确目标，并概述了工具使用的规则，使我们进入了AI治理的另一面：

可观察性。如果工具的影响是看不见的，则不可能验证结果并优化使用。

全公司范围内的AI治理规则手册解释了AI的“什么，如何以及何时”：使用了哪些工具，如何和何时在SDLC中。领导力还必须定义预期和方法，以衡量每个工具输出的准确性，然后才能将其添加到工作流程中。

当团队熟悉工具时，他们会慢慢验证“婴儿步骤”中的每个输出。一旦验证了工具，就将它们添加到工作流程中，并具有一系列规范其使用的规则。

例如，领导者找到了符合行业和内部法规的AI驱动的代码审查工具。为了在将其添加到SDLC之前验证其准确性，开发团队测试并验证其输出。

一旦证明是准确的，就建立了何时，何处和如何使用该工具的规则。说明将包括该工具应用于所有代码审查，并要求开发人员在批准期间提交PRS并合并AI反馈。

为了鼓励问责制，请使用RACI（负责，责任，咨询和知情）矩阵，并提高对人类与AI职责的清晰度，并通过定义谁的差距，并发现治理中的任何差距

• 负责任 – 哪个团队成员或AI工具负责完成工作？
• 负责任 – 谁对该步骤或任务的最终成功或失败负责？
• 咨询 – 谁将在项目之前和期间提供信息？
• 通知 – 究竟将告知谁更新和进度？

一旦定义了规则并实施了工具，企业也可以使用Genai来发现采用中治理方面的差距。

例如，企业可以培训AI的内部AI政策，并将其与行业标准和监管变更进行比较。或者它可以分析实施，使领导者对与政策的潜在分歧有第二意见，例如活动记录不足或缺乏人类的人类。

可测量性

如果没有明确的结果并在测量之前建立了“ AI驱动的生产力”，则缺乏可量化的性能，几乎不可能跟踪。

为了使进度可观察到，领导力必须首先定义和衡量团队当前的SDLC指标。指标发现阶段阐明了哪个阶段以及企业在多大程度上运用其大部分时间，研发和资源。

想象一下，您测量了一个完整的冲刺，发现完成需要4个月的时间，其中哪些文档将开发商的20％占用。领导力设定了一个适度的目标，可以将在文档上花费的时间使用AI辅助代码文档仅10％。

当开发人员验证所选的代码文档工具的输出时，将该工具添加到工作流中，并监视优先级指标（在这种情况下，在文档和周期时间上花费的时间）将在完整的冲刺上进行。

完成后，引用原始基准（所花费的时间的20％）进行检查，他们符合目标（将时间缩短为10％）并衡量所提供的工具的价值。

更新工具并经常发布新版本，因此继续测试和测量更新版本和新版本的影响很重要。

一致的采用

AI是另一个新工具。像任何新工具一样，它为学习和改善当前流程提供了机会。

在陌生的领域，团队自然会犹豫，有时过于谨慎。

企业可以通过为团队提供迅速图书馆，实际食谱和讲习班等资源来鼓励采用并建立信心。

鉴于学习材料和有关如何使用工具的透明指南，技术团队更容易，舒适地采用新的技术和流程，从而建立了长期使用和结果所必需的信心。

信心和所有权扩大了企业的创新文化，使团队在应用AI工具方面更加雄心勃勃。

为什么这很重要

正如我在第1部分中提到的那样，一个优先可观察性和测试结果的框架，一个大型复杂项目的平均SDLC可以在6个月内完全逼真地将30％+在不增加员工添加的情况下逼近30％+。

即使在少数几个阶段进行了适度的变化之后，我们在所有项目中都看到了至少20％的加速度。效率的确会随阶段和上下文而有所不同，这些差异将在下面简要介绍。

对ROI的影响：编码

我们使用AI驱动的代码完成，文档和解释工具将编码加速至少20％，从而释放我们的开发人员可以用来从事其他项目的全天一整天。

对ROI的影响：内部通信

Genai使复杂的代码库容易理解 – 含义团队成员可以更灵活地从事陌生项目，并减少在高度复杂的项目上花费的时间约25％。

对ROI的影响：测试

结果在测试阶段尤其有说服力 – AI工具将我们的质量检查团队的手动工作量减少了60％，并将测试覆盖率提高到70％以上。


但是AI的影响并没有在SDLC结束。查看过去的软件开发，一种用于整个组织中更广泛的AI集成的业务案例：

• 实施对公司政策和人力资源材料培训的Genai模型，以减少手动入门工作。
• 在内部和面向客户的会议上添加AI致者，以巩固通讯并最大程度地减少重复性。
• 检查消息传递和输出以统一跨营销和销售等团队的消息传递，甚至充当两个团队的单数数据库，同时最大程度地减少手册概述。

这些都是相对较低的复杂性项目。在金融科技中，围绕KYC和反洗钱的合规领域的自动化迅速成为标准。几乎每个企业都将能够确定其流程的一部分，从LLM到计算机愿景，AI的应用可以提供足够的改进或效率，以建立业务案例。

可以扩展SDLC的强大框架，以指导AI集成这些用例。

总之

像我在此处提到的结果一样，结果可以迅速将AI实施到SDLC及其他地区。

但是，AI实际影响生产率的程度，KPI和ROI并不依赖于工具本身，而是框架领导层建立和执行以指导

• 治理；包括法规，隐私政策和可观察性规则。
• 可衡量性；包括跟踪使用工具何时何地以及“在AI之前和之后”的指标，这些指标可量化影响。
• 采用;包括提供说明，资源和清晰的期望，以帮助团队得到良好的信息。

在我们目前，即使是在强大的框架中基于的少数工具也可以将软件开发项目加速至少20％。但是平均而言，加速度更像30％+

值得一提的是，在不久的将来，AI将使AI成为可能，并鼓励团队立即采取行动，并花费时间和精力来建立所需的坚实基础，以利用有效且没有不必要的延迟的潜在潜在的基础。