אריה עמית | יועץ אסטרטגי, חבר נשיאות הלשכה
מקור: Mckinsey Digital
מחקר של מקינזי מראה שמפתחי תוכנה יכולים לבצע משימות קידוד עד פי שניים מהר יותר בעזרת AI גנרטיבי. במחקר הוטלו על המפתחים כמה משימות ממגוון פעילויות שצוותי תוכנה עושים באופן קבוע כמו: פיתוח קוד ל micro services כדי לשפר את התחזוקה והשימוש החוזר, בניית פונקציונליות לאפליקציה חדשה כדי להעלות את חווית הלקוח, ותיעוד קוד כך ששינויים עתידיים יהיו קלים יותר.
על משימות אלו, המחקר מוצא שכלים המבוססים על בינה מלאכותית המאפשרים רווחי פרודוקטיביות אדירים בארבעה תחומים מרכזיים:
זירוז עבודה ידנית החוזרת על עצמה - AI גנרטיבי יכול להתמודד עם משימות שגרתיות כגון מילוי אוטומטי של פונקציות סטנדרטיות המשמשות בקידוד, השלמת הצהרות קידוד שהמפתח מקליד ותיעוד פונקציונליות הקוד בפורמט סטנדרטי נתון, בהתבסס על הנחיה של המפתח. בכך, כלים אלה יכולים לשחרר מפתחים לפתרון אתגרים עסקיים מורכבים יותר ןלניהול מסלול מהיר של יכולות תוכנה חדשות.
מאיצה את הטיוטה הראשונה של קוד חדש - כאשר מתכנתים מתמודדים מול מסך ריק, מפתחים עם כלים המבוססים על בינה מלאכותית יכולים לבקש הצעות על ידי הזנת הנחיה בחלון נפרד או בתוך סביבת הפיתוח שבה הם משתמשים, כדי לפתח תוכנה. מפתחים שעשו זאת דיווחו שהכלים המבוססים על בינה מלאכותית סיפקו הצעות קוד מועילות שאפשרו להם להתניע את הפיתוח מהר יותר. הכלים מאפשרים למפתחים להיכנס ל"מסלול הכתיבה השוטף" מוקדם יותר.
האצת עדכונים לקוד קיים - המשתתפים דיווחו שכאשר הם משתמשים בכלים אלה עם הנחיה נכונה, הם יכולים לבצע שינויים רבים יותר ומהירים יותר בקוד הקיים. לדוגמה, כדי להשקיע פחות זמן בהתאמת קוד מספריית קוד פתוח ושיפור קוד כתוב מראש, מפתחים היו מעתיקים ומדביקים אותו בהנחיה ומגישים שאילתות איטרטיביות המבקשות שהכלי יתאים בהתאם לקריטריונים שהם סיפקו.
הגדלת היכולת של מפתחים להתמודד עם אתגרים חדשים - בעוד שהחיסכון בזמן למפתחים עם כלים המבוססים על בינה מלאכותית היה צנוע יותר עבור משימות מורכבות, המחקר מצא שהטכנולוגיה יכולה לעזור למפתחים להתעדכן במהירות בבסיס קוד, שפה או מסגרת לא מוכרים הדרושים כדי לבצע את העבודה. יתרה מזאת, כאשר מפתחים עומדים בפני אתגר חדש, הם יכולים לפנות לכלים הללו כדי שיספקו את העזרה שהם היו מבקשים אחרת מעמית מנוסה - למשל, הסבר מושגים חדשים, סינתזה של מידע (למשל, על ידי השוואה וניגוד של קוד ממאגרים שונים), ומתן הדרכה שלב אחר שלב כיצד להשתמש במסגרת כדי שיוכלו לעשות את העבודה.
טכנולוגיית AI גנרטיבית יכולה לעשות הרבה, אבל המחקר מצביע על כך שהכלים טובים בהתאם לכישורים של המפתחים המשתמשים בהם. המשוב של המשתתפים זיהה שלושה תחומים שבהם פיקוח ומעורבות אנושיים היו חיוניים:
בדיקת קוד לאיתור באגים ושגיאות - משתתפי המחקר דיווחו שלעתים, כלים המבוססים על בינה מלאכותית מספקים המלצות קידוד שגויות ואף הציגו שגיאות בקוד.
תרומה של הקשר ארגוני - בעוד שכלים המבוססים על AI מחוללים קוד מהמדף יודעים הרבה על קידוד, אך, הם לא מכירים את הצרכים הספציפיים של פרויקט וארגון נתון. ידע כזה הוא חיוני בעת קידוד כדי להבטיח שמוצר התוכנה הסופי יכול להשתלב בצורה חלקה עם יישומים אחרים, לעמוד בדרישות הביצועים והאבטחה של החברה, ובסופו של דבר לפתור את צרכי משתמש הקצה.
ניווט בדרישות קידוד מסובכות - המשוב של המשתתפים גם מצביע על כך שכלים המבוססים על בינה מלאכותית מתאימים יותר למתן מענה להנחיות פשוטות, כמו אופטימיזציה של קטע קוד, מאשר כלים מסובכים, כמו שילוב מסגרות מרובות עם לוגיקת קוד שונה.
בהתחשב בממצאים אלו, מה יכולים מנהלי טכנולוגיה לעשות כדי לתרגם את החיסכון בזמן ושיפורי האיכות הללו לרווחי פרודוקטיביות אמיתיים תוך מזעור הסיכון בעת שימוש בבינה מלאכותית בפיתוח תוכנה?
הניסיון של משתתפי המחקר מציע להתחיל מארבע סדרי עדיפויות:
· פיתוח מיומנויות למפתחים ע"י הדרכה ואימון בינה מלאכותית - ההכשרה הראשונית צריכה לכלול שיטות עבודה מומלצות ותרגילים מעשיים להזנת הנחיות בשפה טבעית לתוך הכלים. בנוסף, ההדרכה צריכה לצייד את המפתחים בסקירה כללית של סיכוני בינה מלאכותית, כולל כל נושא פרטיות נתונים או קניין רוחני ספציפיים לתעשייה ושיטות עבודה מומלצות בבדיקת קוד בסיוע בינה מלאכותית עבור עיצוב, פונקציונליות, מורכבות, תקני קידוד ואיכות, כולל איך להבחין בהמלצות טובות לעומת רעות מהכלים.
· מעקב אחר מקרי שימוש מתקדמים - פריסת מקרי שימוש חדשים מצריכה הערכה מדוקדקת של כלי עבודה, שכן שלל של כלי בינה מלאכותית גנרטיביים מגיעים לשוק וכלים שונים מצטיינים בתחומים שונים. המחקר מראה ששימוש במספר כלים יכול להיות יתרון יותר מאשר רק אחד.
· תכנון המשימות - ככל שהפרודוקטיביות של המפתחים תגדל, מנהלים יצטרכו להיות מוכנים להעביר את הצוות למשימות בעלות ערך גבוה יותר. התבססות על פרודוקטיביות ולאחר מכן מדידה מתמשכת של שיפור יכולים לחשוף יכולת חדשה כשהיא מופיעה ברחבי הארגון. מנהלים צריכים לשקול כיצד להשתמש ביכולת הנוספת שלהם ואיזו העלאת מיומנויות נדרשת כדי לסגור פערי מיומנויות שעלולים להופיע.
· מיומנויות וניהול סיכונים - נתונים חדשים, קניין רוחני וסיכונים רגולטוריים צצים יחד עם הכלים המבוססים על בינה מלאכותית. על המנהלים לשקול סיכונים פוטנציאליים כגון: פרטיות נתונים ואבטחת צד שלישי, בעיות אתיקה ומוניטין שעלולות לנבוע משימוש בקטע קוד המוגן בזכויות יוצרים על ידי ישות אחרת, פרצות אבטחה שעלולות לצוץ בקוד שנוצר בינה מלאכותית ולהעמיד מערכות (ואת הארגון) בסיכון ועוד.
לסיכום, AI גנרטיבי יכול לשנות את פיתוח התוכנה באופן ששום כלים או שיפור תהליכים אחר לא עשו. באמצעות כלים מבוססי בינה מלאכותית, מפתחים יכולים לבצע משימות עד פי שניים מהר יותר - וזו רק ההתחלה. ככל שהטכנולוגיה מתפתחת ומשולבת בצורה חלקה בתוך כלים לאורך מחזור החיים של פיתוח התוכנה, היא צפויה לשפר עוד יותר את המהירות ואף את האיכות של תהליך הפיתוח. אבל כפי שמראה המחקר, כלי עבודה לבדו לא מספיק כדי לנצל את מלוא הפוטנציאל של הטכנולוגיה. גישה מובנית הכוללת הכשרה ואימון בבינה מלאכותית, בחירת מקרה שימוש, כישורי כוח אדם ובקרות סיכונים יכולה להניח בסיס איתן לארגונים לממש את ההבטחה של AI גנרטיבי לפרודוקטיביות יוצאת דופן וחדשנות תוכנה שאין שני לה.
