Habang pinabababa ng AI ang gastos sa software, kailangang baguhin ang modelo ng operasyon para magkaroon ng bentahe sa kompetisyon. Mas malamang na magtuloy-tuloy ang pakinabang sa organisasyong binabago ang paraan ng trabaho, hindi lang nagde-deploy ng AI assistant.
Dalawang kakayahan ang kailangan sa AI-native engineering: application team na malapit sa customer at problema, at platform o “harness” team na nagbibigay ng konteksto, pananggalang, pagsusuri at pamamahala para ligtas na makapagtrabaho ang maraming tao at AI agent.
Lilipat ang pamumuno sa teknolohiya mula sa pamamahala ng kapasidad tungo sa pagdisenyo ng sistema ng paghahatid. Dapat linawin ng mga lider ang apat: pananagutan ng application team, magkakasalong konteksto at kontrol, kung kailan kailangan ng agent ang pag-apruba ng tao, at pagsukat ng napatunayang pagkatuto at pakinabang sa customer.
Maraming kasalukuyang gawi sa engineering ang nabuo noong mahal pang gumawa ng software. Ang gabay na tanong noon: paano makapaghahatid ang mas maraming team ng mas maraming software sa mas mahuhulaang paraan? Ito ang humubog sa pagbubuo ng team, pagpopondo sa platform at pagsukat sa paghahatid. Madalas na pagpaparami ng tao ang pagpapalawak, at dami ng natatapos na trabaho ang sukatan ng tagumpay.
Binabago ng AI ang palagay na iyon. Para sa amin, hindi tradisyonal na engineering na may mas mahusay na tool ang AI-native engineering. Kailangan nito ng ibang modelo ng operasyon: mas maliit na application team na malapit sa problema ng customer, na suportado ng platform o “harness” team. Ang “harness” ay kontroladong environment na nagbibigay sa tao at agent ng konteksto, tool, pahintulot, feedback loop at hangganan para sa ligtas at malawakang paggamit ng AI.
Mahalaga ito sa mga lider sa teknolohiya at data: hindi sapat ang indibidwal na produktibidad para sa ligtas na paggamit sa buong organisasyon. Kung walang pinagplanuhang modelo ng operasyon, maaaring watak-watak ang tool, paulit-ulit ang pattern, malabo ang pananagutan, walang kontrol ang pagkalantad ng data at pabago-bago ang kalidad.
Dapat magbago ang tanong ng negosyo mula sa “Paano natin tutulungan ang mga engineer na gumamit ng AI?” tungo sa “Paano natin babaguhin ang sistema ng engineering para ligtas na makalikha ng pakinabang ang mga tao at agent sa buong negosyo?”
Sa AI, mas maraming ideya ang masisiyasat, mas mabilis ang paggawa ng prototype at mas maraming paraan ang masusubukan ng engineer. Pero hindi awtomatikong mas malaking pakinabang ang mas maraming output. Kung walang mahusay na pagpapasya, angkop na konteksto at epektibong pagsusuri, maaaring mas mabilis dumami ang gawa kaysa matukoy kung ano ang mapagkakatiwalaan, ide-deploy o matututuhan.
Maaaring pababain ng AI ang gastos sa pagbuo ng code at pagpapatakbo ng eksperimento. Pero nakadepende ang kabuuang gastos sa software sa kailangan pang pagsusuri, pagsasama, pagpapatakbo, pagpapanatili at muling paggawa.
Inaasahan naming higit na ibabatay ang bentahe sa engineering sa apat na kakayahan:
Pagpapasya kung ano at paano ang bubuuin, at paano itatala ang mga pasya.
Pagbibigay sa tao at AI system ng tamang kaalaman ng organisasyon bilang batayan.
Ligtas na pagpapalawak gamit ang magkakasalong platform, kontrol at pagsusuri.
Pagdisenyo ng arkitekturang kayang tumanggap ng bagong tool at component nang walang paulit-ulit na pagkaantala.
Kaya lumilipat ang mahalagang kakayahan mula sa dami tungo sa pakinabang ng output: pagpili ng tamang gawain, pagbatay sa konteksto, pagsubok kung epektibo ito at pag-alam kung ano ang hindi ilalabas.
Habang bumababa ang gastos sa eksperimento, mas nagiging mahalaga ang rekord ng desisyon. Dapat alam ng organisasyon kung ano ang sinubukan, nabigo, natutuhan at dahilan ng pagpili ng isang paraan kaysa sa iba.
Dapat unahin ng sistema ng engineering ang mabilis na pagpapatunay, ligtas na pag-uulit at dokumentadong pagkatuto, hindi lang bilis ng paghahatid. Binabago nito ang tungkulin ng engineer at ang team na kasama niya.
Hindi ito paglayo sa pagbuo, kundi higit na pagtuon sa paghubog, pagsusuri at pag-uugnay ng mga binubuo.
Kailangan pa rin ng engineer kahit AI ang bumuo ng software. Mas mahalaga ang taong nakauunawa sa limitasyon ng sistema, nagtatakda ng interface, nagdidisenyo ng pagsusuri at nag-uugnay ng gawain ng tao at agent. Madalas na mas malaki ang ambag ng engineer na may malalim na teknikal na kaalaman, mahusay na pagpapasya, pag-unawa sa produkto at kasanayan sa pagsusuri kaysa sa nakatuon lang sa indibidwal na component.
Dati, product team ang pumipili kung ano ang bubuuin at engineering team ang nagpapasya kung paano. Ngayon, pinagsasama ng maraming organisasyon ang product, design at engineering. Sa AI, nagbabago ang gawain sa loob ng team: sa mas murang prototype, kayang dalhin ang ideya mula sa pagtukoy ng problema hanggang implementasyon at pagsusuri sa iisang siklo. Mas maraming opsyon ang masusubukan, mas maagang maaalis ang mahinang ideya at mas maisusulong sa production ang napatunayang ideya.
Pabor ito sa maliliit na team na may iba't ibang kasanayan, kung saan iisa ang siklo ng pagkatuto ng mga espesyalista sa produkto, disenyo, engineering at larangan. Hindi nagiging iisang tungkulin ang pagpapasya sa produkto at teknolohiya, pero dapat mas magkalapit ang mga ito. Kailangan ng product leader ng sapat na teknikal na kaalaman para gumawa ng prototype at magsuri ng opsyon. Kailangan ng engineer ng sapat na konteksto sa customer at negosyo para hubugin ang problema, hindi lang ipatupad ang naitakdang sagot.
Tradisyonal na pangunahing yaman ng mga organisasyong pang-engineering ang code. Habang dumadali ang pagbuo ng code, mas nasa konteksto ang pangmatagalang halaga: kaalaman sa larangan at customer, karanasan sa operasyon, pag-aaring data, evaluation dataset, patakarang nababasa ng makina at kasaysayan ng desisyon sa arkitektura na nagpapaliwanag sa takbo ng sistema.
Mahalaga ang codebase dahil bahagi nito ang pinaghirapang kaalaman sa negosyo at customer. Binabago ng AI ang pagsisikap sa paggawa ng code, pero hindi nito inaalis ang pagsisikap para makamit ang kaalamang iyon. Kaya dapat mamuhunan ang organisasyon hindi lang sa dami ng code kundi sa lumalagong yaman: maayos na pinamamahalaang pag-aaring data, kapaki-pakinabang na sistema ng kaalaman, pag-unawa sa customer at malinaw na rekord ng desisyon.
Para sa CIO at CDO, nagiging sentro ng husay sa engineering ang arkitektura ng impormasyon at pamamahala ng data. Kontekstong pinapayagang ma-access at kayang maunawaan lang ang magagamit ng AI agent. Kaya ang watak-watak na kaalaman, malabong pagmamay-ari ng data at di-parehong pahintulot ay hadlang sa engineering, hindi lang problema sa pamamahala ng impormasyon.
Kapag bahagi na ng production system ang konteksto, hindi na ito maaaring manatiling dokumentasyong nakatabi lang. Nagiging kakayahan ito ng platform.
Hindi maipauubaya ang buong paghahatid ng AI sa bawat team kapag bahagi na ng production system ang konteksto, pagsusuri at pamamahala. Hindi rin ito dapat sobrang sentralisado na nalalayo ang team sa tunay na problema ng customer.
Binabalanse ng pederadong modelo ang mga pangangailangang iyon. Nananatiling malapit sa problema ang awtonomong application team, sa tulong ng shared platform at harness: magagamit muling tool, kontroladong access sa konteksto, paraan ng pagsusuri, pahintulot at pamamahala. Kailangan ng malinaw na pananagutan: application team ang may hawak ng workflow at resulta; harness team ang nagbibigay ng kakayahan para sa ligtas na pagkilos; at malaya pa rin ang pangangasiwa ng risk, security at governance team.
Application team at eksperto sa larangan ang dapat magtakda ng mga test case at pamantayan ng pagtanggap para sa gawain. Harness team ang dapat magbigay ng imprastraktura ng pagsusuri, magkakasalong kontrol at pag-uulat para sa pare-parehong pagsusuri.
Larangan | Application team | Harness team | Panganib, seguridad at pamamahala |
|---|---|---|---|
Produkto at resulta | Pumipili ng problema, workflow, karanasan ng user at sukatan ng tagumpay; responsable sa resulta para sa customer at negosyo | Nagbibigay ng magagamit muling pattern, tool at telemetry | Nagtatakda ng limitasyon kung may malaking panganib ang paggamit |
Konteksto at access | Tinutukoy ang impormasyon at pagkilos na kailangan ng workflow | Nagbibigay ng context interface, ID ng agent at pahintulot sa tool | Nag-aapruba ng access sa sensitibong data at hangganan ng kontrol |
Pagsusuri at release | Nagtatakda ng pamantayan ng pagtanggap at nagsusuri ng resulta | Nagpapanatili ng evaluation suite, audit log at aprubadong proseso ng deployment | Nag-aapruba ng paggamit na mataas ang panganib, eksepsyon at malaking pagbabago |
Pagpopondo at pananagutan | Pinopondohan at pinananagot para sa resulta ng application | Pinopondohan bilang shared capability; sinusukat sa muling paggamit, saklaw at oras hanggang ligtas na production | Responsable sa malayang pangangasiwa at mga desisyon sa kontrol |
Siklo ng gawain at pagkatuto | Paulit-ulit na nagpapahusay kasama ang mga eksperto at nagsusuri ng resulta, override at insidente | Ginagawang bagong test, kontrol at magagamit muling kakayahan ang natutuhan | Nagsusuri ng insidente at pagbabago sa napagkasunduang yugto ng pag-apruba |
Binabago rin nito ang dapat na pananaw ng lider sa laki ng team. Hindi mismo layunin ang mas maliit na team na gumagawa ng mas maraming software. Layuning ilagay ang pagpapasya ng tao kung saan pinakamalaki ang ambag nito: malapit sa problema sa application team, at sa magkakasalong kakayahang nagpapabilis sa team nang hindi nawawala ang kontrol.
Habang lumiliit ang mga application team at mas umaasa sa AI, kailangan ng organisasyon ng matatag na magkakasalong kakayahan para sa ligtas, pare-pareho at may pananagutang paghahatid.
Karaniwang nakatuon ang platform engineering sa produktibidad ng developer, at tao ang pangunahing gumagamit nito. Dapat suportahan ng AI-native platform ang mga tao at agent.
Iba ang paraan ng paggamit ng agent sa developer platform kaysa sa tao. Kailangan nito ng mga tagubilin at tool na naa-access ng makina, malinaw na pahintulot at maaasahang pagsusuri ng gawa nito. Dapat ding saklaw ng harness ang pagsubaybay, seguridad, pagsunod sa regulasyon at pamamahala ng kaalaman. Layunin nitong gawing kapaki-pakinabang ang awtonomiya sa loob ng malinaw at maipapatupad na hangganan.
Isipin ang bangkong gagamit ng workflow na may tulong ng AI para sa mga tanong tungkol sa pagtutol sa singil sa card. Limitado muna ang gawain: uriin ang kaso, kunin ang angkop na patakaran at gumawa ng draft na sagot para sa kawani ng suporta. Responsibilidad ng application team ang workflow, karanasan ng user, pamantayan sa pag-escalate at sukatan ng tagumpay. Hindi ito nagtatakda ng patakarang pangregulasyon o nagbibigay ng bagong pahintulot sa agent.
Dito, maaaring tumulong ang mga agent sa implementasyon, magpatakbo ng mga test para sa gawain at maghanda ng release. Tao pa rin ang mag-aapruba ng production deployment; ang mga resulta nito ay gagabay sa susunod na pagsusuri at pagbuo. Hiwalay ang mga kontrol sa runtime: aprubadong tool at data lang ang dapat gamitin ng support agent, ayon sa takdang pahintulot at proseso ng pag-escalate.
Konteksto: Naa-access ng agent ang kasalukuyang kaso, kailangang datos ng customer, aprubadong proseso sa produkto at reklamo, at mga tuntunin sa pag-escalate na nababasa ng makina. Hindi nito maa-access ang raw payment credentials o di-kaugnay na rekord ng customer, o masusulatan ang case-management system.
Pagsusuri: Bago ang release, dapat pumasa ang mga test mula sa kinatawang dating kaso at mga edge case na nilagyan ng label ng eksperto: wastong pag-uuri, pagsunod sa patakaran, angkop na hindi pagsagot, pagtagas ng personal na datos at pag-escalate ng reklamo o sensitibong kasong pinansyal.
Pag-apruba: Application team ang responsable sa desisyon sa produkto. Mga team sa risk, seguridad at compliance ang nag-aapruba ng data access, pagmamapa ng patakaran at proseso ng deployment. Tao ang nag-aapruba sa bawat papalabas na mensahe; wala sa awtonomiya ng agent ang desisyong may epekto sa pera o karapatan ng customer.
Rekord ng harness: Bawat run ay nagtatala ng ID ng agent, bersyon ng modelo, nakuhang konteksto at sanggunian, tinawag na tool, pagsusuri ng patakaran, resulta ng test, pag-edit o override ng tao, at insidente. Ginagawang magagamit muli ng team ang epektibong context interface, test case, template ng pahintulot at aprubadong proseso ng deployment. Nagiging bagong test at pagpapahusay sa workflow ang mga pagkabigo at override.
Maaaring bigyang-laya ang agent, pero sa aprubadong konteksto at tool lang. Bawat mahalagang hangganan ay lumilikha ng ebidensyang masusuri at magagamit muli. Tao pa rin ang responsable sa mahahalagang desisyon. Sa paglipas ng panahon, magagamit ng bangko ang mga tunay na kaso—tamang ginawa, pakikialam ng tao at pagkabigo—para pagbutihin ang workflow at magpasya kung palalawakin ang saklaw. Ganito isinasagawa ang awtonomiyang may hangganan at pagkatutong napagtibay ng ebidensya.
Makikita ang hatian na ito sa mga sistema at kontrol na pinatatakbo ng harness team. Maaaring saklaw ng harness team ang:
Pagkakakilanlan ng agent: pagbibigay ng service ID, pagtatala ng may pananagutan at environment, at pagsubaybay sa bersyon ng modelo, prompt at tool ng bawat agent.
Pahintulot sa tool: saklaw ng pagbasa at pagsulat, hangganan sa data access, rate limit, approval gate at pagtanggi bilang default sa kilos ng agent.
Context interface: paglalantad ng aprubadong kaalaman at data sa interface na may bersyon, sumusunod sa pahintulot, at malinaw ang pinagmulan at pagiging napapanahon.
Mga evaluation suite: pagpapanatili ng kinatawang halimbawa, edge case, safety at security test, regression test at pamantayan sa release.
Audit log at pagsubaybay: pagtatala ng ID ng agent, konteksto, tinawag na tool, output, pag-apruba, override ng tao, pagkabigo at insidente, na may angkop na kontrol sa retention at access.
Aprubadong deployment: paglalaan ng sandbox, shadow, staged at production na proseso, na may awtomatikong pagsusuri, rollback at kontrol sa pagbabago.
Hindi bagong pangalan ang harness team para sa lahat ng kasalukuyang tungkulin ng platform. May sariling pananagutan pa rin ang mga team sa machine-learning operations, seguridad, pamamahala at platform. Iniuugnay ng harness team ang mga kontrol sa pagbuo at pagpapatakbo ng AI workflow: pahintulot at approval gate para sa patakaran, kontroladong interface para sa konteksto, test suite para sa pagsusuri, at log para ma-audit at magamit muli ang asal ng agent.

Kung nahahati ang engineering sa paghahatid ng application at pinagsasaluhang suporta, dapat sumabay ang staffing, pamumuno at pagsukat.
Kailangan ng application team ng pagpapasyang may kaalaman sa produkto, engineering at larangan, at malapit sa problema. Kailangan ng platform at harness team ng taong makadidisenyo at makapagpapatakbo ng shared environment para sa maraming tao at agent.
Para sa CTO, CDO at CIO, hamon ang pagpili kung ano ang sentral na susuportahan at ano ang ipauubaya sa bawat team.
Kailangan ng application team ng layang kumilos nang mabilis at manatiling malapit sa customer. Hindi nila dapat buuing muli ang ligtas na data access, pagsubaybay, pagsusuri at pamamahala.
Sa AI-native na organisasyon, dapat ilipat ng mga lider ang bahagi ng pokus mula sa kapasidad tungo sa disenyo ng sistema ng paghahatid. Kabilang dito ang:
pagkuha at paglinang ng taong may mahusay na pagpapasya;
pamumuhunan sa shared AI platform, pagsusuri, pananggalang, aprubadong proseso, daloy ng kaalaman at paraan ng access;
pagtatakda ng hangganan sa operasyon ng agent, tao at pinagsamang workflow;
pagsukat sa napatunayang pagkatuto, pagiging maaasahan, epekto sa customer at ligtas na muling paggamit; at
pag-unawa sa teknolohiya para malaman kung saan tunay na binabago ng AI ang gastos at pakinabang ng paghahatid.
Sa mahusay na sistema, mas madaling makuha ang angkop na konteksto, masubukan ang gawa ng AI, magamit muli ang subok na paraan at matukoy kung kailan kailangan ang pag-apruba ng tao.
Maraming sukatan sa engineering ang binuo noong pangunahing hadlang ang paggawa ng software. May silbi pa ang velocity, story points, throughput at dalas ng deployment, pero mas limitado ang mga ito nang mag-isa habang pinadadali ng AI ang paggawa ng software.
Maaaring mas marami ang code at eksperimento ng team pero mali pa rin ang desisyon, lumilikha ng di-kailangang komplikasyon o dagdag na panganib.
Kaya hindi lang dami ng nagagawang software o lawak ng paggamit ng AI tool ang dapat alamin ng mga lider. Dapat nilang alamin kung pinabibilis ng AI ang pagkatuto, pinabubuti ang resulta para sa customer at pinatatatag ang operasyon sa takdang hangganan.
Maaaring sukatin ng application team ang:
oras hanggang sa napatunayang pagkatuto;
pagbuti ng resulta para sa customer;
naihatid na pakinabang sa negosyo;
pagtanggap at pagbabago ng gawi; at
bahagdan ng eksperimentong humahantong sa desisyong may sapat na batayan.
Saklaw ng oras hanggang sa napatunayang pagkatuto ang simula ng eksperimento hanggang sa sapat na ebidensya para magpasya. Kung Lunes nagsimula, Miyerkules nag-deploy at Biyernes nakapagpasya nang may batayan, isang linggong siklo ng pagkatuto iyon, hindi dalawang araw na paghahatid.
Maaaring sukatin ng platform at harness team ang:
muling paggamit ng aprubadong AI pattern;
saklaw at bisa ng pagsusuri;
insidente at muling paggawa kaugnay ng AI;
oras mula ideya hanggang ligtas na production;
kakayahang subaybayan ang kilos ng agent; at
kahandaan sa audit at pagsunod sa regulasyon.
Sa bawat matagumpay na resulta, dapat isama sa gastos ang paggamit ng modelo, pagsusuri ng tao, bigong pagsubok, muling paggawa at suportang operasyonal.
Kailangan pa rin ng malinaw na depinisyon, panimulang batayan at paraan ng pagsusuri ang mga sukatang ito. Hindi layuning palitan lang ang iisang scorecard para sa lahat, kundi sukatin kung maaasahan ang resulta ng sistema ng paghahatid.
Isang tugon ang application-and-harness na modelo sa kasalukuyang yugto ng AI-native engineering. Hindi ito dapat ituring na permanenteng huling anyo.
Maaaring muling baguhin ng ilang pag-unlad ang batayang yunit ng gawaing engineering:
pag-ako ng mga agent sa buong workflow;
pagiging pansamantala ng ilang software sa halip na panatilihin nang maraming taon;
paglipat ng user mula sa application interface tungo sa karanasang pinangungunahan ng agent;
pagsasama ng mas maraming kakayahan ng platform sa mga foundation na modelo; at
regulasyong ginagawang pangunahing limitasyon sa engineering ang auditability at pananagutan.
Mga posibilidad ito, hindi tiyak na resulta. Kung mangyari ang mga ito, maaaring hindi na sapat maging ang paghahati sa application at platform team.
Pinakahanda sa kawalang-katiyakang ito ang organisasyong handang iangkop ang modelo ng operasyon nito. Ibabatay nila ang organisasyon sa malinaw na prinsipyo, matibay na konteksto, limitadong awtonomiya at mabilis na pagkatuto, hindi sa nakapirming team o tool.
Hindi binabawasan ng AI ang halaga ng mga sistema sa engineering. Mas nagiging mahalaga ang mahusay na disenyo ng mga ito.
Habang bumababa ang gastos sa software, lumalamang ang organisasyong mas mahusay magpasya, magpalago ng konteksto at kumilos nang ligtas. Hindi lang paggamit ng AI tool ang AI-native engineering. Binabago nito ang sarili ayon sa mga bagong limitasyon: kalidad ng desisyon, magkakasalong konteksto, limitadong awtonomiya at mabilis na pagkatuto.
Maaaring magsimula ang mga lider sa paglilinaw ng apat na desisyon:
Aling desisyon sa customer at produkto ang dapat manatiling malapit sa application team?
Aling konteksto, kontrol at kakayahan sa pagsusuri ang dapat pagsaluhan?
Saan malayang makakikilos ang agent, at saan kailangan ang pag-apruba ng tao?
Aling sukatan ang nagpapakita ng napatunayang pagkatuto, pakinabang sa customer at ligtas na operasyon?
Mas matutukoy ng mga sagot dito ang pakinabang ng paggamit ng AI kaysa sa dami ng assistant na ide-deploy ng organisasyon.
