Driftsmodellen for utvikling med AI som fundament

Programvare blir billigere å lage. Fordelen går til organisasjoner som tar bedre beslutninger og validerer resultater trygt.

Oppsummert for ledere

  • Når AI gjør programvare billigere å lage, kreves en endret driftsmodell for å oppnå konkurransefortrinn. Organisasjoner som endrer hvordan teamene jobber, fremfor bare å innføre AI-assistenter, har større sjanse for å oppnå varige gevinster.

  • Utvikling med AI som fundament krever to utfyllende funksjoner: applikasjonsteam tett på kunder og problemer, og plattform- eller «rammeverksteam» som gir mennesker og AI-agenter felles kontekst, sikkerhetsrammer, evalueringer og styring for trygg drift i stor skala.

  • Teknologiledelse går fra å styre leveransekapasiteten til å utforme leveransesystemet. Ledere bør tydelig avklare fire ting: hva applikasjonsteam har ansvar for, hvilken kontekst og hvilke kontroller som deles, hvor agenter trenger menneskelig godkjenning, og hvordan validert læring og kundeverdi skal måles.

Den gamle modellen så implementeringskapasitet som den viktigste flaskehalsen

Mye av dagens utviklingspraksis ble til i en verden der programvare var dyrt å lage. Det førende spørsmålet var: Hvordan kan flere team levere mer programvare, mer forutsigbart? Denne forutsetningen formet hvordan organisasjoner satte sammen team, finansierte plattformer og målte leveranser. Skalering betydde ofte flere ansatte, mens suksess gjerne ble målt i hvor mye arbeid som gikk gjennom systemet.

AI endrer denne forutsetningen. Vi mener at utvikling med AI som fundament ikke er tradisjonell utvikling med bedre verktøy. Det krever en annen driftsmodell: mindre applikasjonsteam tett på kundenes problemer, støttet av plattform- eller «rammeverksteam». Vi bruker «rammeverk» om det kontrollerte driftsmiljøet som gir mennesker og agenter konteksten, verktøyene, tillatelsene, tilbakemeldingssløyfene og grensene de trenger for å bruke AI trygt i stor skala.

Dette er viktig for teknologi- og dataledere fordi individuelle produktivitetsgevinster alene ikke sikrer trygg innføring i hele organisasjonen. Uten en gjennomtenkt driftsmodell risikerer teamene fragmenterte verktøy, dupliserte mønstre, uklart ansvar, ukontrollert dataeksponering og ujevn kvalitet.

Virksomheter må endre spørsmålet de stiller seg, fra «Hvordan hjelper vi utviklere med å bruke AI?» til «Hvordan bør vi omforme utviklingssystemet slik at mennesker og agenter kan skape verdi trygt i hele virksomheten?»

Når produksjonen blir billigere, blir beslutningene viktigere

AI lar utviklere utforske flere ideer, lage prototyper raskere og teste flere tilnærminger. Mer produksjon gir likevel ikke automatisk mer verdi. Uten god vurderingsevne, relevant kontekst og effektiv evaluering kan arbeidsmengden vokse raskere enn organisasjonens evne til å avgjøre hva den kan stole på, produksjonssette eller lære av.

AI kan gjøre det billigere å generere kode og kjøre eksperimenter. Om totalkostnaden for programvaren synker, avhenger av arbeidet som fortsatt kreves for å gjennomgå, integrere, drifte, vedlikeholde og omarbeide den.

Vi forventer at utviklingsfortrinn i økende grad vil avhenge av fire evner:

  • Avgjøre hva som skal bygges, hvordan det skal bygges, og hvordan valgene dokumenteres.

  • Forankre mennesker og AI-systemer i riktig organisasjonskunnskap.

  • Skalere trygt gjennom felles plattformer, kontroller og evaluering.

  • Utforme arkitekturer som kan innlemme nye verktøy og komponenter uten stadige forstyrrelser.

Knappheten flyttes dermed fra evnen til å produsere til evnen til å få mer verdi ut av arbeidet: velge riktige oppgaver, forankre dem i kontekst, teste om løsningene fungerer og vite hva som ikke bør lanseres.

Når eksperimentering blir billigere, blir også beslutningsdokumentasjon mer verdifull. Organisasjoner må vite hva som ble forsøkt, hva som feilet, hva de lærte, og hvorfor én retning ble valgt fremfor en annen.

Utviklingssystemer bør optimaliseres for rask validering, trygg iterasjon og dokumentert læring, ikke bare leveransehastighet. Dette endrer både utviklerens rolle og teamet rundt.

Utviklere koordinerer mer av systemet

For utviklere handler dette mindre om å slutte å bygge og mer om å forme, evaluere og koordinere det som bygges.

AI-generert programvare fjerner ikke behovet for utviklere. Det øker betydningen av folk som forstår systembegrensninger, definerer grensesnitt, utformer evalueringer og koordinerer arbeidet mellom mennesker og agenter. Utviklere som kombinerer teknisk dybde med vurderingsevne, produktforståelse og evalueringskompetanse, vil ofte skape mer verdi enn dem som bare implementerer enkeltkomponenter.

AI styrker læringssløyfen mellom produkt og utvikling

Tidligere bestemte produktteam hva som skulle bygges, mens utviklingsteam fant ut hvordan. I dag samler mange organisasjoner produkt, design og utvikling. Endringen AI gir, skjer innad i teamet: Billigere prototyper lar ideer gå fra problemformulering til implementering og evaluering i samme syklus. Team kan teste flere alternativer, forkaste svake ideer tidligere og føre validerte ideer videre til produksjon.

Dette favoriserer små, tverrfaglige team der produkt-, design-, utviklings- og domenespesialister jobber i én læringssløyfe. Produktfaglige og tekniske vurderinger smelter ikke sammen til én rolle, men må knyttes tettere sammen. Produktledere trenger nok teknisk innsikt til å lage prototyper og evaluere alternativer. Utviklere trenger nok kunde- og forretningskontekst til å forme problemet, ikke bare implementere et forhåndsdefinert svar.

Organisasjonskontekst blir en strategisk ressurs

Utviklingsorganisasjoner har tradisjonelt sett på kode som en av sine viktigste ressurser. Når kode blir enklere å generere, ligger mer av den varige verdien i konteksten bak: domenekunnskap, kundeforståelse, driftserfaring, proprietære data, evalueringsdatasett, maskinlesbare retningslinjer og historikken over arkitekturbeslutninger som forklarer hvorfor systemene fungerer som de gjør.

Kodebaser er viktige blant annet fordi de rommer dyrekjøpt forretnings- og kundekunnskap. AI endrer innsatsen som kreves for å lage kode, men fjerner ikke arbeidet med å tilegne seg denne kunnskapen. Organisasjoner bør derfor se utover kodemengde og investere i ressurser med voksende verdi: godt forvaltede proprietære data, anvendelige kunnskapssystemer, dyp kundeforståelse og tydelig beslutningsdokumentasjon.

For IT- og datadirektører gjør dette informasjonsarkitektur og datastyring avgjørende for utviklingsresultatene. AI-agenter kan bare bruke kontekst de har tilgang til og klarer å tolke. Fragmentert kunnskap, uklart dataeierskap og inkonsistente tillatelser blir derfor utviklingshindre, ikke bare problemer med informasjonsforvaltningen.

Når kontekst blir en del av produksjonssystemet, kan den ikke forbli passiv dokumentasjon. Den blir en plattformfunksjon.

Fordel AI-leveransene: lokale team, felles sikkerhetsrammer

AI-leveranser kan ikke overlates helt til enkeltteam når kontekst, evaluering og styring blir en del av produksjonssystemet. De bør heller ikke sentraliseres så mye at teamene mister kontakten med reelle kundeproblemer.

En føderert modell balanserer disse behovene. Selvstendige applikasjonsteam forblir tett på problemet, støttet av felles plattform- og rammeverksfunksjoner som gir gjenbrukbare verktøy, kontrollert konteksttilgang, evalueringsmønstre, tillatelser og styring. En føderert modell fungerer bare med tydelig ansvar: Applikasjonsteam eier arbeidsflyten og resultatet; rammeverksteam gir fellesfunksjoner for trygg fremdrift; og risiko-, sikkerhets- og styringsfunksjonene beholder uavhengig tilsyn.

Applikasjonsteam og domeneeksperter bør definere oppgavespesifikke evalueringstilfeller og akseptkrav. Rammeverksteamet bør levere infrastrukturen, felleskontrollene og rapporteringen som trengs for å gjennomføre evalueringene konsekvent.

Område

Applikasjonsteam

Rammeverksteam

Risiko, sikkerhet og styring

Produkt og resultat

Velger problem, arbeidsflyt, brukeropplevelse og suksessmål; har ansvar for kunde- og forretningsresultatet

Tilbyr gjenbrukbare mønstre, verktøy og telemetri

Setter grenser der bruksområdet medfører vesentlig risiko

Kontekst og tilgang

Angir informasjonen og handlingene arbeidsflyten trenger

Tilbyr kontekstgrensesnitt, agentidentitet og verktøytillatelser

Godkjenner tilgang til sensitive data og grenser for kontroll

Evaluering og utgivelse

Definerer akseptkriterier og gjennomgår resultater

Vedlikeholder evalueringssett, revisjonslogger og godkjente utrullingsløp

Godkjenner høyrisikobruk, unntak og vesentlige endringer

Finansiering og ansvar

Finansieres og holdes ansvarlig for applikasjonens resultater

Finansieres som en fellesfunksjon og måles på gjenbruk, dekning og tid til trygg produksjon

Har ansvar for uavhengig tilsyn og kontrollbeslutninger

Arbeidsrytme og læring

Itererer med domeneeksperter og gjennomgår resultater, overstyringer og hendelser

Omsetter læring til nye tester, kontroller og gjenbrukbare funksjoner

Gjennomgår hendelser og endringer ved avtalte godkjenningspunkter

Dette endrer også hvordan ledere bør tenke om teamstørrelse. Mindre team som lager mer programvare, er ikke et mål i seg selv. Målet er å bruke menneskelig vurderingsevne der den skaper mest verdi: tett på problemet i applikasjonsteamene og i fellesfunksjonene som lar dem jobbe raskt uten å miste kontrollen.

Plattformen blir et rammeverk for mennesker og agenter

Når applikasjonsteam blir mindre og får mer AI-støtte, trenger organisasjoner sterkere fellesfunksjoner for å sikre trygge, konsistente leveranser med tydelig ansvar.

Tradisjonell plattformutvikling har særlig handlet om å øke utviklernes produktivitet, med mennesker som hovedbrukere. En plattform med AI som fundament må støtte både mennesker og agenter.

En agent bruker ikke en utviklerplattform på samme måte som et menneske. Den trenger maskintilgjengelige instrukser og verktøy, uttrykkelige tillatelser og pålitelige måter å evaluere arbeidet på. Rammeverket må også ivareta observerbarhet, sikkerhet, regeletterlevelse og kunnskapsforvaltning. Formålet er å gjøre autonomi nyttig innenfor klare grenser som kan håndheves.

Et konkret eksempel: AI-støttet kundeservice i en regulert bank

Tenk på en bank som innfører en AI-støttet arbeidsflyt for kortreklamasjoner. Applikasjonsteamet starter med en avgrenset oppgave: klassifisere saken, hente gjeldende retningslinjer og lage et svarutkast til en kundebehandler. Teamet har ansvar for arbeidsflyten, brukeropplevelsen, eskaleringstersklene og suksessmålene. Det fastsetter ikke regulatoriske retningslinjer eller gir agenten nye tillatelser.

Her kan agenter bistå med implementering, kjøre oppgavespesifikke tester og klargjøre en utgivelse. Mennesker godkjenner fortsatt produksjonssetting, mens resultatene fra drift danner grunnlag for videre evaluering og utvikling. Kontrollene under kjøring er separate: En kundeserviceagent skal bare bruke godkjente verktøy og data, innenfor fastsatte tillatelser og eskaleringsrutiner.

  • Kontekst: Agenten har tilgang til den aktuelle saken, nødvendige kundefelter, godkjente produkt- og klageprosedyrer og maskinlesbare eskaleringsregler. Den har ikke tilgang til ubeskyttede betalingsopplysninger eller uvedkommende kundeposter, og kan ikke skrive til saksbehandlingssystemet.

  • Evaluering: Før utgivelse må et testsett med representative historiske saker og ekspertmerkede grensetilfeller bestå kontroller av klassifisering, regeletterlevelse, når agenten bør avstå fra å svare, persondatalekkasje og eskalering av klager eller økonomisk sensitive saker.

  • Godkjenning: Applikasjonsteamet har ansvar for produktbeslutning. Risiko-, sikkerhets- og etterlevelsesfunksjoner godtar datatilgang, kobling til retningslinjer og utrullingsløp. Kundebehandler godkjenner utgående meldinger. Beslutninger som påvirker kundens penger eller rettigheter er utenfor agentens autonomi.

  • Rammeverkslogg: Hver kjøring registrerer agentidentitet, modellversjon, innhentet kontekst og kilder, verktøykall, regelkontroller, evalueringsresultater, menneskelige endringer eller overstyringer og hendelser. Teamet gjør det som fungerer, til gjenbrukbare kontekstgrensesnitt, evalueringstilfeller, tillatelsesmaler og godkjente utrullingsløp. Feil og overstyringer blir til nye tester og forbedringer i arbeidsflyten.

Slik får agenten handlingsrom, men bare gjennom godkjent kontekst og verktøy. Hver viktig grense gir dokumentasjon som kan gjennomgås og gjenbrukes. Mennesker har fortsatt ansvaret for viktige beslutninger. Over tid kan banken bruke reelle saker – der agenten lyktes, mennesker grep inn eller agenten feilet – til å forbedre arbeidsflyten og vurdere et utvidet mandat. Det er avgrenset autonomi og validert læring i praksis.

Denne ansvarsdelingen gjenspeiles i systemene og kontrollene rammeverksteamet drifter. Rammeverksteam kan ha ansvar for:

  • Agentidentitet: utstede tjenesteidentiteter, registrere eierskap og miljø og spore versjonene av modell, prompt og verktøy hver agent bruker.

  • Verktøytillatelser: angi lese- og skriverettigheter, datatilgang, frekvensgrenser, godkjenningspunkter og regler som avviser agenthandlinger som standard.

  • Kontekstgrensesnitt: tilby godkjent kunnskap og data via versjonerte grensesnitt som håndhever tillatelser og viser opphav og aktualitet.

  • Evalueringssett: vedlikeholde representative eksempler, grensetilfeller, trygghets- og sikkerhetstester, regresjonstester og utgivelsesterskler.

  • Revisjonslogger og observerbarhet: registrere agentidentitet, innhentet kontekst, verktøykall, utdata, godkjenninger, menneskelige overstyringer, feil og hendelser, med egnet lagringstid og tilgangskontroll.

  • Godkjente utrullingsløp: tilby sandkasse, skyggedrift, trinnvis utrulling og produksjon med automatiske kontroller, tilbakeføring og endringskontroll.

Rammeverksteam er ikke et nytt navn på alle eksisterende plattformfunksjoner. Team for maskinlæringsdrift, sikkerhet, styring og plattform har fortsatt egne ansvarsområder. Rammeverksteamet knytter kontrollene til hvordan applikasjonsteam bygger og drifter AI-arbeidsflyter: tillatelser og godkjenninger for retningslinjer, styrte kontekstgrensesnitt, evalueringssett og logger som gjør agentatferd etterprøvbar og gjenbrukbar.

Diagram over driftsmodellen for utvikling med AI som fundament, der applikasjonsteam støttes av en felles plattform og et felles rammeverk.

Bemanning, ledelse og måltall må endres

Når utviklingsarbeidet deles i applikasjonsleveranser og felles tilrettelegging, må bemanning, ledelse og måling følge etter.

Applikasjonsteam trenger produktfaglig, teknisk og domenefaglig vurderingsevne tett på problemet. Plattform- og rammeverksteam trenger folk som kan utforme og drifte fellesmiljøet som støtter mennesker og agenter i stor skala.

Teknologiledere blir arkitekter for leveransesystemet

For teknologi-, data- og IT-direktører er utfordringen å avgjøre hva som skal tilrettelegges sentralt og hva team skal håndtere selv.

Applikasjonsteam trenger frihet til å jobbe raskt og tett på kundene. De skal slippe å bygge opp sikker datatilgang, observerbarhet, evaluering og styring på nytt.

I en organisasjon med AI i kjernen må teknologiledere flytte noe av oppmerksomheten fra å styre leveransekapasiteten til å utforme leveransesystemet. Det innebærer å:

  • rekruttere og utvikle folk med god vurdering og beslutningskvalitet;

  • investere i felles AI-plattformer, evalueringer, sikkerhetsrammer, godkjente løp, kunnskapsflyt og tilgangsmønstre;

  • sette handlingsgrenser for agenter, mennesker og kombinerte arbeidsflyter;

  • måle validert læring, pålitelighet, effekt for kundene og trygg gjenbruk; og

  • følge teknologien tett nok til å forstå hvor AI faktisk endrer leveranseøkonomien.

Et godt utformet system gjør det enklere å finne relevant kontekst, teste AI-generert arbeid, gjenbruke velprøvde mønstre og se hvor menneskelig godkjenning fortsatt trengs.

Dagens utviklingsmåltall viser bare deler av bildet

Mange utviklingsmåltall stammer fra en tid da programvareproduksjon var en viktig flaskehals. Hastighet, historiepoeng, gjennomstrømming og utrullingsfrekvens gir fortsatt nyttige driftssignaler, men sier mindre alene når AI reduserer arbeidet med å lage programvare.

Et team kan lage mer kode og kjøre flere eksperimenter, men likevel ta dårlige beslutninger, skape unødig kompleksitet eller øke risikoen.

Teknologiledere må derfor spørre om mer enn hvor mye programvare som lages, eller hvor utbredt bruken av AI-verktøy er. De må forstå om AI hjelper organisasjonen å lære raskere, skape bedre resultater for kundene og sikre pålitelig drift innenfor avtalte rammer.

For applikasjonsteam kan nyttige mål være:

  • tid til validert læring;

  • bedre resultater for kundene;

  • levert forretningsverdi;

  • ibruktaking og atferdsendring; og

  • andelen eksperimenter som fører til underbygde beslutninger.

Tid til validert læring bør dekke hele perioden fra et eksperiment starter til det finnes nok dokumentasjon til å ta en beslutning. Et team som starter mandag, produksjonssetter onsdag og tar en underbygd beslutning fredag, har en læringssyklus på én uke, ikke en leveransesyklus på to dager.

For plattform- og rammeverksteam kan nyttige mål være:

  • gjenbruk av godtatte AI-mønstre;

  • evalueringenes dekning og effekt;

  • AI-relatert hendelse og omarbeid;

  • tid fra idé til trygg produksjon;

  • observerbarhet av agenthandlinger; og

  • klar for revisjon og etterlevelse

Tilknyttede kostnadsmål bør omfatte modellbruk, menneskelig gjennomgang, mislykkede forsøk, omarbeiding og driftsstøtte per vellykket resultat.

Disse målene krever fortsatt klare definisjoner, referanseverdier og evalueringsmetoder. Målet er ikke å bytte ut ett universelt målekort med et annet, men å måle om leveransesystemet gir pålitelige resultater.

Modellen kan også være midlertidig

Modellen med applikasjons- og rammeverksteam er ett svar på dagens fase av AI-nativ utvikling. Den bør ikke betraktes som en permanent sluttilstand.

Flere utviklingstrekk kan igjen endre grunnenheten i utviklingsarbeidet:

  • agenter tar ansvar for hele arbeidsflyter;

  • noe programvare blir midlertidig fremfor å vedlikeholdes i årevis;

  • brukere går fra applikasjonsgrensesnitt til agentstyrte opplevelser;

  • grunnmodeller overtar flere plattformfunksjoner; og

  • regulering gjør revisjon og ansvarlighet til de viktigste rammebetingelsene for utvikling.

Dette er muligheter, ikke sikre utfall. Hvis de blir virkelighet, kan selv skillet mellom applikasjons- og plattformteam bli for snevert.

Organisasjonene som er best rustet for usikkerheten, vil behandle driftsmodellen som tilpasningsdyktig. De vil organisere seg rundt klare prinsipper, solid kontekst, avgrenset autonomi og rask læring fremfor faste teamstrukturer eller verktøyvalg.

Pålitelig fremgang er den nye standarden for fremragende utvikling

AI gjør ikke utviklingssystemer mindre viktige. Det øker verdien av å utforme dem godt.

Når programvare blir billigere å lage, går fordelen til organisasjoner som tar bedre beslutninger, bygger videre på nyttig kontekst og driver trygt. En utviklingspraksis med AI som fundament handler ikke bare om å bruke AI-verktøy. Den omformes rundt nye rammebetingelser: beslutningskvalitet, felles kontekst, avgrenset autonomi og rask læring.

Teknologiledere kan starte med fire tydelige avklaringer:

  1. Hvilke kunde- og produktbeslutninger må fortsatt tas tett på applikasjonsteamene?

  2. Hvilken kontekst og hvilke kontroller og evalueringsressurser bør deles?

  3. Hvor kan agenter handle selvstendig, og hvor kreves menneskelig godkjenning?

  4. Hvilke mål dokumenterer validert læring, kundeverdi og trygg drift?

Svarene vil bety mer for verdien av AI-innføringen enn antallet assistenter organisasjonen tar i bruk.

Authors

Abbie Manning, Saurabh Singh