Når AI skriver koden, hvem tager så ansvaret?

Det er efterhånden svært at forestille sig softwareudvikling uden AI. Udviklere bruger AI-assistenter til at skrive kode, foreslå tests, undersøge fejl og finde alternative løsninger. Arbejde, der tidligere tog timer, kan i nogle tilfælde løses på minutter.

Det er en interessant udvikling. Men den rejser også et spørgsmål, som får for lidt opmærksomhed: Hvad sker der med vores organisationer, når udviklerne pludselig kan producere kode hurtigere, end vi kan kvalitetssikre og levere den?

Vi har i mange år arbejdet med at forbedre softwareudvikling gennem kortere feedbackloops, bedre samarbejde og mindre ventetid. Nu får vi teknologi, der kan accelerere en væsentlig del af arbejdet. Men det betyder ikke automatisk, at hele leverancen bliver hurtigere.

Vi risikerer bare at flytte flaskehalsen

Forestil dig et udviklingsteam, hvor AI gør udviklerne markant hurtigere. De får afsluttet flere opgaver. Pull requests kommer hurtigere. Den tekniske backlog bevæger sig, og umiddelbart ser produktiviteten ud til at stige.

Men kode skal stadig gennem review. Der skal testes. Nogen skal tage stilling til sikkerhed, arkitektur og integrationer. Product Owner skal vurdere, om løsningen faktisk opfylder behovet. Og til sidst skal ændringerne releases og tages i brug.

Hvis disse aktiviteter ikke ændrer sig, kan resultatet blive en større kø af næsten færdigt arbejde. Når vi optimerer én aktivitet uden at forstå det samlede flow, flytter vi ofte bare ventetiden et andet sted hen.

AI gør problemstillingen mere aktuel, fordi hastighedsforskellen mellem udvikling og resten af leveranceprocessen potentielt bliver større. Derfor er det heller ikke tilstrækkeligt at spørge, hvor mange timer udviklerne sparer med AI. Vi skal også undersøge, hvad der sker med den samlede tid fra idé til en fungerende løsning i produktion.

Ansvar forsvinder ikke, fordi AI har skrevet koden

Hvem har ansvaret, når AI har bidraget væsentligt til en løsning? En udvikler kan få genereret kode, der ser fornuftig ud, og som består de eksisterende tests. Men betyder det, at løsningen er rigtig, sikker, kan vedligeholdes eller overhovedet løser det problem, forretningen har? Ikke nødvendigvis.

Derfor får vi brug for at være mere præcise omkring kvalitet og ansvar i vores udviklingsteams. Det betyder ikke, at alle AI-genererede ændringer skal igennem ekstra godkendelseslag. Så risikerer vi netop at fjerne en del af gevinsten.

Det betyder, at vi skal kunne skelne mellem ændringer, hvor automatisering og almindeligt review er tilstrækkeligt, og ændringer, hvor konsekvenserne kræver en grundigere menneskelig vurdering. En lille justering af brugergrænsefladen og en ændring i en betalingsintegration har ikke nødvendigvis samme risikoprofil. Det bør vores arbejdsform afspejle.

Måske er det organisationen, der skal udvikles

Når vi taler om at få mere værdi ud af AI, ender samtalen ofte med værktøjer, prompts og kompetenceudvikling. Det er relevante emner. Men hvis vi ønsker en reel forbedring af leveranceevnen, skal vi også se på den måde arbejdet bevæger sig gennem organisationen.

  • Hvor lang tid går der fra en ændring er udviklet, til den er i produktion?
  • Hvor meget arbejde ligger og venter på review, test eller beslutninger?
  • Hvor mange ændringer bliver sendt tilbage til udvikling?
  • Hvilke beslutninger kan teamet selv træffe, og hvilke kræver involvering af andre?
  • Har vi en fælles forståelse af, hvornår noget er færdigt?

Svarene kan vise, om AI faktisk forbedrer vores evne til at levere, eller om vi bare producerer mere arbejde, der skal håndteres senere.

Der er selvfølgelig situationer, hvor den største gevinst netop ligger i at gøre udviklingen hurtigere. Hvis udvikling er den reelle flaskehals, kan AI gøre en væsentlig forskel uden større organisatoriske ændringer. Pointen er, at vi bør undersøge det frem for at antage det.

Her kan Empiric hjælpe

Hos Empiric arbejder vi med at skabe sammenhæng mellem strategi, organisering og den måde, software faktisk bliver leveret på. Når en organisation oplever, at udviklingen går hurtigere, men leverancerne ikke følger med, vil vi typisk begynde med at undersøge, hvor arbejdet går i stå.

Med vores Diagnose ser vi på arbejdsformer, afhængigheder, beslutninger og flaskehalse. Formålet er at finde ud af, hvad der konkret begrænser leveranceevnen, så forbedringerne kan prioriteres der, hvor de gør størst forskel.

Vi arbejder også med Pulse, hvor data fra eksempelvis Jira og Azure DevOps bruges til at skabe et fælles billede af arbejdet. Det kan gøre det lettere at se gennemløbstider, ventetid og udviklingen i leveranceflowet.

Det interessante er ikke at få endnu et dashboard eller endnu en proces. Det er at få et bedre grundlag for at beslutte, hvad der faktisk skal ændres. Hvis AI gør udviklerne hurtigere, men arbejdet stadig ligger i kø i ugevis, er det sandsynligvis ikke flere AI-værktøjer, der skal være første prioritet.

Den rigtige måling er, hvad vi får leveret

AI kan blive en væsentlig forbedring af den måde, vi udvikler software på. Men vi skal passe på med at bruge den øgede kodeproduktion som bevis for, at vi også er blevet bedre til at levere.

Flere afsluttede udviklingsopgaver er ikke nødvendigvis mere forretningsværdi. Flere pull requests er ikke nødvendigvis hurtigere leverancer. Vi skal kunne se, om ændringer kommer hurtigere og mere sikkert i produktion, om kvaliteten holder, og om brugerne faktisk får gavn af løsningerne.

AI kan hjælpe os med at skrive koden hurtigere. Men det er stadig organisationen, der har ansvaret for at få værdien ud af den. Og måske er det netop organisationens evne til at levere, vi bør bruge lidt mere tid på at forbedre.

Om forfatteren

Rasmus Kaae er partner i Empiric og arbejder med organisatorisk AI Enablement, ledelse, produktudvikling og flow. Han hjælper ledere og udviklingsorganisationer med at forbinde strategi, prioritering og den måde, arbejdet bliver gennemført på.

Se Rasmus’ erfaringer og kundecases · Flere artikler af Rasmus

Scroll to Top