Стратегическа теза 02
euphile вижда практически таван на това, което AI може да направи в разработката на софтуер при днешния работен процес. По-добрите модели все още помагат, но изходът все още трябва да остане разбираем, подлежащ на проверка, тестване, внедряване, наблюдение и работа в системи, които хората и организациите действително могат да управляват.
По-интелигентните модели ще помогнат, но текущият жизнен цикъл на софтуера създава практическо ограничение.
AI вече може да създава приложения от край до край.
Но изходът все още трябва да остане разбираем и работещ от хората.
След платото диференциацията се измества към цена, скорост и надеждност.
Започва очакван натиск върху водещите доставчици на AI.
Това е интерфейсът между генерирания от AI софтуер и жизнения цикъл на софтуера, който хората действително могат да управляват.
Какво казва тезата
Generative AI вече е силен в създаването на код. Практическият таван се появява, защото разработката на софтуер не е само генериране на код. Резултатът все още трябва да преживее човешките разсъждения, изричните софтуерни процеси и оперативната реалност.
Файлове, опции за архитектура, тестове, корекции на грешки и големи части от цели приложения вече могат да бъдат генерирани бързо. Ограничаващият фактор все повече се намира в това, което се случва след появата на кода.
Софтуерът все още трябва да бъде разбран, прегледан, версииран, изграден, пакетиран, разгърнат, наблюдаван, отстранени грешки и поддържани вътре в структурите, с които екипите действително могат да работят.
Ако резултатите все още преминават през същия жизнен цикъл, ориентиран към файловете, компилирането, прегледа и внедряването, по-интелигентните модели в крайна сметка произвеждат постепенни печалби, а не стъпкови промени.
Когато граничните способности стават по-трудни за монетизиране и бързите последователи продължават да се подобряват, конкуренцията се измества към цена, скорост, надеждност и оперативна годност.
Често срещан въпрос
Отговорът на euphile е да: GenAI ще подобри и тези задачи. Важната разлика е между използването на GenAI в текущата цифрова инфраструктура и препроектирането на цифровата инфраструктура около GenAI.
По-добри генератори, по-добри валидатори, по-добри тестови снопове, по-добри DSL, по-добри компилатори и по-добра автоматизация около SDLC всички са част от едно и също движение.
Компилаторите все още следват строги правила. Тестовете все още се нуждаят от изчисления, зависимости и среди. Артефактите все още се нуждаят от изграждане. Контейнерите все още се нуждаят от осигуряване. Работните натоварвания все още се нуждаят от планиране.
Латентността, паметта, сигурността, захранването, изчислителната мощност и цената на изводите ограничават до каква степен текущият стек може да бъде преработен просто чрез извикване на повече AI.
За да се препроектира инфраструктурата с GenAI, е необходима повече инфраструктура за GenAI. Голяма част от тази инфраструктура все още се изгражда върху текущата парадигма, а не отвъд нея.
Прозорец за възможности
Глобалният изчислителен капацитет и капацитетът на центровете за данни остават ограничени, граничните изводи остават скъпи, а общите модели все още са слаби при прецизна софтуерна работа на ниво компания. Това създава място за различна стратегия.
Вместо да плащат премия за общи гранични изводи, организациите могат да адаптират отворени модели към своите хранилища, правила на домейн и специфична за проекта софтуерна работа.
По-малки или фино настроени отворени системи могат да се изпълняват върху инфраструктура, която вече съществува, включително среди от клас работни станции и текущия фирмен хардуер.
Дори високоинтелигентните общи модели все още се борят с контекста на компанията, мълчаливите конвенции и точната структура на работата на реалния корпоративен софтуер.
Текущият прозорец не е само за по-евтини изводи. Става дума и за създаване на управлявани работни потоци, валидатори, генератори и сигурни модели на изпълнение, които остават ценни през циклите на модела.
Стратегическо значение
Гледната точка на euphile е, че следващата фаза на конкуренцията в софтуерния изкуствен интелект е малко вероятно да бъде спечелена само от интелекта на суровия модел. При днешните ограничения на работния процес по-ценните позиции вероятно ще дойдат от контекстуална специализация, детерминистични инструменти, по-ниска зависимост от токени и рентабилно изпълнение на инфраструктура, която екипите вече притежават и разбират. Това е мястото, където се намира текущият прозорец на възможностите.