Generování kódu již není celé úzké místo
Již nyní lze rychle generovat soubory, možnosti architektury, testy, opravy chyb a velké části celých aplikací. Omezující faktor stále více spočívá v tom, co se stane poté, co se kód objeví.
Zpět ke strategickým tezím
Strategická teze 02
AI ve vývoji softwaru má svůj strop
euphile vidí praktický strop toho, co umělá inteligence dokáže při vývoji softwaru v rámci dnešního pracovního postupu. Lepší modely stále pomáhají, ale výstup stále musí zůstat srozumitelný, auditovatelný, testovatelný, nasaditelný, monitorovatelný a provozuschopný uvnitř systémů, které mohou lidé a organizace skutečně spravovat.
AI ve vývoji softwaru má a Stropní
Chytřejší modely pomohou, ale současný životní cyklus softwaru vytváří praktický limit.
Přepněte řadu a umístěte kurzor na graf.
Strop stanovený dnešním softwarovým pracovním postupem
Lidské porozumění, auditovatelnost, soubory, sestavení, testy, balení, nasazení, monitorování a údržba.
1
Umělá inteligence již dokáže vytvářet aplikace typu end-to-end.
2
Výstup však stále musí zůstat srozumitelný a ovladatelný lidmi.
3
Po plató se diferenciace posouvá směrem k ceně, rychlosti a spolehlivosti.
Začíná odhadovaný tlak na přední poskytovatele umělé inteligence.
!
Úzkým místem již není pouze inteligence modelu.
Je to rozhraní mezi softwarem generovaným AI a životním cyklem softwaru, který mohou lidé skutečně spravovat.
Co říká diplomová práce
Lepší modely stále pomáhají, ale dnešní životní cyklus softwaru komprimuje výhody.
Generativní umělá inteligence je již při vytváření kódu silná. Praktický strop se objevuje, protože vývoj softwaru není pouze generování kódu. Výstup stále musí přežít lidské uvažování, explicitní softwarové procesy a provozní realitu.
Životní cyklus ukládá strop
Software je stále třeba chápat, kontrolovat, verzovat, sestavovat, balit, nasazovat, monitorovat, ladit a udržovat uvnitř struktur, které mohou týmy skutečně fungovat.
Mezní inteligenční zisky se nakonec zkomprimují
Pokud výstupy stále procházejí stejným životním cyklem zaměřeným na soubory, sestavení, revize a nasazení, chytřejší modely nakonec přinesou spíše přírůstkové zisky než skokové změny.
Tlak Rudého oceánu dorazí dříve
Když je obtížnější zpeněžit hraniční schopnosti a rychlí následovníci se neustále zlepšují, konkurence se posouvá směrem k ceně, rychlosti, spolehlivosti a provozní způsobilosti.
Běžná otázka
Proč nepoužít stejné nástroje AI k urychlení úkolů stropu?
Odpověď euphile je ano: GenAI vylepší i tyto úkoly. Důležitý rozdíl je mezi použitím GenAI v rámci současné digitální infrastruktury a přepracováním digitální infrastruktury kolem GenAI.
Umělá inteligence absolutně vylepšuje úkoly stropu
Lepší generátory, lepší validátory, lepší testovací svazky, lepší DSL, lepší kompilátory a lepší automatizace kolem SDLC všichni jsou součástí stejného hnutí.
Ale dnešní infrastruktura stále omezuje výsledek
Kompilátoři stále dodržují přísná pravidla. Testy stále potřebují výpočet, závislosti a prostředí. Artefakty stále potřebují sestavení. Kontejnery stále potřebují zajištění. Úkoly stále vyžadují plánování.
Tokeny a datová centra představují skutečná omezení
Latence, paměť, bezpečnost, energie, výpočetní zdroje a náklady na odvození, to vše omezuje, jak dalece může být stávající zásobník přepracován pouhým vyvoláním více umělé inteligence.
Paradox je strukturální
Pro přepracování infrastruktury s GenAI je potřeba další infrastruktura pro GenAI. Velká část této infrastruktury se stále buduje na vrcholu současného paradigmatu, nikoli mimo něj.
Okno příležitosti
Strop vytváří prostor pro kontextovou a nákladově efektivní softwarovou umělou inteligenci.
Globální kapacita výpočetních a datových center zůstává omezená, hraniční závěry zůstávají drahé a generické modely jsou při přesné softwarové práci na úrovni společnosti stále slabé. To vytváří prostor pro jinou strategii.
Vylaďte otevřené modely pro kontext společnosti a projektu
Namísto placení prémie za obecné odvození hranic mohou organizace přizpůsobit otevřené modely svým úložištím, pravidlům domény a práci se softwarem specifickým pro daný projekt.
- Vhodnější do společnosti DSL, kódové báze a vzory.
- Více přesnosti práce, na které skutečně záleží.
- Menší závislost na chování generického modelu.
Běžte na stávající infrastruktuře namísto rostoucích rozpočtů tokenů
Menší nebo jemně vyladěné otevřené systémy lze provozovat na infrastruktuře, která již existuje, včetně prostředí třídy pracovních stanic a současného firemního hardwaru.
- Nižší závislost na drahém externím odvození.
- Menší tlak na rozšiřování IT rozpočtů kolem tokenových výdajů.
- Více svobody pro optimalizaci pro práci namísto dodavatele.
Vyměňte generickou inteligenci za kontextovou přesnost
I vysoce inteligentní generické modely se stále potýkají s firemním kontextem, tichými konvencemi a přesnou strukturou skutečné podnikové softwarové práce.
- Kontext může porazit surové měřítko v každodenní práci se softwarem.
- Specializované systémy mohou překonat běžné použití na míru.
- Místní přizpůsobení může vytvořit trvalou provozní výhodu.
Vybudujte deterministické nástroje dříve, než se změní širší zásobník
Současné okno není jen o levnějším vyvozování. Jde také o vytváření řízených pracovních postupů, validátorů, generátorů a vzorů bezpečného provádění, které zůstávají cenné napříč modelovými cykly.
- Deterministické pákové sloučeniny nad rámec jedné generace modelu.
- Před příchodem nové infrastruktury je důležitá bezpečná orchestrace.
- Organizace se mohou přestěhovat hned, místo aby čekaly na změnu paradigmatu.
Strategická implikace
Názor společnosti euphile je, že další fázi soutěže v oblasti softwarové umělé inteligence pravděpodobně nevyhraje pouze surová modelová inteligence. Při dnešních omezeních pracovních postupů budou hodnotnější pozice pravděpodobně pocházet z kontextové specializace, deterministických nástrojů, nižší závislosti na tokenech a nákladově efektivního provádění na infrastrukturních týmech, které již vlastní a rozumí jim. To je místo, kde se nachází aktuální okno příležitostí.