Strategische thesis 02
euphile ziet een praktisch plafond voor wat AI kan doen in softwareontwikkeling onder de huidige workflow. Betere modellen helpen nog steeds, maar de output moet nog steeds begrijpelijk, controleerbaar, testbaar, inzetbaar, controleerbaar en bruikbaar blijven binnen systemen die mensen en organisaties daadwerkelijk kunnen beheren.
Slimmere modellen zullen helpen, maar de huidige softwarelevenscyclus schept een praktische limiet.
AI kan nu al end-to-end-applicaties bouwen.
Maar de output moet nog steeds begrijpelijk en bedienbaar blijven voor mensen.
Na het plateau verschuift de differentiatie naar kosten, snelheid en betrouwbaarheid.
De geschatte druk op toonaangevende AI-aanbieders begint.
Het is de interface tussen door AI gegenereerde software en de softwarelevenscyclus die mensen feitelijk kunnen beheren.
Wat het proefschrift zegt
Generatieve AI is al sterk in het produceren van code. Het praktische plafond verschijnt omdat softwareontwikkeling niet alleen het genereren van code is. De output moet nog steeds het menselijk redeneren, expliciete softwareprocessen en de operationele realiteit overleven.
Bestanden, architectuuropties, tests, bugfixes en grote delen van hele applicaties kunnen al snel worden gegenereerd. De beperkende factor zit steeds meer in wat er gebeurt nadat de code verschijnt.
Software moet nog steeds worden begrepen, beoordeeld, geversieerd, gebouwd, verpakt, geïmplementeerd, gemonitord, gedebugd en onderhouden binnen de structuren die teams daadwerkelijk kunnen gebruiken.
Als de output nog steeds dezelfde bestands-, build-, review- en implementatiegerichte levenscyclus doorloopt, produceren slimmere modellen uiteindelijk incrementele winst in plaats van stapsgewijze veranderingen.
Wanneer grenscapaciteiten moeilijker te gelde worden gemaakt en snelle volgers steeds beter worden, verschuift de concurrentie in de richting van kosten, snelheid, betrouwbaarheid en operationele geschiktheid.
Veel voorkomende vraag
Het antwoord van euphile is ja: GenAI zal deze taken ook verbeteren. Het belangrijke onderscheid is tussen het gebruik van GenAI binnen de huidige digitale infrastructuur en het herontwerpen van de digitale infrastructuur rond GenAI.
Betere generatoren, betere validators, betere testharnassen, beter DSL's, betere compilers en betere automatisering rond de SDLC maken allemaal deel uit van dezelfde beweging.
Compilers volgen nog steeds strikte regels. Tests hebben nog steeds rekenkracht, afhankelijkheden en omgevingen nodig. Artefacten hebben nog steeds builds nodig. Containers moeten nog steeds worden ingericht. Werklasten moeten nog steeds worden gepland.
Latentie, geheugen, beveiliging, kracht, computeraanbod en inferentiekosten beperken allemaal in hoeverre de huidige stapel opnieuw kan worden ontworpen door simpelweg meer AI aan te roepen.
Om de infrastructuur met GenAI opnieuw te ontwerpen, is meer infrastructuur voor GenAI nodig. Een groot deel van die infrastructuur wordt nog steeds bovenop het huidige paradigma gebouwd, in plaats van daarbuiten.
Kansenvenster
De mondiale reken- en datacentercapaciteit blijft beperkt, frontier-inferentie blijft duur en generieke modellen zijn nog steeds zwak voor nauwkeurig softwarewerk op bedrijfsniveau. Dat schept ruimte voor een andere strategie.
In plaats van een premie te betalen voor generieke grensconclusies kunnen organisaties open modellen aanpassen aan hun repository's, domeinregels en projectspecifiek softwarewerk.
Kleinere of verfijnde open systemen kunnen worden uitgevoerd op een reeds bestaande infrastructuur, inclusief omgevingen op werkstationniveau en huidige bedrijfshardware.
Zelfs zeer intelligente generieke modellen worstelen nog steeds met de bedrijfscontext, stilzwijgende conventies en de precieze structuur van echt bedrijfssoftwarewerk.
Het huidige venster gaat niet alleen over goedkopere gevolgtrekkingen. Het gaat ook om het creëren van beheerde workflows, validators, generatoren en veilige uitvoeringspatronen die waardevol blijven gedurende de modelcycli.
Strategische implicatie
Euphile is van mening dat het onwaarschijnlijk is dat de volgende fase van de software-AI-concurrentie alleen door ruwe modelintelligentie zal worden gewonnen. Onder de huidige beperkingen van de workflow zullen de waardevollere posities waarschijnlijk voortkomen uit contextuele specialisatie, deterministische tooling, een lagere tokenafhankelijkheid en kostenefficiënte uitvoering van infrastructuurteams die ze al bezitten en begrijpen. Dat is waar het huidige kansenvenster zich bevindt.