В основе практически каждой крупной организации лежит массивный якорь, замедляющий бизнес: технический долг, устаревших ИТ-систем. Часто созданные десятилетия назад, эти крупные системы образуют техническую основу компаний и функционируют почти в каждом секторе.
Модернизация устаревших систем и погашение технологического долга традиционно считались «ИТ-проблемой», и руководители бизнеса были довольны тем, что более или менее откладывали решение проблемы на потом. Причины известны: это слишком дорого (часто сотни миллионов долларов), это занимает слишком много времени (пять-семь лет), это слишком разрушительно, окупаемость инвестиций неясна, а текущие системы в основном работают.
Но поскольку технологии проникают в каждый уголок бизнеса и становятся центральным элементом способности компании генерировать ценность, модернизация ИТ-систем должна стать приоритетом генерального директора. Возможности и риски, возникающие в результате достижений в области технологий — от генеративного ИИ (gen AI) до облачных технологий и робототехники — требуют современных технологических основ. Фактически, технологии обеспечивают около 71% ценности, получаемой от бизнес-трансформаций. Тот факт, что программисты, создававшие и обслуживавшие эти устаревшие корпоративные системы, достигают пенсионного возраста, еще больше усиливает необходимость модернизации.
Новые разработки в области ИИ, особенно в области генеративного ИИ, радикально пересматривают затраты и выгоды модернизации устаревших технологий и сокращения технологического долга как части более масштабного набора изменений в работе ИТ.
Хотя это еще только начало, опыт McKensey показывает, что использование ИИ-технологий может устранить большую часть ручной работы, что приведет к ускорению сроков технологической модернизации на 40–50% и сокращению расходов, связанных с технологическим долгом, на 40%, а также повышению качества результатов. Однако эта ценность меньше связана с самой технологией и больше с тем, как она используется, с особым акцентом на следующее:
- Улучшение бизнес-результатов. Преобразование старого кода в современные технические языки просто переносит технический долг из устаревшей системы в современную. Чтобы избежать этой проблемы «кода и загрузки», необходимо использовать ИИ-технологии, чтобы принимать более обоснованные бизнес-решения и модернизировать то, что имеет значение.
- Включение автономных агентов генеративного ИИ. Создание и обучение армии агентов генеративного ИИ, которые могут работать независимо и совместно с человеческим контролем над рядом сквозных процессов, как оказалось, обеспечивает значительные улучшения в усилиях по модернизации ИТ.
- Сосредоточение на масштабировании ценности. Ценность многоагентной модели заключается в ее индустриализации, что позволяет масштабировать ее и применять в различных областях бизнеса, а также непрерывно погашать технический долг.
По своей сути модернизация технологий подразумевает преобразование существующих приложений для использования современных технологий, фреймворков и архитектур. Этот процесс может включать переключение на более простые в использовании языки программирования, переход на современные фреймворки, которые обеспечивают большую функциональность, реструктуризацию систем для создания модульности или даже исправление и миграцию приложений для работы в более дешевых облачных средах. Использование возможностей генеративного ИИ для внесения таких изменений, повышения рентабельности инвестиций в облачные программы и погашения технического долга требует сосредоточения на трех областях, упомянутых выше.
Компании имели тенденцию использовать генеративный ИИ грубым способом, например, передавая устаревший код непосредственно в ИИ, который переводит его на современный язык. Однако этот подход «кодируй и загружай» по сути переносит технический долг в современный контекст. Эта ловушка похожа на ту, в которую попали многие компании в ранние дни облачных вычислений, когда основное внимание уделялось «подъему и сдвигу», то есть перемещению существующих приложений в облако, где устаревшие проблемы оставались нерешенными.
Целью модернизации устаревших технологий не должно быть преобразование как можно большего количества строк кода. Она должна быть направлена на улучшение систем и процессов, чтобы бизнес мог генерировать больше ценности. Это означает использование ИИ-технологий для понимания существующего кода, определения того, что необходимо для создания ценности бизнеса, а затем модернизации процессов, необходимых для достижения результата.
При правильном применении ИИ способен переводить часто непроницаемые устаревшие элементы — документацию, код, данные о наблюдаемости, журналы вызовов, подходы к программированию и так далее — в простые описания процессов за считанные минуты.
Включение автономных агентов генеративного ИИ
При разработке программного обеспечения использование агентов искусственного интеллекта для помощи разработчикам в написании кода может помочь некоторым разработчикам повысить свою производительность. Следующий этап ускорения позволит агентам ИИ работать независимо, но под контролем человека.
По мере того как компании масштабируют агентов генеративного ИИ, скорость и производительность модернизации ИТ увеличиваются.
Суть подхода с автономными агентами заключается в развертывании множества специализированных агентов ИИ с собственной ролью и опытлм, сотрудничающих в выполнении сложных задач. Задачи, которые они могут выполнять, включают анализ данных, организацию сложных интеграций, проектирование и выполнение тестовых случаев, а также уточнение результатов на основе обратной связи от людей в реальном времени.
Однако реальная ценность заключается в оркестровке агентов для выполнения не только задач, но и целых процессов разработки программного обеспечения. Агенты картографирования и хранения данных, например, выполняют анализ данных, анализ соответствия, тестирование, а также создают соответствующую документацию. Эти агенты работают с агентами проектирования безопасности, которые фокусируются на анализе угроз, политике информационной безопасности, проектировании безопасности и агентах разработки безопасного, защищенного и эффективного кода.
Чтобы гарантировать, что агенты Gen AI выдают правильные результаты, важно внедрить ряд элементов управления. Например, конструктивные циклы обратной связи позволяют агентам проверять и совершенствовать работу друг друга. Агенты Gen AI также могут быть запрограммированы на самообучение в решении проблем или передачу проблем менеджеру-человеку, если они не могут в них разобраться. Некоторые агенты Gen AI могут даже задавать менеджеру прямые вопросы. Присвоение идентификаторов каждому агенту Gen AI позволяет менеджерам быстро определять источник проблемы и решать ее. Аналогичным образом организации могут разрабатывать специализированных агентов для автоматического тестирования и исправления результатов других агентов на основе выявленных этических и предвзятых проблем.
Роль, которую играют люди, будет по-прежнему иметь решающее значение для руководства и управления агентами ИИ. Экспертам, таким как владельцы продуктов, инженеры и архитекторы, необходимо будет понять цель устаревших систем, выяснить, какие процессы важны для бизнеса, а также разработать и установить цели и целевые состояния.
Масштабирование ценности
Ажиотаж вокруг ИИ заставил компании сосредоточиться на оценке и выборе инструментов. Это важно, но это меркнет по сравнению с решением более масштабной проблемы и возможностей: как масштабировать ИИ.
При разработке программного обеспечения использование агентов искусственного интеллекта для помощи разработчикам в написании кода может помочь некоторым разработчикам повысить свою производительность. Следующий этап ускорения позволит агентам ИИ работать независимо, но под контролем человека.
По мере того как компании масштабируют агентов генеративного ИИ, скорость и производительность модернизации ИТ увеличиваются.
Суть подхода с автономными агентами заключается в развертывании множества специализированных агентов ИИ с собственной ролью и опытлм, сотрудничающих в выполнении сложных задач. Задачи, которые они могут выполнять, включают анализ данных, организацию сложных интеграций, проектирование и выполнение тестовых случаев, а также уточнение результатов на основе обратной связи от людей в реальном времени.
Однако реальная ценность заключается в оркестровке агентов для выполнения не только задач, но и целых процессов разработки программного обеспечения. Агенты картографирования и хранения данных, например, выполняют анализ данных, анализ соответствия, тестирование, а также создают соответствующую документацию. Эти агенты работают с агентами проектирования безопасности, которые фокусируются на анализе угроз, политике информационной безопасности, проектировании безопасности и агентах разработки безопасного, защищенного и эффективного кода.
Чтобы гарантировать, что агенты Gen AI выдают правильные результаты, важно внедрить ряд элементов управления. Например, конструктивные циклы обратной связи позволяют агентам проверять и совершенствовать работу друг друга. Агенты Gen AI также могут быть запрограммированы на самообучение в решении проблем или передачу проблем менеджеру-человеку, если они не могут в них разобраться. Некоторые агенты Gen AI могут даже задавать менеджеру прямые вопросы. Присвоение идентификаторов каждому агенту Gen AI позволяет менеджерам быстро определять источник проблемы и решать ее. Аналогичным образом организации могут разрабатывать специализированных агентов для автоматического тестирования и исправления результатов других агентов на основе выявленных этических и предвзятых проблем.
Роль, которую играют люди, будет по-прежнему иметь решающее значение для руководства и управления агентами ИИ. Экспертам, таким как владельцы продуктов, инженеры и архитекторы, необходимо будет понять цель устаревших систем, выяснить, какие процессы важны для бизнеса, а также разработать и установить цели и целевые состояния.
Масштабирование ценности
Ажиотаж вокруг ИИ заставил компании сосредоточиться на оценке и выборе инструментов. Это важно, но это меркнет по сравнению с решением более масштабной проблемы и возможностей: как масштабировать ИИ.
Лидерство в области технологий должно сосредоточиться на разработке центрального, автономного ИИ, который сможет создавать сложные многоагентные сквозные рабочие процессы. Существует два основных компонента реализации этой возможности:
Фабрика. Фабрика — это группа людей, которые разрабатывают и управляют несколькими агентами ИИ для выполнения определенного сквозного процесса. Цель фабрики — стандартизировать и упростить различные процессы, составляющие разработку, развертывание и управление агентами ИИ. Фабрика разрабатывает стандартизированный набор инструментов и подходов для разработки и управления агентами, таких как мониторинг, прослеживаемость, управление документами и доступ к большой языковой модели. Организация должна рассмотреть возможность разработки от пяти до десяти фабрик агентов на ранних стадиях зрелости.
Платформа. Платформа ИИ — это стандартизированный набор повторно используемых сервисов и возможностей, к которым могут получить доступ к фабрике. Платформа должна включать пользовательский интерфейс, API, которые соединяют сервисы ИИ с корпоративными сервисами, ряд вспомогательных сервисов (таких как сервис импорта данных или сервис оркестровки агентов) и библиотеку агентов ИИ, которые можно загружать для выполнения определенных задач. В идеале компании должны разработать одну или две фабрики ИИ, чтобы точно определить, какие виды сервисов и возможностей они используют совместно, а затем стандартизировать эти элементы и предлагать их через платформу. Специальная группа соответствующих экспертов должна как контролировать разработку и управление этой платформой, так и внимательно отслеживать использование по определенным ключевым показателям эффективности, таким как использование сервисов или функций.
Компаниям, желающим перейти на модель многоагентной оркестровки, следует рассмотреть возможность выполнения четырех шагов:
Подвергайте сомнению любые технологические предложения, которые имеют длительную временную шкалу и требуют много людей. Многие крупномасштабные ИТ-проекты традиционно требуют многолетней работы многих людей для предоставления ценности. Любые предложения, которые следуют этой модели, следует воспринимать скептически. Это означает рассмотрение всех предложений и инициатив, которые находятся в стадии реализации, чтобы определить, как ИИ может сократить расходы и сократить сроки. Будьте особенно внимательны при рассмотрении программ и предложений, которые подразумевают использование возможностей ИИ. Возможности могут быть ограниченными или вспомогательными и, таким образом, неспособными обеспечить большую ценность.
Сосредоточьте ИИ на самых больших проблемах. Небольшие инициативы приводят к небольшим результатам. ИИ имеет потенциал радикально пересмотреть соотношение затрат и выгод модернизации систем и сокращения технологического долга. Определите самые крупные и сложные технологические проблемы — те, которые стоят сотни миллионов долларов, имеют многолетние сроки и ответственны за большие транши технического долга — и сосредоточьтесь на разработке решений ИИ для них. Часть этих усилий должна включать пересмотр предыдущих планов технологической модернизации, которые считались слишком дорогими или требующими много времени.
Свяжите свой бизнес-план явно с ценностью и активно отслеживайте его. Хотя у многих компаний есть бизнес-планы, они часто поверхностны или ограничены по охвату (например, фокусируются только на технологии, а не на операционной модели). Сильный план дает подробное представление о ценности, поставленной на карту, приращениях ценности, которые должны быть получены по ходу дела (с учетом текущих расходов, таких как текущие и будущие расходы на эксплуатацию инфраструктуры, и единовременных расходов, таких как модернизация кода), действиях, необходимых для их получения, и временной шкале, которая фиксирует точку безубыточности. Более важным, чем разработка плана, является его пересмотр и обеспечение того, чтобы усилия по модернизации действительно захватывали предполагаемую ценность. Без такого рода дисциплины сильные планы обычно постепенно теряют фокус и по умолчанию поставляют код, а не ценность.
Опережайте требования к квалификации, эффекты технологий и операционной модели. По мере масштабирования многоагентного подхода компаниям необходимо понимать и планировать последствия для бизнеса. К ним относятся, среди прочего, как переосмыслить стратегию привлечения талантов и программы переподготовки, как должна адаптироваться операционная модель и как изменятся операционные расходы и капитальные затраты. Это вопросы на уровне генерального директора и совета директоров, требующие продуманного планирования.
Источник
https://www.mckinsey.com/capabilities/quantumblack/our-insights/ai-for-it-modernization-faster-cheaper-and-better
AI for IT modernization: Faster, cheaper, better. December 2, 2024 | Article
This article is a collaborative effort by Aaron Bawcom and Matt Fitzpatrick, with Chi Wai Cheung, Dan Collins, and Dante Gabrielli, representing views from McKinsey Technology and QuantumBlack, AI by McKinsey.
ИИ для модернизации ИТ: быстрее, дешевле, лучше. 2 декабря 2024 г.| Статья
Аарон Боуком — партнер в офисе McKinsey в Атланте; Мэтт Фицпатрик — старший партнер в офисе в Нью-Йорке, где Чи Вай Чунг — главный архитектор, а Дэн Коллинз — старший директор; Данте Габриэлли — главный менеджер по продукту в офисе в Филадельфии.
Авторы хотели бы поблагодарить Роба Патенге и Вито Ди Лео за их вклад в эту статью..
Комментариев нет:
Отправить комментарий