Mis on IT-analüüsis AI ajastul teisiti?
AI on IT-maailma loogika segi paisanud. Reaalsus on see, et kõik me kasutame AI-d nüüdseks oma igapäevatöös sõltumata rollist; või kes seda veel ei tee, kaotab kiiresti. IT-analüütiku jaoks on AI-ga kaasa tulnud mõjutused eriti mitmekesised ja selles segaduses on vahel raske orienteerudagi.
Selles tuleb hakata korda looma. Kevadisele koolitusele registreerudes kirjutas üks osaleja otse: “Näen, et AI abi kasutatakse aktiivselt analüüside koostamisel, aga inimene ise ei saa alati AI väljundist hästi aru. Arendaja saab, aga kes lõpuks vastutab, kui kallis arendus esialgsele vajadusele ei vasta? Tahaksin mingeid basic reegleid, kuidas aru saada, et see siin nüüd EI ole AI koht.” Need on väga õiged küsimused, ja lihtsaid vastuseid neile ei ole.
Siin on viis peamist asja, mida AI ajastu IT-analüüsis tegelikult muudab.
1. AI suurendab dokumentatsiooni mahtu, aga kahandab selle usaldusväärsust
Kliendil on nüüd abiks AI ja ta suudab luua väga kiiresti väga suures mahus dokumentatsiooni, mis on professionaalselt vormistatud, aga mis sisuliselt ei pruugi vastata kliendi vajadustele, kontekstile ega IT-arenduse reaalsusele. Dokumentatsiooniga töötades tuleb nüüd palju rohkem tähelepanu pöörata sellele, mis on selle staatus ja kontekst. Seda unustades võib kergesti teha midagi, mis ei vasta vajadustele.
See on eriti suur probleem AI-le dokumentatsiooni sisendiks andes – juba oma raamatus “Optimaalne dokumentatsioon” ennustasin, et AS-IS ja TO-BE kirjeldused võivad AI jaoks segi minna ja olen seda ka enda töös juba näinud. Lisaks tuleb aga AI-le anda kontekst ka teistele dokumentidele – mis on loodud usaldusväärse info põhjal, või mis on hoopis genereeritud pooliku info alusel ja kus tuleb väga selgelt seda kallutatust arvestada.
2. AI ei asenda analüütikut, aga muudab tema rolli
AI aitab ka IT-analüütikul kiiremini dokumentatsiooni genereerida, aga siin tuleb teha valik: kas jääme dokumentatsiooni loojateks või muutume selle kontrollijateks.
Tean neid, kes on otsustanud, et nemad kirjutavad oma dokumendid ise, sest selliselt loovad nad enda peas arusaamise. Sellise lähenemise puhul on AI abiks kui kritiseerija, lünkade ja vastuolude leidja.
Samuti tean neid, kes pigem lasevad AI-l dokumendi genereerida, ja siis seda tulemust kontrollivad ja sobivamaks kohendavad. Oluline on, et analüütik sellise lähenemise juures ei usaldadaks AI esimest väljundit, vaid hindaks seda kriitiliselt, vaataks erinevate nurkade alt ja täiendaks, nii et tulemuseks oleks reaalselt kvaliteetne sisend arendusele. See ei ole analüütiku asendamine, vaid sama vastutus teises vormis.
Küsimusele, kus täpselt see AI koht ei ole, ongi mõtet vastata iga analüütiku ja isegi iga analüüsiülesande juures eraldi, mitte ühel korral ette otsustada.
3. Arendaja vajab rohkem sisendit, kiiremini
Arendajad on ühed esimesed, kes hakkasid AI-d oma töös kasutama ja nüüd suudavad nad tänu sellele palju kiiremini arendada. Seetõttu vajab IT-arendus ka sisendit kiiremini. Analüüsi tempot, mis sobis viie aasta eest, ei saa enam eeldusena võtta. Ma ei imestaks, kui tulevikus on ühe arendaja kohta rohkem analüütikuid, sest nüüd on analüütiku töö inimestega see, mis on arendusega võrreldes aeglane.
4. Otsus, mida üldse arendada, on muutunud
AI on muutnud ka seda, mida on mõistlik arendada:
- Arendamine on kiirem ja odavam. Seetõttu on nüüd mõistlik arendada mõningaid tööriistu ja funktsionaalsusi, mis varem ei olnud tasuvad.
- Mõnes kohas on arendamise asemel mõistlik kasutada AI-d: luua prompt või agent, mis vastava töö ära teeb, kasutada mõnda tööriista, kuhu AI on juba integreeritud, või luua AI jaoks infoarhitektuur, mille abil ärilise vaistuga inimene saab ise endale vajalikku tööd teha.
- AI võib olla üks komponent IT-lahendusest, näiteks kategoriseerides andmeid automaatselt või genereerides teksti. See toob endaga kaasa uued aspektid, mida lahendust analüüsides arvestada: näiteks vastavus AI Act’ile või mittedeterministliku lahenduse testimine ja turvalisuse tagamine.
5. Piir arendaja ja analüütiku vahel hägustub
Arendajal ei ole vaja enam nii palju aega iga koodirea kirjutamiseks ja saab rohkem kaasa mõelda ärilisele lahendusele, kui tal selline huvi on. Kevadisel koolitusel oli mul juba üks arendaja, kes tuli enda analüütiku-oskusi arendama, et osata AI-le paremini sisendit koostada!
Teisalt analüütik, kes on lahenduse ärilisel tasemel läbi mõelnud, saab AI abiga kergesti vibekoodida valmis esmase prototüübi või isegi valmis lahenduse, mis varem ei olnud mõeldav. See teeb kiiremaks nii kliendilt tagasiside saamise tsükli kui ka lõpliku lahenduseni jõudmise.
Miks ma oma koolituse õppekava ümber tegin
Need viis muutust kokku tähendasid, et pidin oma koolituse õppekava üsna põhjalikult üle vaatama, et see oleks sobiv ka AI ajastul. Paaril eelneval koolitusel olin hakanud AI-d tasapisi erinevate teemade juures aina enam mainima. Nüüd on aga läbivalt igas moodulis läbiv joon, et vaatame ka seda, mida AI selle konkreetse analüüsitöö juures muudab või kuidas seda seal kasutada. Sellepärast kannabki koolitus nüüd nime IT-analüüs AI ajastul.
Mina usun, et IT-analüüs ei ole AI tõttu vähem oluline. Vastupidi. Mida rohkem AI kiirendab dokumenteerimist ja arendust, seda rohkem sõltub tulemuse kvaliteet sellest, kas keegi selle ka reaalselt läbi analüüsib vastu ärilist konteksti ja IT-reaalsust.
Tahad analüüsi süsteemselt õppida?