Otevřu LinkedIn a všude samá AI: kolik kdo má agentů, jak rychle to jde, jak velká data to zpracuje. Když se ale zeptám analytika nebo vedoucího vývoje, co od AI v analýze čeká, slyším skoro vždycky totéž: rychlost, velké objemy dat a samozřejmé napojení na modelovací nástroj.
To umí každý nástroj na trhu. A po několika letech práce s AI nad analýzou tvrdím, že tohle v analýze neschází.
Schází někdo, kdo drží linii a postupy. Přesněji: něco.
Metodika, se kterou všichni souhlasí, ale nikdo podle ní nedělá
U jednoho klienta jsem zaváděl pravidla, jak psát scénáře pomocí vzorů (tzv. use case scenario patterns). Na konci prezentace mého návrhu všichni přikyvovali. Moc hezké.
Jen ředitel si povzdechl: „A teď aby to všichni dodržovali.“ Měl pravdu, nedodržovali.
V tom povzdechu je celá historie zavádění metodik.
Dvacet pět let
Mým profesním snem bylo zavést ve firmách dobré metodiky, které by ve firmě žily a držely se delší dobu. Jednu metodiku jsem měl zpracovanou ve formě školení „Analýza v agilním prostředí“, dnes je z ní podrobněji a přesně rozpracovaný „Agile Analysis Framework“. Roky jsem metodiku učil ve firmách. Fungovala, dokud se jí lidé drželi. Jenže po čase začala skřípat, prakticky pokaždé a v každé firmě.
Dlouho jsem to považoval za otázku disciplíny analytiků. Hluboký omyl. Udržet lidskými silami průběžně konzistenci analytických artefaktů je naivní představa. Problém je dvojí. Každá změna se musí porovnat s dosavadními požadavky, se scénáři a s definicemi pojmů, jestli jim neodporuje. A co se týče metodiky, nikdo neunese v hlavě všechna pravidla, jak se co píše nebo navrhuje. Zavedení postupů sice výrazně zlepšilo procesy, ale k udržitelnosti to mělo daleko.
Vedoucí analytik to vše jako rozsáhlý celek neuhlídá, ani kdyby nedělal nic jiného. Může uhlídat jen část.
Co jsem v AI uviděl
Že se tyto problémy dají vyřešit bez nátlaku a bez věčného připomínání. Každý analytik dostane k ruce strojově přesného kolegu, který zná metodiku, pojmy, vzory, postupy a také všechny artefakty, které v projektu už vznikly. Asistent je k dispozici nepřetržitě a neunaví se. Ideální asistent.
Dokumenty pak vypadají, jako by je psal jeden člověk, ať je psal Franta, nebo Pepa. Stejný je ale jen tvar a linie, ne myšlení. Co se v projektu zjistí a co se pod to podepíše, zůstává na analytikovi. Podstatné je, že se přitom průběžně drží konzistence s tím, co už je hotové. Proto je to AI asistent, ne autopilot.
Co asistent dělá
Spolupracuje krok za krokem podle metodiky: ví, co má být hotové a v jakém pořadí.
Navrhuje formulace a texty. Ne co ho napadne, ale co plyne z metodiky, a ukáže, z čeho vyšel.
Udělá mechanickou práci nad dokumenty: ze zadání vytáhne požadavky, roztřídí je a u každého doloží zdroj.
Teď stavím a testuji propojení se Sparx Enterprise Architect: diagramy vznikají přímo ze slovních dokumentů a rovnou ve vašem repozitáři EA. Předpokladem je vaše licence.
Kontrola shody s metodikou z toho vypadne sama. Není to dohled nad člověkem. AI asistent se tak stává průvodcem a našeptávačem Franty i Pepy.
Co z toho má firma
- Výsledek nezávisí na tom, kdo jej vytvořil.
- Projekt se neřídí neurčitými řečmi na poradě, ale dokumenty v jednotné podobě.
- Konzistence se drží průběžně, ne zpětně. Nevynucuje se shora tvrdou kázní, radí ji asistent při práci.
- Předání práce, nástup a zaučení nového člověka stojí dny, ne měsíce. Nastupující analytik si má co přečíst a při prvních pokusech dostane zpětnou vazbu hned od svého asistenta. Učí se prací, ne vyprávěním.
- Nesrovnalost se najde, když vznikne, ne až v testech nebo v provozu.
Co z toho má tým
- Jasná pravidla hry: co platí, je napsané a platí pro všechny stejně. Konec námitek typu „vždyť jsi mi minule řekl, ať to píšu takhle“ nebo „v té rok staré platné metodice je to jinak“.
- Kontroluje se shoda s pravidlem, ne člověk.
- Míň mechanické práce, víc rozhodování.
Dva balvany na cestě
Cestou k cíli se objevily dvě velké překážky:
a) Nespolehlivost AI, tedy tentýž vstup a podruhé jiný výsledek. Řešením je sémantický determinismus.
b) Texty, které metodiku pro AI nesou a s rostoucím objemem se rozjížděly. Na to jsou zásady, které v programování známe jako Clean Code.
Paradoxně z obou řešení vznikly dva veřejné „vedlejší produkty“, o kterých je dnes na mém webu a v diskusích na LinkedInu víc než o samotné metodice. Upřímně, nebylo to záměrem. Můj cíl je jinde: fungující AI asistent analytika a přínosy, o kterých je řeč výš.
Závěr
Že se metodika má dodržovat a výstupy držet konzistentní, ví každý vedoucí analytik a každý s tím má svoje zkušenosti. Nově jde metodiku zavést nenásilně a konzistenci artefaktů přitom udržet. Mechanismus metodiky se uplatňuje automaticky, protože tu pracnou a únavnou část odvádí stroj.
A co je podstatné: asistent to jinak než podle pravidel metodiky neumí, takže postupy musí dodržovat i člověk. Metodika se díky nasazení AI a práce s ní prosadí sama, aniž by to někdo musel vymáhat.
Na analytikovi ale přes všechnu pomoc asistenta vždycky zůstane rozhodování a odpovědnost.
Tuhle vizi má asi každý zkušený analytik a metodik. Je to i můj cíl a takhle to nabízím.
Napsat komentář