Gli agenti di codifica possono generare migliaia di righe di codice in pochi minuti. Il problema: la maggior parte non può essere distribuita. Viola gli commonplace interni, non supera i controlli di conformità o crea più lavoro di pulizia di quanto ne risparmi.
“Puoi generare un sacco di codice, ma non significa davvero nulla, giusto? Deve essere un codice integrabile, conforme e non vuoi creare più lavoro sul back-end solo perché hai accelerato il processo di generazione del codice sul front-end”, ha affermato Stephen Newman, EY International CTO Engineering Chief.
Il crew di sviluppo prodotto di EY ha risolto questo problema collegando gli agenti di codifica ai propri commonplace tecnici, repository di codici e framework di conformità. Il risultato: guadagni di produttività da 4 a 5 volte superiori tra i crew che costruiscono la suite di piattaforme di audit, fiscali e finanziarie di EY.
Ma i vantaggi non derivavano semplicemente dall’attivazione di uno strumento. Il crew di Newman ha impiegato dai 18 ai 24 mesi per costruire le basi culturali e le integrazioni tecniche che hanno reso il lavoro di codifica semi-autonomo su larga scala.
Il primo passo è stato culturale. EY ha iniziato con strumenti in stile GitHub Copilot, consentendo agli ingegneri di familiarizzare con la progettazione tempestiva e l’intelligenza artificiale assistiva. Newman ha affermato che l’apprendimento chiave è stato rendere l’adozione dell’intelligenza artificiale organica anziché forzata dalla management. “È importante portare le capacità dell’intelligenza artificiale come adozione organica dal basso piuttosto che imporle agli utenti”, ha affermato.
Gli sviluppatori volevano andare oltre la generazione del codice per dedicarsi alla creazione, alla distribuzione e all’operatività. Ma i guadagni di produttività si sono stabilizzati senza un’integrazione più profonda.
Newman capì che gli agenti avevano bisogno di accedere ai repository di codici, agli commonplace tecnici e ai cataloghi di sorgenti di EY per generare codice distribuibile. Senza quell'”universo di contesto”, come lo chiama Newman, gli agenti producono output generici che richiedono ampie rielaborazioni.
EY ha valutato più piattaforme agente: Lovable, Replit e Droids basati su IDE di Manufacturing unit. Invece di imporre uno strumento, il crew di Newman ha misurato l’adozione, l’utilizzo e la produttività di tutti e tre.
“Non volevamo essere troppo prescrittivi come gruppo dirigente per identificare uno strumento e semplificarlo”, ha affermato Newman. Gli sviluppatori “gravitarono e navigarono davvero” verso Manufacturing unit, che divenne il segnale che forniva valore reale.
L’adozione in fabbrica “è decollata a macchia d’olio” una volta elevata da valutazione a progetto pilota. EY ha dovuto limitare il traffico verso Manufacturing unit e Droids e limitare i repository che potevano connettersi prima di ottenere l’approvazione della conformità e della sicurezza.
Il quadro di classificazione del carico di lavoro
L’entusiasmo degli sviluppatori ha reso chiaro che EY aveva bisogno di disciplina in merito ai carichi di lavoro da delegare agli agenti. Il crew di Newman ha separato i compiti in due categorie:
Compiti advert alta autonomia gli agenti gestiscono bene:
-
Revisione del codice
-
Documentazione
-
Correzione dei difetti
-
Caratteristiche del campo verde
Compiti complessi che necessitano ancora della supervisione umana:
EY ha anche cambiato i ruoli degli sviluppatori. Invece di scrivere tutto il codice da soli, gli ingegneri sono diventati orchestratori che indirizzavano gli agenti ai database e ai repository corretti.
Con le barriere di sicurezza in atto e l’integrazione nei repository di codici completata, EY ha misurato guadagni di efficienza che vanno dal 15% al 60% tra i diversi personaggi nella fase di adozione iniziale.
“C’è un salto che abbiamo fatto su molti dei nostri prodotti in cui siamo passati a quello che io chiamo sviluppo del modello orizzonte, dove abbiamo un’esecuzione di agenti semi-autonomi su larga scala, un crew di orchestratori anziché operatori e abbiamo le integrazioni nell’universo del contesto”, ha affermato Newman.
Newman ha riconosciuto che è difficile attribuire i guadagni di produttività da 4x a 5x esclusivamente agli agenti di codifica. I miglioramenti sono arrivati da tentativi ed errori combinati con cambiamenti culturali e comportamentali nei crew di sviluppatori.
