Gdzie się podziewa czas, który oszczędza AI? Obserwacje programisty z półtora roku pracy w projekcie legacy

Twój zespół pracuje z AI od miesięcy. Narzędzia są, licencje opłacone, programiści mówią, że AI jest już częścią ich pracy, a z góry dalej słychać to samo pytanie: kiedy przełoży się to na tempo? AI miało przecież oszczędzać czas, tylko trudno powiedzieć, gdzie ten czas się podziewa.
U klienta, o którego projekcie piszę w tym artykule, wyglądało to podobnie. Nie padały konkretne liczby, ale zarząd i właściciele oczekiwali przyspieszenia prac. Zlecono nawet audyt techniczny wszystkich systemów klienta, który miał wskazać, co zrobić, żeby zespoły pracowały szybciej. Problem w tym, że zespoły już wtedy intensywnie pracowały z AI i uważały, że szybciej się nie da. Audyt skupił się jednak głównie na samym procesie wytwarzania kodu.
AI oszczędza czas przy dostarczaniu kodu, ale ta oszczędność przełoży się na tempo całego zespołu dopiero wtedy, gdy wymagania nadążą za implementacją. Do tego momentu zaoszczędzony czas trafia gdzie indziej. W tym artykule pokażę ci, gdzie trafiał u mnie przez półtora roku pracy w projekcie legacy i co z tego miał klient. Twój projekt jest pewnie inny niż mój, więc nie obiecuję, że znajdziesz ten czas w tych samych miejscach.
Przyspieszenie, którego nikt się nie spodziewał

Projekt był typowym legacy w firmie z branży logistycznej: stary kod, dokumentacja w kiepskim stanie i co chwilę sygnały z produkcji, że coś działa nie tak. Byłem w nim od przejęcia po poprzednim dostawcy aż do przekazania systemu wewnętrznemu zespołowi klienta. AI było stałym elementem naszej pracy od pierwszego dnia: oddawaliśmy mu całe zadania, a sami pilnowaliśmy kierunku i weryfikowaliśmy wynik.
Z czasem klient zaczął stopniowo zmniejszać nasz początkowo czteroosobowy zespół. Nie kłóciło się to z naciskiem na „szybciej”: właściciele chcieli przyspieszenia w całej organizacji, a dla tego jednego systemu wcześniej zapadła osobna decyzja – szukamy oszczędności i budujemy zespół in-house.
W ramach tej zmiany po stronie klienta pojawił się nowy Product Owner, który najpierw musiał się wdrożyć w organizację. Z perspektywy klienta miała to być faza na przeczekanie: z naszej strony głównie utrzymanie, a rozwój dopiero po przejęciu systemu przez nowy zespół, który dopiero powstawał. Nikt więc nie rozpisywał planów daleko w przód.
Z każdym kolejnym tygodniem szukałem jednak usprawnień, które pozwolą nie zmniejszać tempa prac proporcjonalnie do zmniejszającego się zespołu. I właśnie wtedy moja praca z AI zmieniła się najbardziej. Złożyły się na to trzy rzeczy naraz.
- Modele w tym czasie wyraźnie się poprawiły.
- Mniejszy zespół zmuszał mnie, żeby oddawać agentom więcej autonomii.
- A żeby to działało, musiałem zmienić sposób, w jaki z nimi pracowałem.
Wcześniej zaczynałem od ogólnego opisu i dochodziłem do oczekiwanego wyniku w kilku iteracjach poprawek. Potem odwróciłem kolejność: zanim AI zaczęło pracę, zadawało mi pytania o niedoprecyzowane kwestie, aż wymagania były spisane precyzyjnie. Dzięki temu oczekiwany wynik przychodził często już w pierwszym podejściu. Żadna z tych trzech zmian nie zadziałałaby tak dobrze osobno.
W efekcie ludzi było cztery razy mniej, a tempo dostarczania nie spadło czterokrotnie. Dla klienta, który nastawiał się na przeczekanie, było to zaskoczenie.
Nie wszystko zawdzięczam jednak pracy z AI. Pomogły też bardzo dobra znajomość systemu, lżejsze zadania (częściej dokładanie klocków do tego, co już działało, niż zmiany w rdzeniu systemu) i praca w pojedynkę, dzięki której nowe podejścia mogłem testować od razu, bez konsultowania i projektowania procesu z całym zespołem.
Więcej o tym, jak przygotować wymagania do pracy z agentami, pisaliśmy w artykule o refinemencie z AI i Spec Driven Development.
Nowe wąskie gardło: doprecyzowanie wymagań

Pierwszy efekt był taki, jakiego wszyscy oczekują: implementacja przyspieszyła i szybko przerobiliśmy niewielki backlog. Zadania znikały jedno po drugim. Wśród nich zdarzały się jednak takie, w których czegoś brakowało i które musiały wrócić do biznesu. Przy szybszej implementacji lista takich zadań rosła szybciej, niż biznes nadążał je domykać.
U nas wyglądało to tak: Product Owner ustala coś z biznesem i oddaje opisaną funkcjonalność. Programista wraca z lukami i pytaniami. Idziesz z nimi z powrotem do biznesu, szukasz właściwych osób i czekasz na odpowiedzi. Każde takie okrążenie trwa dni, a zadania w tym czasie czekają.
Nikt tu nie zawodził. Wcześniej ten proces spokojnie nadążał: tempo implementacji było wolniejsze, a praca była rozpisana z dużym wyprzedzeniem. W okresie przejściowym zmieniło się jedno i drugie: implementacja przyspieszyła, a nowy PO dopiero wdrażał się w organizację. Dlatego zapas rozpisanej pracy szybko się wyczerpał.
Czasem luka wychodziła dopiero po wydaniu. Z perspektywy implementacji wszystko się zgadzało, funkcjonalność trafiała na produkcję, a potem biznes wracał z informacją, że wyobrażał to sobie jednak inaczej. Implementacja zgadzała się z opisem, tylko opis rozmijał się z tym, czego biznes potrzebował. I kończyło się przeróbkami.
Samo szybsze dostarczanie kodu tego nie rozwiązało, wręcz przeciwnie, bo skoro budowanie przyspieszyło, to szybciej dało się zbudować także złą rzecz. Podobne zjawisko opisywaliśmy na przykładzie zespołu Pragmatic Meet.
Jedną z rzeczy która bardzo pomogła było to, gdy z AI zaczął pracować nie tylko programista. PO zaczął przygotowywać z pomocą AI klikalne makiety i pokazywać je biznesowi, zanim zadanie trafiło do implementacji. Tak było na przykład z podstatusami jednego ze statusów w systemie. To był złożony temat: zmiana dotykała wielu miejsc w systemie, w tym filtrów na danych i list rozwijanych. PO rozpisał na makiecie, jak sobie to wyobraża, i z jej użyciem rozmawiał z operacjami logistycznymi. Zamiast opisywać, mógł pokazać: po kliknięciu tutaj stanie się to, a ten widok zachowa się tak.
Zysk był podwójny. Rozmowy z biznesem szły sprawniej, a rozjazdów między opisem a oczekiwaniami było coraz mniej. A kiedy makieta trafiała do mnie, łatwiej rozumiałem, co PO chce osiągnąć. Wcześniej musiał przekazać mi swoje wyobrażenie słowami, a to zawsze dodatkowa warstwa, na której coś może się zgubić. Teraz widziałem zamysł od razu.
Jeśli twój zespół przyspieszył z AI, a ty nie widzisz efektu, bardzo możliwe, że wąskie gardło jest właśnie tutaj: w domykaniu wymagań między biznesem a zespołem.
Na co poszedł zaoszczędzony czas

Skoro część zadań czekała na odpowiedzi biznesu, trzeba było sensownie zagospodarować czas, który zaoszczędziłem dzięki AI. Poszedł on na rzeczy, które od dawna czekały na swoją kolej:
- Proaktywny przegląd logów. Patrzyłem szerzej, także na mniej alarmujące sygnały i skrajne przypadki, i byłem w stanie naprawiać te problemy równolegle z pracą nad funkcjonalnościami.
- Spisywanie małych problemów. To, co nie należało do krytycznych problemów, trafiało do backlogu jako ticket. Biznes widział problem i sam decydował, co naprawiamy teraz, a co później. To była jego kontrola nad ryzykiem.
- Dokumentacja. Na początku pracy w projekcie zastaliśmy ją w kiepskim stanie, więc znalazł się czas na jej poprawę i rozbudowę. Zobaczać: jakiej dokumentacji wymagać od zespołu rozwijającego oprogramowanie.
- Integratorzy. Wspierałem, a czasem wręcz wyręczałem biznes w rozmowach z firmami, które chciały się zintegrować z systemem klienta.
AI pomogło tu na dwa sposoby. Po pierwsze tę pracę wykonać, bo analizy i pisanie dokumentacji to obszary, w których AI sprawdza się bardzo dobrze. Analiza logów z pomocą AI wyłapała na przykład błąd, na który trafił koordynator z operacji logistycznych w bardzo specyficznej sytuacji. Nikt wcześniej nie pomyślał nawet o takim przypadku, nie było dla niego alertu, a sam użytkownik z jakiegoś powodu go nie zgłosił. Bez proaktywnego przeglądu logów z AI pewnie zostałby niezauważony, a tak trafił do backlogu i biznes mógł sam ocenić, jak pilna jest poprawka.
A po drugie pomogło sprawdzić, czy ta praca jest dobrze zrobiona. Żeby dokumentacja się do czegoś przydała, musiała być poprawna. Poza tym, że sam ją czytałem i poprawiałem, oddawałem ją agentowi AI, który grał rolę integratora i próbował się zintegrować wyłącznie na podstawie dokumentu. Agent szybko pokazywał, czego brakuje i co jest niejasne. Za zgodność z prawdziwym systemem i użyteczność odpowiadałem jednak nadal ja.
Podsumowanie
Zysk z używania AI w codziennej pracy jest odczuwalny, ale rzadko wygląda tak, jak wyobraża go sobie zarząd. Żeby przełożył się na tempo zespołu, wymagania muszą nadążać za implementacją, a ktoś musi zdecydować, na co idzie czas, który się zwolnił.
Dlatego kiedy z góry przychodzi presja, by dostarczać szybciej, zanim przekażesz ją zespołowi, sprawdź, gdzie w twoim projekcie podziewa się ten czas. Jeśli zadania czekają na odpowiedzi biznesu, problemem jest proces, nie ludzie. Możesz go przyspieszyć, na przykład pokazując biznesowi makiety, zanim zadanie trafi do implementacji. A jeśli zespół ma wolny czas, ustal z nim, na co go wyda.
Jeśli masz wpływ na proces dostarczania, możesz zacząć od razu. Czasem jednak przyda się ktoś z zewnątrz, bo od środka nie zawsze łatwo dostrzec, gdzie leży problem. Ważne tylko, żebyś przyjrzał się procesowi kompleksowo, od pomysłu i potrzeby aż do wydania. Audyt, o którym pisałem na początku, skupił się głównie na dostarczaniu kodu, czyli tam, gdzie zysk z AI dość łatwo wypracować, a nie tam, gdzie się gubi.
Jeśli chcesz sprawdzić, gdzie u ciebie ucieka czas, który miało oszczędzać AI, zajrzyj do naszej checklisty albo umów bezpłatną konsultację.





