Först vattenfall, sedan agilt – vad kommer nu?

Vår VD Mattias Flock fortsätter att skriva om AI och arbetssätt i detta blogginlägg.

Under många år byggde vi stora IT-system enligt vattenfallsmodeller. Arbetet delades upp i tydliga faser, med beslutspunkter mellan varje steg. Först skulle behov och krav definieras, sedan design och arkitektur tas fram, därefter utveckling, test och slutligen driftsättning. Modellerna skapade struktur, tydlighet och kontroll, men de hade också ett grundläggande problem: tiden.

Från det att ett behov identifierades och specifikationerna godkändes till dess att lösningen faktiskt var utvecklad och lanserad kunde det gå månader eller ibland år. Under den tiden hann verksamheten förändras, kundernas behov flytta sig, nya konkurrenter dyka upp och tekniken utvecklas vidare. När lösningen till slut levererades fanns därför risken att syftet den skulle fylla inte längre var detsamma.

Agilt – kortare cykler, snabbare återkoppling

Det var en av de viktigaste anledningarna till att de agila arbetssätten motiverades och sedermera fick genomslag. I stället för att försöka bestämma allt från början började vi arbeta i kortare iterationer. Varannan eller var tredje vecka kunde verksamheten prioritera vad som var viktigast just då. Teamet utvecklade, visade resultatet, fick återkoppling och justerade riktningen. Det var i grunden en rationell förändring.

AI förändrar arbetssätt

Med nya förutsättningar kommer behov av nya arbetssätt, AI är en sådan förutsättning. Vad händer om något som tidigare tog ett utvecklingsteam tre månader i stället kan utvecklas på två veckor? Eller om en funktion som tidigare tog en sprint att utveckla kan tas fram, testas och verifieras på några timmar?

Då förändras inte bara utvecklingshastigheten. Då förändras själva logiken i projektmodellen som en konsekvens av AI-driven utveckling. Vi pratar mycket om hur AI förändrar kodningen, men kanske är den större förändringen att den också förändrar rytmen i hur verksamhet och IT arbetar tillsammans.

I vattenfallsmodellen försökte vi bestämma så mycket som möjligt i förväg eftersom själva utvecklingen tog lång tid. I den agila modellen accepterade vi osäkerheten och kortade beslutsintervallet till veckor. Men om produktionen nu kan ske på dagar eller timmar flyttas flaskhalsen igen.

Flaskhalsen kan hamna hos verksamheten.

• Kan vi beskriva vad vi faktiskt vill åstadkomma?
• Kan vi pröva resultatet mot användarna, avgöra om det håller måttet och snabbt bestämma vad som ska hända härnäst?
• Orkar vi förändras i den takt som behövs?

Det betyder att vi kanske behöver gå från en modell där utveckling sker i sprintar till en modell där prioritering, produktion, återkoppling och förändring sker kontinuerligt.

Den tredje generationen: adaptiv AI-utveckling

Jag tror därför att vi börjar närma oss en tredje generation av utvecklingsmodeller. Vi väljer att kalla den adaptiv AI-utveckling.

I en adaptiv AI-modell behöver vi inte vänta till nästa sprint för att prioritera om. Ett nytt behov kan beskrivas, analyseras, utvecklas, testas och utvärderas nästan kontinuerligt. Verksamheten beskriver vilket resultat man vill uppnå och vilka ramar som gäller. AI-baserade produktionssystem som TANON kan därefter utveckla, testa och validera lösningen. Människor bedömer resultatet, ger återkoppling och förändrar riktningen.

Sedan börjar processen om, inte efter tre månader och inte nödvändigtvis efter två veckor, utan när det behövs.

Människans roll förändras

Det förändrar också våra roller. Människans viktigaste uppgift blir i mindre utsträckning att själv producera varje del av lösningen och i större utsträckning att sätta riktningen.

• Vad försöker vi åstadkomma?
• Vilket problem är viktigast att lösa?
• Vilka krav får aldrig kompromissas bort?
• Hur reagerar användarna?
• Vad lärde vi oss av det vi precis levererade?

Det gör också att behovet av verksamhetens kunskap ökar. När tiden mellan idé och fungerande lösning krymper behöver verksamheten komma betydligt närmare själva produktionen. Det blir svårare att lämna över ett krav och sedan vänta på nästa demo några veckor senare. I praktiken blir utvecklingen mer av en kontinuerlig interaktion mellan behov och lösning, där gränsen mellan utveckling och förvaltning blir allt mindre tydlig.

Erfarenheter från TANON

Det är också en av de saker vi ser när vi arbetar med TANON. När flera AI-agenter kan utveckla, granska, testa och validera parallellt förändras inte bara hur snabbt kod produceras. Hela flödet från behov till fungerande lösning komprimeras och kommer i allt högre grad att begränsas av hur snabbt verksamheten kan beskriva vad som behövs härnäst.

Vattenfallsmodellen skapades för en värld där förändring var dyr och tog lång tid. Agila metoder skapades för en värld där vi behövde kunna ändra riktning oftare. AI kan vara på väg att skapa en värld där vi kan ändra riktning kontinuerligt.

Då behöver projektmodellen förändras. Först vattenfall. Sedan agilt. Nu adaptiv AI-utveckling!

Vill du diskutera denna artikel – hör av dig.