软件工程中的生成 AI 集成
生成式 AI 将改变软件开发范式，显著提升生产力与产品质量，成为软件工程的最新进化。67% 的高管认为通用 AI 在信息技术领域的潜力最大，预计到 2025 年 AI 软件支出将翻倍至 640 亿美元。
生成式 AI 的商业与技术价值
生成式 AI 不仅变革软件交付方式，还能标准化并提升交付质量。其好处可扩展至企业其他领域，创造更大价值、降低 IT 成本并减少技术债务。使用生成式 AI 的组织生产力提高 7% - 18%，创建文献和文档、编写代码和脚本的时间节省最大，分别为 35%（平均 10%）和 34%（平均 9%）。69% 的高级软件专业人士和 55% 的初级软件专业人士表示使用生成式 AI 提高了工作满意度。78% 的软件专业人士对生成式 AI 增强团队协作持乐观态度。61% 的组织认为生成式 AI 的主要益处在于促进创新性工作，其次是提高软件质量（49%）和增加生产效率（40%）。
生成式 AI 对软件工程的影响
生成式 AI 将补充带宽，在不增加容量的情况下提高生产力和效率。预计到 2026 年，生成式 AI 将协助完成超过 25% 的软件设计、开发和测试工作。它将重新定义传统编程实践，通过提示工程和代码校验实现，将重点从编码转移到更简单的语言描述。
增强软件团队的方法
现代 pair programming 与生成式 AI 相结合，通过以下原则优化其使用：
- 增强对编程： 软件团队与 AI 助手合作，自动化繁琐任务，优化软件生命周期。
- AI - 人类协作： 团队成员与 AI 助手合作，自动化重复性任务、解决问题或 Brainstorming，利用 LLM 的速度和知识。
- 人与人之间的合作： 人类审查 AI 生成的输出并提高其质量。
- 高级协调： 高级领导者管理增强后的团队，协调努力并解决冲突。
转型方法：如何前进
为了开启转型旅程，组织应与经验丰富的顾问合作，评估组织成熟度并制定路线图，运行真实世界的实验并衡量影响，最终大规模部署生成式 AI。
评估组织成熟度并制定路线图
评估组织的软件开发生命周期（SDLC）成熟度，识别需要改进的领域，并基于评估定义目标、风险和挑战，制定变革路线图。
运行实验和衡量影响
选择最佳生成式 AI 工具，设立护栏管理潜在风险，并建立反馈循环机制。Capgemini 开发了工业化的价值测量协议，用于评估生成式 AI 在多个 SDLC 中的客观影响。
大规模部署生成式 AI
在试点和全面交付后，许多组织希望扩大应用范围。必须考虑组织和人力资源影响，引入生成式 AI 技能提升计划，并组建专门团队定义业务案例、衡量进展并确保结果符合预期。
凯捷在测量方面的经验
生成式 AI 驱动的软件工程将重塑组织。Capgemini 启动了一个大规模全球项目，通过内部和客户联合实验探索生成式 AI 的影响。部署了可靠且一致的测量协议，逐步将结果整合到数据库中。
测量协议和实际实验
测量软件开发中的生产力存在固有的复杂性，需要涵盖定性和定量因素。区分高级团队、平衡团队和初级团队，评估编码速度和单元测试覆盖率等指标。实验过程包括定义团队组织和实验范围、定义测量方法、验证先决条件和成功因素、执行基准、运行实验、收集并标准化度量和反馈，以及合并和报告测量结果。
经验教训
- 适当的培训、playbook 和及时的库。
- 实验框架：持续时间至少为六个冲刺，包含多样化的用户故事和复杂度混合。
- 团队稳定性：团队内部的不稳定可能妨碍实验结果。
- 开发人员经验：对生成式 AI 工具的高度认可，表明开发体验积极。
- 基线建立：固体文档和包装，基线测试对于确保各类指标之间的稳健且具代表性的比较至关重要。
- 学习、记录并打包生成式 AI 的最佳实践至关重要。
- 工具透视图：涵盖多种技术组合，包括供应商提供的解决方案与生成式 AI 扩展相结合，以及通过上下文提示工程技巧增强的基础大语言模型（LLMs）。
总结
生成式 AI 将提高生产效率、开发者体验和组织效率，记录并打包最佳实践对于促进该变革性技术的广泛采用并最大化其益处至关重要。
