增强软件团队：如何从生成式人工智能中获得最大帮助

AI辅助编码：增强软件开发生成AI 探索软件工程中的生成AI集成以增强编码和团队协作 CONTENTS 04生成AI是软件工程的最新和最伟大的进化。 05将未来的软件工程范式纳入视野：增强软件团队 07 如何前进：一种经过验证的软件工程转换方法 07评估组织的成熟度，制定目标明确的路线图。 运行真实世界的实验并衡量影响08生成AI 大规模部署面向软件工程的创成式AI08 09 凯捷在测量方面的经验生成的AI影响 09测量协议和现实世界的实验：为可操作和可靠的结果而设计 11先决条件和成功因素 12经验教训 13我们可以与您一起推动软件工程转型 14软件工程新时代的到来 增强软件团队：如何从2个生成AI中获得最大的帮助 免责声明:这篇论文提供了基于当前生成式人工智能landscape的前瞻性视角。它反映了生成式人工智能技术在理解与经验上的快速进步。该研究综合了外部研究、技术领导者以及我们团队和客户实验的见解。尽管未来充满不确定性，但我们能够确立并构想出可能的发展轨迹和展望。 软件在现代企业中发挥着关键作用，无论是集成到业务应用还是产品中。尽管软件无处不在，软件工程组织面临的终极挑战始终是快速推出高质量软件以跟上不断加速的需求。 生命周期自动化、开源生态系统、云原生和可组合软件架构、DevOps连续体以及低代码/无代码开发均已引入。每一种都建立在以往迭代的进展之上。 多年来，通过采用新方法和新技术，生产率和质量标准得到了逐步提升。灵活且持续的产品中心化方法和软件 但对更快的时间价值和更好的成本效率的需求仍在加速。这使得软件组织在保持预期质量的同时，难以按预期速度交付产品，并控制技术债务和成本。 增强软件团队：如何最大限度地利用生成式AI生成式AI 生成AI是软件工程的最新和最伟大的发展 。 生成式AI现已在许多应用领域引发惊叹和兴奋，尤其是在软件工程领域。比尔·盖茨将其最新进展称为过去40多年中最革命性的技术成就。1 有可能极大地改善组织应对业务 和IT挑战的方式。 商业与技术的交汇点将是生成式AI影响的核心。一方的发展会影响另一方。例如，高质量的高效软件工程可以缩短产品上市时间，从而更早地为企业带来价值，使领先的企业同时在软件和技术层面占据优势 800家组织中，67%的高管认为通用人工智能在信息技术功能领域的潜力最大，可推动创新并创造价值。3此外，根据Forrester的研究，“现成和定制的人工智能软件支出将从2021年的330亿美元翻倍至2025年的640亿美元，并且将以整体软件市场增速的1.5倍速度增长，年增长率将达到18 %。”4 在既有软件现代化和新软件开发的背景下，生成式AI为软件工程师赢得了时间。他们得以专注于业务需求、软件质量、安全性和 市场推出时机。但仅当组织及其员工承诺积极参与时才会实现，需牢记早期采用者将在该领域占据领先地位。 此外，生成式AI不仅有机会变革软件的交付方式，还能标准化并提升其交付质量。在软件工程中使用生成式AI所带来的好处可以扩展到企业的其他领域，从而创造更大的价值、降低IT成本并减少技术债务。 。新软件所需的高级功能。使用生成式AI的组织的生产力提高了7%-18%6在软件工程功能方面，与最初的估计相比，创建文献和文档、编写代码和脚本显示出最大的时间节省，最大节省 我们的Capgemini研究机构报告显示，61%的组织认为生成式AI的主要益处在于促进更多创新性工作，例如开发新的软件功能和服务。紧随其后的是提高软件质量（49%）和增加生产效率（40%）。这些生产效率的提升被用于开展创新性工作，如开发新的软件功能（50%）和技能提升（47%）。很少有组织打算通过此来减少员工数量（4% ）。2 生成式AI也对软件专业人士的工作满意度产生了积极影响。69%的高级软件专业人员和55%的初级软件专业人员表示，使用生成式AI进行软件开发时感到高度满意。78%的软件专业人员对生成式AI增强业务和技术团队之间的协作潜力持乐观态度。5 比例为35%，平均节省比例为10 %，最大节省比例分别为34%和平均节省比例为9%。7生成式AI对软件专业人士的工作满意度也有积极影响。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进行软件开发带来了较高的满意度。78%的软件专业人士对生成式AI增强业务和技术团队之间的协作潜力持乐观态度。8 根据凯捷研究所的另一项调查 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，同时加快速度。 [1]https://www.gatesnotes.com/The-Age-of-AI-Has-Begun [2]凯捷研究所“涡轮充电软件”，2024年6月 [3]凯捷研究所“组织中的生成AI”，2023年7月 [4]全球AI软件预测，ForresterResearch，Inc.2022年9月29日 [5]凯捷研究所“涡轮充电软件”，2024年6月 [6] 在总生产生率的提高意味着产整体改进力的个人从所有类型的任务加速通过生成AI。 [7]凯捷研究所“涡轮充电软件”，2024年6月 [8]凯捷研究所“涡轮充电软件”，2024年6月 将未来的软件工程范式纳入视野：增强软件团队 我们相信生成式AI将逐步改变软件开发的方式。大型语言模型（LLMs）的出现为向更多人工智能辅助 （增强）的软件团队转变提供了有力的理由。将生成式AI集成到软件工程中有望显著提高生产力并提升产品质量。基础的原则和方法，如敏捷和DevOps理念，包括协作、灵活性、价值交付时间、以产品为中心以及持续反馈循环，都将得以保留。 使软件团队能够专注于更复杂和更具创造性的方面 ，从而提高整体生产力。 现代pairprogramming与生成式AI相结合的软件团队可以通过重新组织和采用新的工作方式，有效地受益并优化生成式AI的使用，遵循以下原则： 根据Capgemini研究机构的研究 ，最重要的前置条件中最大的差距通常在于平台和工具的访问，包括集成开发环境（IDEs）、自动化和测试工具以及协作工具。只有27%的组织声称拥有这些工具的平均以上可用性。在测试领域专业人士中，有24%表示他们可以访问这些工具，而项目和程序管理专业人士中这一比例仅为19%，进一步突显了软件工程功能中的差距。9 •增强对编程: 扩展软件团队的基本单元是一对或多个软件工程师间断性地相互合作或单独与AI助手合作的工作单元。 通过与由大规模语言模型（LLMs）驱动的AI助手合作，增强软件团队可以自动化繁琐的任务，并促进更加细腻的数据驱动决策 。这优化了软件生命周期，并有助于在途中实现更多里程碑。 我们称这种方法为对话式软件工程 。在这种方法中，软件团队会提示AI助手生成代码片段、解决技术问题，甚至协助设计和架构软件。核心理念是在开发环境中通过持续与AI助手的对话，使软件开发流程更加动态和互动。这是一种简化任务 、更高效地解决问题的方法。 [9]凯捷研究所“涡轮充电软件”，2024年6月 •AI-人类协作：团队成员individual地与AI助手合作，自动化重复性任务、理解并解决问题，或Brainstorming想法，利用大语言模型（LLM）的速度和知识，同时确保人类的创造力。 •人与人之间的合作： 在与AI助手进行对话后，人类会审查生成的输出并提高其质量 。 高级协调:一位高级领导者oversee管理增强后的团队，协调努力并解决冲突，同时确保控制和验证以促进顺畅的工作流程和健康的团队动态。 深入了解编码助手 将该技术应用于软件工程将在传统软件开发生命周期（SDLC）中显著协助软件团队完成多种任务。 例如，软件工程师在将待处理的故事转化为软件时会利用生成式AI进行设计和编码活动。生成式AI可以用来创建诸如用户界面原型、实体模型和应用程序编程接口（API）等设计输出。这导致了显著的生产率提升，同时不会牺牲质量，因为所有设计输出都会由软件工程师或技术主管进行审查、更新和验证。 尽管生成式AI在软件工程领域的应用仍处于早期阶段，预计生成式AI将在提升软件工作队伍的经验、工具和平台，以及治理方面发挥关键作用，并到2026年协助完成超过25%的软件设计、开发和测试工作。10 生成式AI还准备重新定义传统的编程实践，通过将重点从编码转移到提示工程和代码校验来实现，正如OpenAI计算机科学家AndrejKarpathy近期所说：“目前最热门的新编程语言是英语。”11例如，使用简单的语言，软件工程师可以描述软件功能的预期功能，然后审查、更新和验证生成的输出。还有许多其他示例，如代码自动补全、生成单元测试代码、（retro）文档以及从一种编程语言迁移到另一种编程语言。 生成式AI的一个非常重要价值在于它可以在编码过程中支持开发者。它可以直接建议干净的代码，或者评估现有代码以提高软件质量，如果发现存在问题的话。 [10]凯捷研究所“涡轮充电软件”，2024年6月 [11]https://twitter.com/karpathy/status/1617979122625712128?lang=en-GB 增强软件团队：如何从666生成AI中获得最大帮助 如何前进： 一种行之有效的软件工程转换方法 为了开启这一旅程，组织与一位经验丰富且值得信赖的顾问合作将获得巨大益处。除了具备相当的AI专业知识外，这位合作伙伴还应该准备好监督实验，并组建协作项目团队，这些团队最终会发展成为联合软件公司。 进展的速度和模式各不相同。因此，在生成式AI能够成为日常运营的一部分之前，每种情况都将面临独特的需要和挑战。 重要的是要关注三个方面： 多种因素，如公司规模、人员结构金字塔、行业特定目标等 ，意味着每个组织单位都有其独特性。 评估组织的成熟度并制定路线图。 •运行实验和衡量影响。 •大规模部署。 评估组织的成熟度并制定具有明确目标的路线图。 在一个公司内部，通常会有多种软件开发生命周期（SDLC）的变体。通常，每个程序/项目/产品都会有其自己的SDLC版本。对某一IT领域的SDLC进行细致的评估和深入的理解，可以揭示当前软件工程过程的成熟度，并判断它们是否与行业最佳实践相一致。评估还将识别出需要改进的领域。 改进，特别是在出现瓶颈或效率低下的地方。 基于这一评估，可以通过选择最具潜力的转型赋能器来定义目标 ，并识别它们相关的风险和挑战 。一些赋能器将由生成式AI驱动 ，而对另一些，则更多的是应用软件工程的最佳实践。重要的是要定义关键指标。 为了衡量未来转型的成果，并尽早涉及利益相关方以促进协作环境。 最终，全面的价值、可访问性和风险分析将为基础，以制定变革路线图。所有选项都将被权衡和优先排序，以便在定义每个选项的不同领域、团队和角色时做出知情的资源配置决策。 运行真实世界的实验并衡量生成AI 明确了优先事项后，是时候选择最佳生成式AI工具以实现这些目标了。同时，需要设立护栏来管理任何潜在的法律和网络安全风险，并控制成本。测量和持续改进将是关键。随着生成式AI被更多地嵌入SDLC（软件开发生命周期）流程中，组织需要评估其影响。这意味着需要衡量诸如生产率提升、软件质量、市场上市时间以及开发者体验等关键方面 。应建立反馈循环机制，以便根据不效率调整部署的速度和范围 ，或响应不断变化的需求和具体目标。至关重要的是， 实验和测量应与组织的业务环境和行业背景相关。 但要真正具备竞争力，组织不仅需要内部衡量指标。在Capgemini，我们开发了一套工业化的价值测量协议，用于评估生成式AI在整个组织多个SDLC（软件开发生命周期 ）中的客观影响。该协议用于衡量和对比组织的各项指标与我们的基准，该基准考虑了所有相关的内部和外部生成式AI项目。这使组织能够清楚地了解自己相对于同行的表现。 为了更好地理解这一情况，目前软件工程领域中生成式AI的应用仍处于早期阶段，仍有90%的组织尚未大规模应用。其中，27%的组织正在运行生成式AI试点