Το μέλλον του software δεν θα ανήκει σε όσους χτίζουν γρηγορότερα, αλλά σε όσους καταλαβαίνουν καλύτερα τι πρέπει να χτιστεί.
Για χρόνια, το software απολάμβανε μια ιδιότυπη προστασία: ήταν δύσκολο και ακριβό να κατασκευαστεί.
Όταν ένας μεγάλος οργανισμός χρειαζόταν ένα σύστημα ροών εργασίας, μια εσωτερική πλατφόρμα, ένα reporting layer, ένα customer portal ή μια εφαρμογή ειδικά προσαρμοσμένη σε έναν κλάδο, είχε συνήθως δύο επιλογές. Μπορούσε να αγοράσει ένα γενικό προϊόν που ήταν «αρκετά κοντά» στις ανάγκες του ή να χρηματοδοτήσει ένα custom έργο που απαιτούσε χρόνο, χρήματα, συντονισμό και τεχνικό ρίσκο.
Αυτή η πραγματικότητα επέτρεψε στο μέτριο software να επιβιώσει.
Μέτριο software δεν σημαίνει απαραίτητα προβληματικό ή κακογραμμένο software. Συχνά λειτουργεί. Έχει φόρμες, dashboards, workflows, ρόλους, ειδοποιήσεις, exports και integrations. Μπορεί να ικανοποιεί τη σύμβαση, να περνά τις δοκιμές αποδοχής και να παραδίδεται στην ώρα του.
Αλλά πολλές φορές καταλαβαίνει μόνο την επιφάνεια του οργανισμού.
Ψηφιοποιεί αυτό που ζητήθηκε. Δεν λύνει απαραίτητα αυτό που έχει πραγματική σημασία.
Η τεχνητή νοημοσύνη θα αποκαλύψει αυτή την αδυναμία.
Η συνηθισμένη συζήτηση περιστρέφεται γύρω από το αν η AI θα αντικαταστήσει τους developers ή αν το software θα αρχίσει να γράφεται μόνο του. Αυτό είναι ένα πολύ περιορισμένο ερώτημα.
Η βαθύτερη αλλαγή είναι οικονομική: η AI μειώνει το κόστος παραγωγής πολλών στοιχείων που στο παρελθόν έκαναν το software να φαίνεται ιδιαίτερα πολύτιμο.
Τα interfaces δημιουργούνται γρηγορότερα. Τα reports παράγονται σχεδόν αυτόματα. Documentation, tests, scripts, prototypes, workflows και integrations μπορούν πλέον να υλοποιούνται με πολύ μικρότερη προσπάθεια.
Όταν η κατασκευή γίνεται φθηνότερη, η αξία του software μετακινείται αλλού.
Μετακινείται από την υλοποίηση στην ερμηνεία.
Από τα features στην κρίση.
Από τις οθόνες στην επιχειρησιακή κατανόηση.
Από το «τι μπορούμε να φτιάξουμε;» στο «τι πρέπει να φτιάξουμε;».
Γι’ αυτό η AI δεν θα σκοτώσει το software.
Θα σκοτώσει το μέτριο software.
Η δημιουργία software δεν αφορά κυρίως τον κώδικα
Το να χτίζεις software δεν είναι απλώς θέμα κώδικα. Για να είμαστε ειλικρινείς, ο κώδικας είναι συχνά το λιγότερο δύσκολο μέρος του προβλήματος.
Αν το software ήταν μόνο κώδικας, τότε αργά ή γρήγορα οι μηχανές θα γίνονταν καλύτερες από τους ανθρώπους σε αυτό — πιθανότατα πολύ νωρίτερα απ’ όσο περιμένουν πολλοί.
Το software, όμως, δεν είναι απλώς κώδικας.
Το να χτίζεις software σημαίνει να δίνεις πρακτικές απαντήσεις σε πραγματικά προβλήματα. Σημαίνει να παίρνεις κάτι αβέβαιο, κατακερματισμένο, ασυνεπές ή αμφισβητήσιμο και να το μετατρέπεις σε κάτι σταθερό, χρήσιμο και αξιόπιστο.
Αυτό είναι ιδιαίτερα σημαντικό σε μεγάλους οργανισμούς, όπου οι ανάγκες διαφέρουν ανάμεσα σε υπηρεσίες, ρόλους και επίπεδα ευθύνης.
Ένας manager μπορεί να χρειάζεται στρατηγική εικόνα. Ένας operator μπορεί να χρειάζεται απλότητα και ταχύτητα. Μια ομάδα compliance μπορεί να χρειάζεται ιχνηλασιμότητα. Το οικονομικό τμήμα μπορεί να χρειάζεται επιμερισμό κόστους. Η διοίκηση μπορεί να χρειάζεται αξιόπιστους δείκτες. Οι καθημερινοί χρήστες μπορεί απλώς να χρειάζονται λιγότερα διπλά βήματα και δεδομένα που μπορούν να εμπιστευτούν.
Αυτές οι ανάγκες δεν είναι αυτόματα ευθυγραμμισμένες.
Εδώ είναι που πολλά software projects χάνουν τον δρόμο τους.
Η λάθος ερώτηση δημιουργεί το λάθος προϊόν
Η σημαντικότερη ερώτηση που μπορεί να κάνει ένας αρχιτέκτονας ψηφιακών λύσεων δεν είναι:
Τι θέλετε να φτιάξουμε;
Η σωστή ερώτηση είναι:
Τι θέλετε να πετύχετε με αυτό που θα φτιάξουμε;
Η διαφορά μπορεί να ακούγεται μικρή, αλλά αλλάζει τα πάντα.
Η πρώτη ερώτηση οδηγεί σε οθόνες, modules, features, workflows και παραδοτέα.
Η δεύτερη οδηγεί σε αποτελέσματα, ικανότητες και στρατηγική κατεύθυνση.
Όταν ρωτάς έναν stakeholder τι θέλει να φτιαχτεί, συνήθως περιγράφει κάτι που ήδη γνωρίζει. Ζητά έναν χάρτη, ένα dashboard, ένα portal, ένα report, μια εφαρμογή ή μια ροή εργασίας.
Δεν σημαίνει όμως ότι γνωρίζει αν αυτή είναι η σωστή λύση.
Βλέπει το πρόβλημα από τη δική του θέση μέσα στον οργανισμό. Μπορεί να μη βλέπει το σύνολο. Μπορεί να μην ξέρει πώς λειτουργεί μια άλλη υπηρεσία, από πού προέρχονται τα δεδομένα, ποιες εξαιρέσεις έχουν πραγματική σημασία ή τι θα συμβεί όταν η λύση λειτουργήσει σε μεγάλη κλίμακα.
Ο αρχιτέκτονας ψηφιακών λύσεων δεν πρέπει απλώς να μετατρέπει αιτήματα σε προδιαγραφές.
Πρέπει να κατανοεί την πρόθεση πίσω από το αίτημα.
Οι προδιαγραφές μπορεί να είναι πλήρεις και παρ’ όλα αυτά λανθασμένες
Οι άνθρωποι που γράφουν τις προδιαγραφές ενός έργου δεν έχουν πάντα πλήρη εικόνα της επιχειρησιακής πραγματικότητας του οργανισμού.
Μπορεί να καθορίζουν modules, παραδοτέα, SLA, κριτήρια αποδοχής και τυπικές απαιτήσεις. Το έγγραφο μπορεί να φαίνεται αναλυτικό, ολοκληρωμένο και επαγγελματικά συνταγμένο.
Και παρ’ όλα αυτά να οδηγεί το έργο σε λάθος κατεύθυνση.
Αυτό είναι ιδιαίτερα επικίνδυνο σε μεγάλους οργανισμούς. Διαφορετικές υπηρεσίες μπορεί να περιγράφουν την ίδια διαδικασία με διαφορετικό τρόπο. Η διοίκηση μπορεί να έχει μία αντίληψη της εργασίας, ενώ οι άνθρωποι που εκτελούν τη διαδικασία καθημερινά να βιώνουν κάτι τελείως διαφορετικό.
Μια απαίτηση που φαίνεται λογική στο χαρτί μπορεί στην πράξη να δημιουργεί τριβή, διπλή εργασία ή περιττή πολυπλοκότητα.
Το αποτέλεσμα είναι γνώριμο.
Η εφαρμογή παραδίδεται. Οι οθόνες υπάρχουν. Τα workflows λειτουργούν. Τα reports παράγονται. Τα συμβατικά κουτάκια έχουν τσεκαριστεί.
Ο οργανισμός όμως δεν έχει πάει παρακάτω.
Αυτό δεν είναι απαραίτητα αποτυχία προγραμματισμού.
Είναι συχνά αποτυχία μετάφρασης.
Το software χρειάζεται ένα επίπεδο μετάφρασης
Το καλό software απαιτεί κάτι περισσότερο από προγραμματιστική ικανότητα και γνώση του domain.
Απαιτεί την ικανότητα να μεταφράζεις την πραγματικότητα του οργανισμού σε σωστή κατεύθυνση προϊόντος και αρχιτεκτονική.
Αυτή η μετάφραση δεν είναι απλώς συλλογή απαιτήσεων. Σημαίνει να κατανοείς πώς εκτελείται πραγματικά η εργασία, όχι μόνο πώς περιγράφεται επισήμως.
Σημαίνει να βλέπεις πού ρέουν τα δεδομένα, πού αλλάζει χέρια η ευθύνη, πού λαμβάνονται οι αποφάσεις, πού εμφανίζονται οι εξαιρέσεις και πού καταρρέει η εμπιστοσύνη.
Σε πολλά έργα, όλες οι απαραίτητες πληροφορίες υπάρχουν ήδη.
Τα δεδομένα υπάρχουν.
Οι άνθρωποι γνωρίζουν τα προβλήματα.
Οι διαδικασίες είναι ορατές.
Ο οργανισμός έχει αρκετό υλικό για να κινηθεί προς τη σωστή κατεύθυνση.
Και παρ’ όλα αυτά, το έργο αποτυγχάνει.
Μερικές φορές η αποτυχία δεν οφείλεται στο ότι δεν μπορούσαν να εντοπιστούν οι πραγματικές ανάγκες. Οφείλεται στη λύση που επιλέχθηκε.
Το έχω δει συχνά σε domains όπου η διείσδυση της τεχνολογίας παραμένει χαμηλή. Το πρόβλημα είναι υπαρκτό. Η ανάγκη είναι πραγματική. Τα δεδομένα μπορεί να είναι ήδη διαθέσιμα.
Η προτεινόμενη λύση, όμως, μπορεί να μην ταιριάζει στην ωριμότητα, στην επιχειρησιακή πραγματικότητα ή στην κλίμακα του οργανισμού.
Μια λάθος λύση μπορεί να είναι τεχνικά εξελιγμένη και ταυτόχρονα στρατηγικά άχρηστη.
Η AI μπορεί να επιταχύνει τη λάθος κατεύθυνση
Η AI μπορεί να βοηθήσει στη δημιουργία οθονών. Μπορεί να βοηθήσει στη συγγραφή κώδικα. Μπορεί να παράγει documentation, να δημιουργεί prototypes και να επιταχύνει την παράδοση.
Χωρίς τη σωστή καθοδήγηση, όμως, μπορεί να επιταχύνει και τη λάθος κατεύθυνση.
Ένα λάθος διατυπωμένο πρόβλημα δεν γίνεται καλύτερο επειδή η AI βοηθά να λυθεί γρηγορότερα.
Μπορεί να γίνει χειρότερο.
Μια ομάδα μπορεί πλέον να παράγει περισσότερο κώδικα, περισσότερα artifacts, περισσότερα prototypes και περισσότερα features, ενώ εξακολουθεί να χτίζει πάνω σε λάθος ερμηνεία των αναγκών του οργανισμού.
Αυτός είναι ένας από τους κρυφούς κινδύνους του AI-assisted software development.
Η AI μπορεί να κάνει την εκτέλεση γρηγορότερη πριν κάνει την κατανόηση βαθύτερη.
Η ταχύτητα δεν είναι από μόνη της πρόοδος.
Μερικές φορές είναι απλώς μια γρηγορότερη διαδρομή προς τον λάθος προορισμό.
Τα ίδια δεδομένα μπορούν να οδηγήσουν στο λάθος προϊόν
Έχω δει αυτό το μοτίβο και σε δημοτικές λειτουργίες.
Σε μία περίπτωση, η αρχική κατεύθυνση ήταν να εμφανίζεται σε χάρτη το ιστορικό αποκομιδών δεκάδων χιλιάδων δημόσιων κάδων, κάδος προς κάδο, ώστε οι χρήστες να μπορούν να αξιολογούν την αποδοτικότητα κάθε κάδου σε σχέση με τη θέση του.
Εκ πρώτης όψεως, αυτό ακουγόταν σαν μια data-driven λειτουργία.
Στην πράξη, όμως, κινδύνευε να εξελιχθεί σε τεράστια σπατάλη development effort, υπολογιστικών πόρων και επιχειρησιακής προσοχής.
Ο οργανισμός δεν χρειαζόταν οι χρήστες να ανοίγουν χιλιάδες εγγραφές και να εξετάζουν χειροκίνητα τα ιστορικά αποκομιδών πάνω σε έναν χάρτη.
Χρειαζόταν το σύστημα να επεξεργάζεται αυτά τα δεδομένα και να παράγει έτοιμα συμπεράσματα με βάση δυναμικές παραμέτρους που θα όριζε ο ίδιος ο Δήμος.
Τα ίδια δεδομένα ήταν διαθέσιμα και στις δύο προσεγγίσεις.
Η διαφορά δεν ήταν τεχνική.
Ήταν αρχιτεκτονική και στρατηγική.
Η μία προσέγγιση έχτιζε ένα feature.
Η άλλη δημιουργούσε μια ικανότητα.
Η διάκριση αυτή γίνεται ακόμη πιο σημαντική στην εποχή της AI. Η AI μπορεί να βοηθήσει να χτιστούν ο χάρτης, τα φίλτρα, τα interfaces και το reporting layer πολύ γρηγορότερα.
Αν όμως η αρχική ερμηνεία είναι λάθος, η ταχύτητα απλώς αυξάνει το κόστος του λάθους.
Τα ίδια δεδομένα μπορούν να δημιουργήσουν είτε ένα άχρηστο feature είτε μια ισχυρή οργανωσιακή ικανότητα.
Η διαφορά είναι η ερμηνεία.
Η κλίμακα αποκαλύπτει το μέτριο software
Η κλίμακα είναι άλλο ένα σημείο στο οποίο το μέτριο software γίνεται ορατό.
Μια λύση μπορεί να λειτουργεί καλά για ένα μικρό dataset, λίγους χρήστες ή μία υπηρεσία. Όταν όμως συναντήσει την πολυπλοκότητα ενός μεγάλου οργανισμού, μπορεί να γίνει αργή, ακριβή, δύσκολη στη συντήρηση ή πρακτικά αδύνατη να χρησιμοποιηθεί με ουσιαστικό τρόπο.
Η κλίμακα δεν είναι μόνο πρόβλημα υποδομής.
Είναι και πρόβλημα σχεδιασμού.
Αν οι χρήστες πρέπει να ελέγχουν χειροκίνητα χιλιάδες εγγραφές για να καταλήξουν σε ένα συμπέρασμα, το πρόβλημα δεν λύθηκε.
Απλώς ψηφιοποιήθηκε.
Αν ένα σύστημα δημιουργεί περισσότερες οθόνες από αποφάσεις, περισσότερα dashboards από πραγματική γνώση ή περισσότερη δραστηριότητα από ικανότητα, δεν κλιμακώνει τη νοημοσύνη.
Κλιμακώνει τη σύγχυση.
Η AI θα κάνει ευκολότερη την κατασκευή software που φαίνεται ολοκληρωμένο. Σε μεγάλη κλίμακα, όμως, το σημαντικό ερώτημα δεν είναι αν υπάρχει η εφαρμογή.
Είναι αν ο οργανισμός μπορεί πραγματικά να τη χρησιμοποιήσει για να λειτουργήσει καλύτερα.
Το one-size-fits-all software θα χάσει έδαφος
Η AI θα επιταχύνει και την υποχώρηση του one-size-fits-all software.
Για χρόνια, πολλοί οργανισμοί αποδέχονταν γενικά προϊόντα επειδή οι custom λύσεις ήταν ακριβές. Προσαρμόζονταν οι ίδιοι στο software επειδή η εναλλακτική απαιτούσε περισσότερο χρόνο και μεγαλύτερο κόστος.
Ανέχονταν περιττά βήματα, άβολες ροές και επιφανειακό reporting επειδή το «αρκετά κοντά» ήταν συχνά η μόνη ρεαλιστική επιλογή.
Αυτή η λογική αποδυναμώνεται.
Καθώς το AI-assisted development μειώνει το κόστος δημιουργίας και προσαρμογής software, οι οργανισμοί θα αρχίσουν να περιμένουν λύσεις που αντανακλούν το πραγματικό operating model τους.
Όχι customization με την παλιά έννοια της αλλαγής χρωμάτων, πεδίων ή δικαιωμάτων.
Πραγματικό customization.
Software που κατανοεί τις ροές, τις ευθύνες, τα δεδομένα και τις εξαιρέσεις του οργανισμού.
Αυτό δεν σημαίνει ότι κάθε οργανισμός θα χτίζει τα πάντα από την αρχή. Οι γενικές πλατφόρμες θα συνεχίσουν να έχουν αξία.
Η αξία, όμως, θα μετακινηθεί από τη γενική λειτουργικότητα στο επίπεδο που μετατρέπει μια πλατφόρμα σε πραγματική οργανωσιακή ικανότητα.
Το μέλλον δεν θα ανήκει στο software που αναγκάζει κάθε οργανισμό να χωρέσει στο ίδιο μοντέλο.
Θα ανήκει στα συστήματα που μπορούν να απορροφήσουν τη λογική του domain, την οργανωτική δομή και την επιχειρησιακή ιδιαιτερότητα.
Τα features δεν αποτελούν πλέον το ανταγωνιστικό πλεονέκτημα
Ένα dashboard δεν είναι στρατηγική.
Ένα workflow δεν είναι ικανότητα.
Ένας AI assistant δεν είναι μετασχηματισμός.
Ένα report δεν είναι αλήθεια.
Όλα αυτά μπορούν να είναι χρήσιμα. Κανένα όμως δεν αρκεί.
Καθώς η AI κάνει ευκολότερη την παραγωγή βασικού software, πολλά features που στο παρελθόν φαίνονταν πολύτιμα θα γίνουν εύκολο να αναπαραχθούν.
Ένα τυπικό approval flow δεν είναι ανταγωνιστικό πλεονέκτημα.
Ένα γενικό dashboard δεν είναι ανταγωνιστικό πλεονέκτημα.
Ένα generated report δεν είναι ανταγωνιστικό πλεονέκτημα.
Ένα AI layer πάνω σε αδύναμες διαδικασίες δεν είναι ανταγωνιστικό πλεονέκτημα.
Το νέο ανταγωνιστικό πλεονέκτημα είναι η επιχειρησιακή κατανόηση.
Μπορεί το σύστημα να διακρίνει μια τυπική περίπτωση από μια κρίσιμη εξαίρεση;
Μπορεί να διατηρήσει τη λογοδοσία;
Μπορεί να εξηγήσει από πού προήλθαν τα δεδομένα;
Μπορεί να υποστηρίξει διαφορετικούς ρόλους χωρίς να δημιουργεί σύγχυση;
Μπορεί να βοηθήσει τον οργανισμό να κατανοήσει τι πραγματικά συμβαίνει;
Εκεί θα ανταγωνιστεί η επόμενη γενιά software.
Όχι στον αριθμό των features, αλλά στο πόσο καλά συλλαμβάνει τη νοημοσύνη της εργασίας.
Από την παράδοση software στη δημιουργία οργανωσιακής ικανότητας
Το μεγαλύτερο λάθος που μπορούν να κάνουν οι οργανισμοί στην εποχή της AI είναι να πιστέψουν ότι η ταχύτερη παράδοση σημαίνει αυτομάτως καλύτερο software.
Δεν σημαίνει.
Η AI μπορεί να βοηθήσει τις ομάδες να χτίζουν γρηγορότερα. Η ταχύτητα, όμως, δεν λύνει το πρόβλημα της κατεύθυνσης. Αντίθετα, μπορεί να κάνει τη λάθος κατεύθυνση πιο επικίνδυνη.
Ένα κακώς κατανοημένο έργο μπορεί πλέον να κινηθεί γρηγορότερα, να παράγει περισσότερο documentation και να φαίνεται πιο ολοκληρωμένο από ποτέ.
Γι’ αυτό πρέπει να αλλάξει το κεντρικό ερώτημα.
Όχι:
Παραδώσαμε το σύστημα;
Αλλά:
Δημιούργησε το σύστημα πραγματική ικανότητα;
Μια εφαρμογή που παραδόθηκε δεν είναι απαραίτητα ικανότητα.
Ικανότητα είναι κάτι που ο οργανισμός μπορεί πλέον να κάνει καλύτερα: να αποφασίζει γρηγορότερα, να μειώνει λάθη, να αποδεικνύει συμμόρφωση, να εμπιστεύεται τα δεδομένα του, να συντονίζει υπηρεσίες, να διαχειρίζεται εξαιρέσεις ή να προσαρμόζεται στην αλλαγή.
Το μέτριο software παραδίδει δραστηριότητα.
Το καλό software δημιουργεί ικανότητα.
Οι νικητές θα είναι αυτοί που καταλαβαίνουν τη δουλειά
Η AI θα κάνει το software ευκολότερο στην κατασκευή.
Ακριβώς γι’ αυτό οι builders, οι vendors και οι enterprise leaders πρέπει να γίνουν πιο πειθαρχημένοι σε σχέση με το τι επιλέγουν να δημιουργήσουν.
Το μέλλον δεν θα ανήκει σε εκείνους που μπορούν να παράγουν περισσότερες εφαρμογές.
Θα ανήκει σε εκείνους που καταλαβαίνουν ποια προβλήματα αξίζει να μετατραπούν σε software και ποια αποτελέσματα πρέπει να δημιουργήσει αυτό το software.
Αυτό απαιτεί τεχνική ικανότητα, αλλά όχι μόνο τεχνική ικανότητα.
Απαιτεί αρχιτεκτονική σκέψη, ευαισθησία στο domain, πειθαρχία στα δεδομένα, εμπειρία από πραγματικούς οργανισμούς και την ικανότητα να βλέπεις το σύστημα από ψηλά.
Γιατί η πραγματική αξία του software δεν είναι η οθόνη.
Είναι η ερμηνεία πίσω από την οθόνη.
Η AI θα μειώσει το κόστος κατασκευής.
Θα αυξήσει όμως την αξία της κρίσης.
Και σε αυτόν τον κόσμο, το μέτριο software δεν θα εξαφανιστεί επειδή δεν θα χρειαζόμαστε πλέον software.
Θα εξαφανιστεί επειδή οι οργανισμοί δεν θα αποδέχονται πλέον software που απλώς ψηφιοποιεί τη σύγχυση.
Το software που θα επιβιώσει θα είναι το software που καταλαβαίνει τη δουλειά.
