企业AI落地：代码生成之外的关键挑战
由SAP提供
利用AI生成代码确实迅速，但要让这些代码在大型企业环境中可靠运行、与实时系统集成、确保合规性，并在多年后保持可维护性，需要组织普遍低估的基础工作。
SAP商业技术平台产品负责人Michael Ameling指出：”虽然81%的组织拥有详细策略，但只有12-16%能够实现AI驱动的执行。”这其中的原因很少与生成代码的质量有关。
“各行业投入大量资金进行AI工具建设的企业，在生成代码与现有环境现实相遇时都遇到了障碍，”Ameling表示，”因为代码生成和运营化它们并非同一问题。”
在企业规模上部署AI生成逻辑存在特定要求：数据与集成准备度实际应达到什么标准，当智能体从提供建议转变为执行工作流程时治理如何运作，以及随着AI接管更多编码工作，开发团队如何转变其角色。
为何AI代码生成在企业生产环境中失败
AI代码生成带来的生产力提升是真实且有据可查的，但原型开发的简易性让许多组织对自己实际进展产生了误解。
“生成代码是一回事，”Ameling说，”包括跨国公司和大型组织在内的企业客户必须确保合规性和安全性没有妥协。能够在十年或二十年内可靠运行的代码，正如SAP许多最大客户的情况一样，还需要被维护、修补，并被继承它的人理解。换句话说，生命周期管理并不会自行生成。”
问题很少出在生成质量上。团队构建了引人注目的东西，然后发现他们缺乏依赖它的数据访问权限，或其假设的集成，或在实际环境中运行它所需的权限。本质上，问题是AI放大了组织现有的数据和流程成熟度，但无法替代它们。
当AI从生产代码转变为执行操作时，这种动态会加剧。与生成一次性输出相比，逻辑持续针对实时数据运行时，延迟、成本和系统负载都会增加。跨跨国公司交易系统运行的自主智能体的性能要求，与开发者副驾驶的性能要求有着本质区别。
如何将AI生成的逻辑连接到碎片化的企业系统
大多数企业AI项目低估的架构挑战是集成。真实的企业环境不是干净的 slate：它们结合了云系统、遗留本地基础设施、碎片化的数据存储，以及数十个从未设计相互通信的业务应用程序。让AI生成的逻辑在所有这些系统中可靠运行需要一个统一数据访问、流程上下文和治理的层次，并且必须在任何智能体开始执行之前就位。那些将AI视为推迟基础设施现代化理由的组织是在犯错误。
“问题不在于是否要现代化。当然你需要现代化，”Ameling说，”但在此基础上，你通过AI获得的价值要高得多。联邦数据访问和协调的过程层不是升级碎片化景观的替代方案，它们使升级变得有意义。”
在平台层面，这转化为一系列实际需求：结构化数据集成、端到端流程可见性，以及在现代和遗留系统之间发现和连接API的能力。SAP通过其商业AI平台的方法借鉴了Joule Studio、集成套件、业务数据云和SAP AI智能体中心企业架构层等工具，提供这种上下文。目标是让AI生成的逻辑准确了解企业的运作方式和原因，而不仅仅是访问原始数据。
智能体通过将大挑战分解为更小的自主任务来处理大规模挑战，每个智能体负责特定领域，并协调朝向共同结果。例如，财务结算涉及数十个独立的子流程。在定义的约束内并行处理每个任务的智能体可以显著压缩周期时间，但前提是它们交互的基础系统是一致且可访问的。
AI智能体在生产中所需的治理和监督
当AI从助手转变为运营执行者时，治理问题变得至关重要，因为触发工作流、更新记录并与实时业务系统交互的智能体需要适用于人类员工的相同问责框架，即身份、定义的权限和可审计的行为。
存在两种不同的模式：
- 主体传播：智能体代表用户行动，继承该用户的权限和范围。
- 系统触发型智能体：智能体在其自身身份和基于角色的权限下运行，功能更像自动化HR角色而非个人助理。
两种模式都需要相同的基础设施：一个智能体中心，操作员可以在其中查看存在的智能体、它们可以访问的API以及它们被授权执行的操作。对于AI，可观察性也需要正确实施，结合技术和业务评估。
“在生产环境中，开放性非常重要，”Ameling说，”我们使用OpenTelemetry作为框架，可以与其他解决方案集成，实现对工具、第三方智能体等的端到端可观察性。”
在此基础上，标准的评估技术测试智能体是否产生一致输出是必要的，但还不够。业务评估衡量智能体是否实际推动了其部署旨在改善的性能指标，但它必须端到端地工作。
测试发生的位置同样重要。当模型基于测试数据或实时数据运行时产生不同输出，传统的软件开发周期（开发、测试和生产环境）就会失效。在生产中实现可信AI意味着接受验证从根本上不同于工程团队数十年来实践的验证方式，包括使用实时环境测试，甚至A/B/C测试以确保结果可靠。
AI驱动的代码生成如何改变软件工程角色
在这种环境下，开发人员的角色并未消失，但其重心正在转移。当开发人员可以在多个开放终端上同时运行多个编码智能体，每个智能体处理不同问题并各自需要几分钟完成时，生产力倍增效应是显著的。但这引入了一种新的认知需求，因为人类必须保持参与。这意味着跟踪跨并发工作流的上下文，评估横跨大型代码库的输出，以及做出没有任何智能体可以单独信任做出的架构判断。
“提示越具体和完整，需要的干预就越少，开发人员正在学习 upfront 带入更多上下文可以减少来回沟通，”Ameling说，”但输出仍需被理解，而不仅仅是接受。”
竞争优势将继续是知识产权，而非工具。领先的公司将是那些最有效地将其领域知识编码到其智能体中，并构建支持这些智能体运行所需基础架构的公司。随着智能体承担更多执行任务，开发人员将更多地转向定义问题、设定边界和验证结果，而不是编写解决这些问题的代码。
关注微信号：智享开源 ，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！