‏مدلِ بلوغِ AI در Vanguard برای ۸۰۰ تیم

این مطلب خلاصه‌ی یه قسمت از پادکستِ Engineering Enablement (از DX) ه با حضورِ Kelly Anne Pipe (مسئولِ تجربه‌ی توسعه‌دهنده در Vanguard) و Nicole Scribner (مدیر در دفترِ ارشدِ فناوریِ این شرکت). موضوع اینه که Vanguard چطور AI رو فراتر از مهندسیِ نرم‌افزار، در کلِ چرخه‌ی توسعه‌ی محصول جا می‌ندازه.

به گفته‌ی اون‌ها، شرکت اولش روی ابزارهایی مثلِ GitHub Copilot برای مهندس‌ها تمرکز کرد، ولی فهمید که کدنویسیِ سریع‌تر به‌خودیِ‌خود تحویل رو سریع‌تر نمی‌کنه. مهندس‌ها بهره‌وریِ بالاتری گزارش می‌دادن، ولی مدیرانِ محصول، طراح‌ها، تیم‌های QA و فرایندهای حاکمیتی هنوز با سرعتِ سنتی کار می‌کردن. وقتی AI صرفاً یه ابتکارِ مهندسی تلقی می‌شه، یه «حبابِ مهندسی» شکل می‌گیره که یه بخش شتاب می‌گیره ولی بقیه‌ی جریانِ کار بی‌تغییر می‌مونه.

برای حلِ این، Vanguard یه مدلِ بلوغ با سه مرحله ساخت: Augmented (تقویت‌شده)، Accelerated (شتاب‌گرفته) و Autonomized (خودمختارشده). این چارچوب یه زبانِ مشترک به بیش از ۸۰۰ تیمِ محصول می‌ده و شش بُعد رو پوشش می‌ده: تحویلِ محصولِ AI-محور، کدبیسِ آماده‌ی AI، جریان‌های کاریِ ایجنت‌محور، عملیاتِ تقویت‌شده با AI، خودمختاری و توانمندسازیِ تیم، و AI مسئولانه. هدف تحولِ سازمانیه، نه صرفِ به‌کارگیریِ ابزار.

نکته‌ی مهمِ دیگه اینه که آمادگیِ AI از پایه‌ها شروع می‌شه: مستندسازی، تست، پایپ‌لاینِ CI/CD، تصمیم‌های معماری و کیفیتِ کد وقتی ایجنت وارد فرایند می‌شه مهم‌تر می‌شن. کدبیس در واقع رابطِ بینِ تیم‌ها و ایجنت‌ها می‌شه، و مستندِ ضعیف و پوششِ تستِ کم اثرگذاریِ حتی بهترین ابزارها رو محدود می‌کنه. وابستگی‌ها هم «با سرعتِ ایجنت» بیشتر به چشم می‌آن؛ فرایندی که برای انسان فقط آزاردهنده بود، وقتی ایجنت کار رو تو ساعت به‌جای روز تموم می‌کنه، تبدیل به یه گلوگاهِ بزرگ می‌شه.

از نظرِ گوینده‌ها، هر نقشی تو تیمِ محصول به جریان‌های کاریِ مخصوصِ AI نیاز داره، و ارزشمندترین فرصت‌ها اغلب قبل از شروعِ کدنویسیان: تبدیلِ گفتگوهای مشتری، کارِ discovery، نیازمندی‌ها و آرتیفکت‌های طراحی به ورودی‌های آماده‌ی پیاده‌سازی. با برعهده گرفتنِ کارهای روتین توسطِ ایجنت‌ها، نقشِ انسان بیشتر به orchestrator، ریویوئر و تصمیم‌گیرِ استراتژیک تغییر می‌کنه. اون‌ها تأکید می‌کنن که تغییرِ رفتار از استقرارِ ابزار سخت‌تره و ترس و ابهام از موانعِ اصلیه.

نکات کلیدی:

• کدنویسیِ سریع‌تر به‌تنهایی تحویل رو سریع‌تر نمی‌کنه؛ کلِ چرخه‌ی محصول باید شتاب بگیره
• تمرکزِ صرف روی ابزارِ مهندسی یه «حبابِ مهندسی» می‌سازه که بقیه‌ی تیم عقب می‌مونه
• مدلِ بلوغِ سه‌مرحله‌ای (Augmented، Accelerated، Autonomized) با شش بُعد، روی ۸۰۰+ تیم
• آمادگیِ AI از پایه‌ها می‌آد: مستند، تست، CI/CD؛ کدبیس رابطِ تیم و ایجنته
• ارزشمندترین فرصت‌ها اغلب قبل از کدنویسی‌ان و نقشِ انسان به orchestrator و ریویوئر تغییر می‌کنه