人工智能时代产品与工程角色的重塑

在人工智能时代重写产品和工程角色 在人工智能时代重写产品和工程角色 编写用户故事。排查代码。翻译过时软件。转换线框图。所有这些任务都是产品经理、软件工程师和其他参与软件开发生命周期（SDLC）的人员日常生活中的核心部分——并且越来越多地通过使用人工智能工具得到增强和加速。 生成式人工智能（GenAI）有可能扰乱整个企业的工作流程，但在软件开发生命周期的每个阶段的应用案例比大多数非工程职能中的应用案例更先进，并且已经实现了更高的采用率。最近一项针对全球分布的2000名开发者的GitHub调查发现，超过97%的受访者曾在工作中使用过AI编码工具，而美国88 %的人表示公司至少在AI使用方面提供了一些支持。1与更广泛的采用相比 ——其中不到60%的受访员工能够接触到GenAI，但实际并未每天使用2—生成式人工智能在软件开发中的采纳正在加速。 这种加速采用的影响很可能最深刻地体现在科技行业。几乎一半的开发者都在科技公司工作，而这些组织的领导者比其他行业的领导者对生成式人工智能在接下来12个月内将改变他们的组织前景要乐观得多。3在科技、媒体和电信行业，规模化的通用人工智能计划在IT（34％）、产品开发（17％ ）和网络安全（12％）方面最为先进。4采用此技术的理由是多方面的：产品和技术人才可能更具技术素养，也更适应新技术；生成式AI独特地适用于生成内容；大多数模型都是在海量软件代码上训练的；以及软件工程人才市场仍然受限，列举一些原因。 随着AI工具和应用场景的持续加速演进，产品经理、软件工程师以及其他参与邻近工作流程的人员所进行的工作正在发生根本性转变。 2 革命已经到来：通用人工智能正在改变软件开发生命周期 企业中GenAI的价值主张将来自多个潜在渠道，包括价值创造、提升客户或员工体验以及效率或速度提升。但截至本文撰写时，效率提升是投资回报的最早期路径，部分由市场状况和紧张的工程劳动力市场推动。许多科技领导者对AI带来的效率提升做出了大胆的声明，特别是在软件开发生命周期中，对不同规模的未来工程劳动力工作形式产生了不同的影响。软件输出的需求增加和技术进步表明，这也为重新设计或重新分配工作提供了很多机会，而不是完全取消角色。 随着人工智能赋能的解决方案进入市场，最大的价值体现在通用人工智能在整个软件开发生命周期中嵌入，而不是仅仅专注于编码。5 以下是在整个软件开发生命周期中roles所产生 的效果： 建筑师 接下来，软件架构师可以轻松编辑、更新并发布由大型语言模型（LLMs）生成的图表，并为流程图和架构资产创建标准视图。这些活动通常需要手动完成（在白板或协作平台上），因此能够快速可视化、验证和更新图表及流程图是一项巨大的时间节省。 开发者 市场上最成熟解决方案存在于为软件开发者编写 、审查和改进代码的人员。GenAI通过从故事直接创建初始设计和代码、生成符合企业标准的代码、生成单元测试、协助故障排除和合规性检查以及将旧代码迁移到新技术堆栈来加速开发并提高质量。同样重要的是，LLMs正在被用于研究业务上下文或支持新方法构思。 生成复杂查询。此外，GenAI工具正在改进元数据管理、自动化文档编制，并帮助理解实时管道监控数据。 DevSecOps工程师DevSecOps工程师正转向使用生成式人工智能 ，通过将安全融入开发和运营来加速安全高效的软件交付。生成式人工智能正在自动化威胁检测 、漏洞评估和安全策略执行。它还助力代码安全分析、合规性监控、基础设施即代码（IaC）脚本编写和验证，以及实时异常检测。通过简化安全工作流程并减少人工操作，生成式人工智能在加强应用安全的同时加快了开发周期。 产品经理 在流程顶部，产品经理负责将业务目标和需求转化为可执行的开发工作。他们使用GenAI快速将业务需求转化为基于先前故事的上下文和更广泛知识库构建的领先实践用户故事，包括验收标准和任务。向前推进，人类仍需要在回路中审查和编辑故事，但GenAI可以显著减少起草和编辑它们所需的时间。 数据工程师 数据工程是人工智能和分析的支柱，确保数据集成、转换和治理的无缝衔接。生成式人工智能通过自动化提取、转换和加载（ETL）流程；优化数据管道；以及通过异常检测提升数据质量，正在改变这一领域。它协助数据工程师进行探索性数据分析、解释数据模型、推断属性关系，和 质量保证 虽然人类或许永远将在质量审查中扮演最重要的角色，6GenAI工具可以通过生成合成数据和测试场景，直接将推荐结果发布到Jira或类似的工具，从而减少人工劳动。 在人工智能时代重写产品和工程角色 图1。 需求 聚集&项目资产 设计&建筑 数据&分析 代码 代码 实现 转换 Dev/SecOps 测试&质量保障 支持,维护，&运算 7.应用和 1.创建产品需求文档PRD系统分析 （代码挖掘） 15.数据映射 20.身份验证28.代码语言/设置（使用上下文）版本转换 30.创建配置 文件 37.测试数据创建 43.L3-代码生成器 2.工艺流程创建 8.序列/建筑 图表创建 16.数据验证/21.编写可重用 调和 工具方法 29.API重建 31.Dockerfile用于无服务器开发 38.测试用例创建 44.代码变更推荐 3.用户故事&验收标准 从史诗中创造 9.云建筑 创建 17.脚本或查询生成/ 优化 22.创建API 32.ci/cd模板 39.设置自动化框架 45.问题洞察生成 4.技术&功能规格文档创建 10.初始数据模型 18.脚本或查询转换 23.新代码生成 33.设置云/ 基础设施即代码 40.测试自动化 46.L2-决议推荐 5.自动化MOM &RAID日志 11.DDL创建(LLD/HLD) 19.数据迁移/转换 24.代码文档 34.模块GitHubactions 41.测试环境设置 文档 47.票分类 和日志记录 6.大事件和冲刺状态报告 12.添加表格关系 25.重构(优化) linting) 26.单元测试创建 35.基础设施自动化 42.测试结果分析 48.L1-客户支持聊天 13.定义表 约束条件 14.推断来自 自然语言 36.日志分析 28.缺陷修复 0-<5%效率提升 5-10%效率提升 10-20%效率提升 +20%效率提升 操作 质量工程 Dev/SecOps 开发者 数据 建筑师 产品经理 产品工程 早期与客户合作及更广泛研究的证据表明预计效率提升（见图1，源自德勤AI助手工具在全球消费品品牌早期实施）。 应注意的是，这些收益（目前）还不够广泛，不足以让GenAI取代任何单一角色——尽管AI代理的承诺 可能挑战这一假设n.7在然而，这些应用可能会导致资源分配的转变，或者先前独立的角色的组合（例如，随着产品经理越来越多地“搞代码”，他们的角色可能会开始与工程角色趋同） ，因为个人可以更快地完成更多工作。人才的模型 过去可能不适用于这个新世界，需要对组织设计 、招聘、职业发展路径和技能提升采取新方法。随着人工智能赋能的解决方案进入市场，当通用人工智能嵌入整个软件交付生命周期以监控数据时，其最大价值得以实现。 1 2 3 4 软件工程的未来：三个时代 鉴于在GenAI采用仅几年内就出现了这种程度的颠覆和模型演变， 没有什么是确定的有一件事是肯定的：因此，对于技术领导者来说，参与情景规划以寻求关于其产品和软件团队潜在规模、形态、工作流程和工作方式的根本问题的答案至关重要。 规划中需要考虑的关键不确定性包括： 基因AI模型成熟的速度是否可持续？ 截至本文撰写时，生成式AI模型开发与代理能力的进步正以惊人的速度发展。这种可持续性的程度或许是最重大的不确定性；AI公司持乐观态度，但也有几个可能阻碍开发的障碍。 生成式人工智能生态系统将是什么样——更碎片化还是更集成？ 仍需观察产品工程领域的GenAI生态系统（模型和应用）将在多大程度上呈现碎片化或整合化、闭源或开源等趋势。整个开发生命周期的采用速度可能取决于在现有技术生态系统中利用工具的便捷程度以及构建必要集成的速度。 人工智能监管环境将如何演变？ 关于技术，尤其是人工智能的监管环境仍在持续受到关注，但远未最终确定。尽管这些决策仍在变动之中或存在分歧，某些使用场景可能会被规避，特别是企业（例如，那些依赖个人可识别信息或生成具有生或死影响建议的场景）。公司选择在灰色地带划定界限，可能与风险承受能力、文化和竞争一样，也与监管压力息息相关。 基础设施建设能否满足需求？ 对AI芯片、能源以及其他自然资源的需求，以及训练数据，随着模型开发和采纳的增长，可能会继续增长。这些资源受到限制，并可能导致开发放缓。 在人工智能时代重写产品和工程角色 随着这些不确定性，领导者还应考虑以下框架来描述产品工程中AI采用的三个阶段。他们 不是相互排斥的；相反，很可能随着时间的推移 ，我们会经历大部分（如果不是全部）的阶段。然而，达到成熟后期所需的时间范围， 可能会有很大差异——作为一个社会，作为各个组织，甚至组织内部。 图2。 时代1：稳定进化 时代2：变革自动化 时代3：颠覆性范式 人工智能的作用 角色仍然保持基本保持不变 •提高离散任务的效率 跨整个软件开发生命周期 •代理可以自动化或编排 简单的任务系列，但并不完全替换角色 •特定工作流工具，如GitHubCopilot加速代码开发 角色转变显著 •完全自动化常规任务 •处理复杂的多步骤任务 •提高输出速度 •经常用于共同创造战略工件 整个范例 知识工作被翻转了 •操作高度复杂的流程自主地 •管理和评估自身性能 •迭代改进工作流 •需要最小程度的人工干预 人类的作用 •决策者•负责管理和 将任务委托给AI工具 •确保使用GenAI工具的道德性•严格的质量控制 •聚焦战略监督结果管理 •跨职能协作•质量保证•监督端到端子流程 •设置策略并提示高级人工智能代理，它们管理其余的部分过程•进行伦理审查•与人工智能协同工作，引领前沿 开发 •关注客户关系和 利益相关者管理 时代1：稳定进化 在这个时代——或多或少反映了当今拥有成熟GenAI应用状态的技术公司——AI是一个无处不在的助手，它能增强能力但不取代专业人士，人类仍然是整个软件开发生命周期（SDLC）的决策者。产品和软件团队的角色描述和职责基本保持不变 。虽然GenAI通过增强软件开发生命周期（SDLC ）中的离散任务来充当提高效率的有力工具，但 它并没有从根本上改变工作流程或大规模自动化任务。智能体AI的引入导致了一定程度的任务编排和更复杂的自动化，但决策权有限。可能导致社会走向持续稳定进化阶段的外部因素包括：重大的政府监管、无法减少基础模型的幻觉、缺乏训练数据和/或芯片或电力短缺。 在这个时代，领导者应该专注于提升现有员工在GenAI工具应用和道德使用有效方法方面的技能。 在为这个时代制定劳动力战略时，领导者应该考虑以下几点： 1.我们如何在工作中快速、迭代地提升团队技能 ？2.我们应该如何重新设计流程，将人工智能集成到我们的工作流程中，同时保留关键的人工监督并认识到技术将不断演进？3.我们应该如何衡量人工智能使用对生产力、速度和价值创造的影响？4.我们的工作方式需要如何转变以利 用人工智能的演进？5.我们应该实施哪些政策以确保人工智能的合乎道德和负责任的使用？ 随着角色变得更加战略性和新角色被创建，这可能会导致整体上需要更小的团队，或者同等规模的团队产出速度大大加快——入门级或常规角色将最先变得不那么关键。这个时代很可能发生，如果当前支撑当今通用人工智能的数学模型和假设达到瓶颈，无法进化成人工通用智能或超级智能。 一个技术行业中的以前“变革性自动化”的例子可以见于云计算的出现。在广泛采用云服务之前，公司依赖于管理自己的物理服务器和基础设施，这需要大量的劳动力和资源。云计算的引入汇集了强大的服务，极大地提高了运营效率，并转变了资源管理和应用开发的方法。这种转变使工程专业人员能够专注于更具战略性的任务——诸如优化云资源、确保数据安全