Inżynieria wsparcia: AI jako komponent środowiska IT

W zespołach programistycznych narzędzia oparte na AI znajdują zastosowanie nie wtedy, gdy są dostępne, lecz wtedy, gdy przynoszą mierzalną wartość. Kryteria wdrożenia są jednoznaczne: poprawa jakości kodu, redukcja nakładu pracy przy zadaniach powtarzalnych lub wsparcie w procesach, które w klasycznym modelu są kosztowne czasowo i zasobowo.

- AI sprawdza się tam, gdzie środowisko pracy wymaga powtarzalności, zgodności z wewnętrznymi standardami i elastyczności – bez ingerencji w architekturę. Nie chodzi o to, żeby automatyzować wszystko, co się da. Kluczowe jest określenie miejsc, w których AI rzeczywiście przynosi wartość: zmniejsza nakład pracy, podnosi jakość i pozwala szybciej przechodzić przez etapy, które normalnie są czasochłonne lub obarczone dużym ryzykiem błędów – mówi Marcin Maciejczyk, Head of GDC Packaged Based Solutions Practice w Capgemini Polska.

AI w środowiskach IT funkcjonuje dziś jako zestaw wyspecjalizowanych narzędzi przypisanych do konkretnych ról – wspierających osoby w roli deweloperów, optymalizujących procesy projektowe lub wspomagających użytkownika końcowego. Taki podział eliminuje chaos wdrożeniowy i pozwala precyzyjnie dobrać rozwiązania do realnych potrzeb organizacji. Poniżej – trzy typowe scenariusze wykorzystania:

Zastosowania AI, które w pierwszej kolejności trafiają na biurka osób kodujących, to narzędzia skoncentrowane na jakości kodu, zgodności z konwencjami oraz poprawie wydajności. Przykładem jest ABAP Gen-AI QUALITY TOOL - rozwiązane Capgemini dedykowane dla systemów SAP on-premise, które korzysta z promptów przygotowanych przez programistę, by modyfikować kod zgodnie z firmowymi i biznesowymi wytycznymi. Narzędzie działa niezależnie od konkretnego modelu LLM, zachowując pełną kontrolę. Co ważne, umożliwia również użytkownikowi definiowanie własnych zapytań bez ingerencji w kod. Efekty? Lepsza struktura kodu, zgodność ze standardami i nauka nowoczesnych technik ABAP w trakcie pracy.

AI wspiera również zespoły projektowe – zwłaszcza tam, gdzie skala operacji przekracza możliwości manualnego działania. Przykładowo, GENAI Enhanced Mass Maintenance Tool automatyzuje procesy czyszczenia i aktualizacji danych podstawowych w SAP, bez konieczności pisania sztywnych reguł walidacyjnych. Z pomocą predefiniowanych promptów wykrywa nieścisłości, usuwa duplikaty i analizuje treść rekordów, umożliwiając real-time walidację nawet przy dużym obciążeniu. Efektem jest większa dokładność danych i odciążenie konsultantów migracyjnych.

Z kolei projekt SAP Code Migration powered by GenRevive koncentruje się na automatyzacji modernizacji środowisk – przepisuje starszy kod do nowych standardów SAP ABAP. Wsparcie agentów GenAI sprawia, że migracja staje się procesem zautomatyzowanym, a nie ręcznie zarządzanym przedsięwzięciem.

AI może również działać po stronie użytkownika – wspomagając obsługę zgłoszeń i automatyzując zadania utrzymaniowe. Przykładem jest narzędzie opracowane z myślą o miejskich spółkach infrastrukturalnych: City Issues Reporting and Resolution System Empowered by GenAI. Dzięki lokalnie wdrożonej AI, system automatycznie klasyfikuje i priorytetyzuje zgłoszenia mieszkańców, informuje w czasie rzeczywistym o ich statusie i wspiera alokację zasobów serwisowych. Efekt: krótszy czas reakcji i większe zaufanie między instytucją a użytkownikiem końcowym.

Jednym z wyzwań przy wdrażaniu narzędzi opartych na AI w środowiskach enterprise jest zapewnienie zgodności z politykami bezpieczeństwa i architekturą systemową. Rozwiązania wbudowane w chmurowe platformy usługowe nie zawsze odpowiadają wymaganiom firm działających w modelu on-premise – szczególnie tam, gdzie kontrola nad danymi i dostępem do modeli językowych jest kluczowa.

Odpowiedzią na te potrzeby jest m.in. SAP BTP on-prem LLMs Bridge – rozwiązanie umożliwiające integrację lokalnie hostowanych modeli językowych z platformą SAP BTP. Narzędzie pozwala eksponować modele jako dynamiczne i bezpieczne API, co umożliwia ich wykorzystanie w innych projektach CAPM bez potrzeby ręcznej integracji. Obsługa dostępu, automatyczne zarządzanie instancjami i możliwość tuningu modeli zapewniają nie tylko bezpieczeństwo, ale też pełną kontrolę po stronie organizacji. Kluczową zaletą jest też możliwość równoległego użycia wielu modeli LLM, z dopasowaniem do potrzeb konkretnych zespołów lub projektów.

To rozwiązanie nie tylko zabezpiecza przed ryzykiem związanym z nieautoryzowanym wykorzystaniem danych, ale też usprawnia komunikację między działami, które mogą korzystać z AI w sposób spójny i skalowalny.

Wraz z upowszechnianiem się narzędzi opartych na dużych modelach językowych rośnie znaczenie zgodności z wewnętrznymi politykami organizacji oraz bezpieczeństwa operacyjnego. Publicznie dostępne rozwiązania mogą być szybkie i wygodne, ale bez kontroli nad przepływem danych stanowią potencjalne zagrożenie.

- Technologia nie zastąpi dobrych praktyk. Automatyzacja przynosi korzyści tylko wtedy, gdy towarzyszy jej higiena pracy – od ograniczania pracy na danych produkcyjnych, przez świadome generowanie danych testowych, aż po zarządzanie dostępem do modeli językowych – zaznacza Marcin Kwiatkowski, SaaS Platform Architect w Capgemini Polska.

To właśnie te elementy – nie same narzędzia – przesądzają o tym, czy wdrożenie AI poprawia jakość i bezpieczeństwo, czy otwiera nowe ryzyka. W dojrzałych organizacjach automatyzacja to proces techniczny i kulturowy zarazem.

Skuteczne wdrażanie AI w środowiskach IT nie polega na maksymalizacji automatyzacji, lecz na precyzyjnym dopasowaniu narzędzi do konkretnych zadań i wymagań infrastrukturalnych. Rozwiązania osadzone w architekturze SAP pokazują, że możliwe jest połączenie elastyczności z kontrolą, automatyzacji z bezpieczeństwem, innowacyjności z operacyjną przewidywalnością. W dojrzałych zespołach technologia nie wyprzedza procesu – wspiera go tam, gdzie jest to uzasadnione i wdrażane z pełną świadomością ryzyk oraz celów.