Modernizacja środowiska IT rzadko przebiega według jednego scenariusza, jednak większość organizacji ma wspólny cel: szybciej unowocześniać aplikacje, dane i infrastrukturę. W odpowiedzi na tę potrzebę rozwija się nowy model transformacji technologicznej oparty na formule services-as-software, w której coraz większą część prac realizują agenty AI. Takie podejście zmienia ekonomię modernizacji, skracając czas realizacji projektów i zwiększając ich skalowalność. Michał Zajączkowski, Dyrektor Zarządzający Kyndryl Poland, wyjaśnia, jak sztuczna inteligencja redefiniuje proces unowocześniania IT i dlaczego globalne organizacje coraz częściej wykorzystują agenty AI do przyspieszania transformacji cyfrowej.
W globalnym raporcie People Readiness Report, przeprowadzonym wśród 1100 liderów biznesowych i technologicznych, aż 77% respondentów zadeklarowało, że generatywna AI działa w wielu obszarach ich organizacji, ale zaledwie 32% stwierdziło osiągnięcie choćby jednego spośród najważniejszych oczekiwanych rezultatów. Ten rozdźwięk rzadko wynika z niedoskonałości samych modeli.
Znacznie częściej wyzwaniem jest stan środowiska IT. Przestarzała infrastruktura, rozproszone aplikacje i nieudokumentowane zależności utrudniają radzenie sobie z obciążeniami generowanymi przez AI. Dlatego modernizacja firmowych systemów staje się warunkiem wstępnym korzystania ze sztucznej inteligencji. Skąd jednak wziąć na nie zasoby, czas i pewność wyniku?
Różne wyzwania, wspólne rozwiązanie
Odpowiedzi warto szukać tam, gdzie przebudowa już się dokonała. W jednej z firm wynajmujących samochody agenty AI samodzielnie modernizują starszy kod w całym cyklu tworzenia oprogramowania. Efektem jest nie tylko oszczędność czasu inżynierów, ale także większa spójność i czytelność kodu, co przekłada się na łatwiejsze utrzymanie systemów w przyszłości. Automatyzacja przyspiesza pracę i jednocześnie podnosi jej jakość, ponieważ konsekwentnie stosuje te same reguły w tysiącach miejsc, bez zmęczenia i bez odstępstw od przyjętych standardów.
Punkt wyjścia dla pewnej światowej firmy reasekuracyjnej był znacznie większym wyzwaniem. W ciągu kilkudziesięciu lat napisano miliony linii kodu, a wraz z przejściami na emeryturę doświadczonych pracowników systematycznie kurczyło się grono osób rozumiejących ich logikę. Agentowa AI pomogła w analizie i przeprojektowaniu zastanej infrastruktury poprzez szybkie przejrzenie oraz dokumentację zależności kodu. Przyspieszyło to przejście na architekturę natywną dla chmury i znacznie skróciło czas potrzebny na wycofanie się z centrum danych. Zamiast wieloletniego audytu, który musiałby poprzedzać jakiekolwiek praktyczne prace, organizacja uzyskała jasną mapę swojej infrastruktury IT na tyle szybko, by mogła podjąć rzeczywiste decyzje inwestycyjne.
Kolejny przykład międzynarodowej instytucji finansowej pokazuje, jak procesy agentowe mogą pomóc wyrównać poziom kompetencji i standardów pracy w globalnej organizacji. Ta firma udostępniła zespołom inżynieryjnym na całym świecie usługi modernizacyjne oparte na agentach AI oraz rekomendacje operacyjne generowane przez sztuczną inteligencję. W efekcie oddziały działające w różnych regionach zaczęły korzystać z tych samych sprawdzonych wzorców, zwiększając spójność działań i efektywność modernizacji.
Działanie, schemat, oprogramowanie
Wspólnym mianownikiem tych trzech historii jest sposób implementacji. Odbywała się ona w zyskującym na znaczeniu modelu services-as-software (usługa jako oprogramowanie, usługi w modelu software’owym). Polega on na tym, że wiedza ekspercka zostaje zapisana w gotowych, wielokrotnie używanych schematach pracy, zamiast odtwarzania jej od nowa przy każdym projekcie.
W jej ramach udało nam się przełożyć doświadczenie w zarządzaniu i modernizacji systemów o znaczeniu krytycznym na predefiniowane scenariusze, wzbogacone o kompetencje partnerów z ekosystemu sztucznej inteligencji. Zakres tego rozwiązania obejmuje infrastrukturę, aplikacje oraz procesy biznesowe – zarówno w środowiskach rozproszonych, jak i scentralizowanych, w chmurach publicznych, prywatnych, sieciach, a także w ramach wytwarzania oprogramowania czy utrzymania IT.
Agenty AI, koordynowane przez zaprojektowane schematy pracy, przejmują kolejne etapy: rozpoznanie środowiska, analizę kodu, mapowanie powiązań, projektowanie stanu docelowego, generowanie kodu oraz jego testowanie i walidację. Każdy z tych kroków wykonywany ręcznie pochłania tygodnie pracy wysoko wyspecjalizowanych osób, o które na rynku jest wyjątkowo trudno.
Warto zwrócić uwagę na jeszcze jedną cechę tej konstrukcji. Przepływy pracy nie są przywiązane do konkretnego dostawcy modeli ani stosu narzędzi. Organizacja może sięgać po nowe rozwiązania w miarę ich pojawiania się na rynku, kierując się wymaganiami biznesowymi, kosztem, wydajnością i potrzebami nadzorczymi. W dziedzinie, w której cykl życia technologii skrócił się do kilkunastu miesięcy, unikanie uzależnienia od jednego dostawcy ma wymierną wartość ekonomiczną.
Agentową AI w modelu services-as-software można wdrożyć bezpośrednio w istniejącym środowisku organizacji, bez konieczności stosowania dedykowanej platformy technologicznej. Jednak gdy modernizacja obejmuje różne zespoły, systemy czy środowiska chmury hybrydowej, wspólna platforma może stanowić skuteczną podstawę do skalowania scenariuszy wielokrotnego użytku i spójnego zarządzania nimi. Może ona również wzmocnić nadzór poprzez połączenie mechanizmów kontroli zapewniających przejrzystość kosztów, bezpieczeństwo oraz zgodność z wymogami regulacyjnymi.
Stałe działanie zamiast pojedynczych zrywów
Z opisanych wyżej wdrożeń wyłania się poza tym szersza prawidłowość. Modernizacja przestaje być serią kosztownych, epizodycznych programów transformacji, których harmonogramy rozjeżdżają się z rzeczywistością biznesową, a staje się stałą częścią operacji. Zamiast jednej decyzji obarczonej ryzykiem, podejmuje się serię mniejszych, odwracalnych kroków.
Dla polskiego rynku ta perspektywa jest szczególnie istotna. Krajowa bankowość i ubezpieczenia opierają się na systemach budowanych przez dekady, a pula specjalistów znających starsze technologie kurczy się szybciej, niż udaje się kształcić ich następców. Przemysł mierzy się z podobnym wyzwaniem w warstwie systemów sterowania i integracji danych produkcyjnych.
Do tego dochodzi presja regulacyjna – wymogi odporności operacyjnej i suwerenności cyfrowej sprawiają, że architektura systemów musi być nie tylko nowoczesna, ale też możliwa do skontrolowania i udokumentowania. Podejście, w którym przebudowa postępuje przyrostowo i pozostawia ślad audytowy, odpowiada na te oczekiwania lepiej niż wieloletnie, rozliczane na końcu przedsięwzięcia.
We wszystkich powyższych przykładach autonomiczne agenty AI mogą przejąć znaczną część procesu modernizacji, jednak odpowiedzialność za sposób ich wdrożenia i osiągane wyniki spoczywa na organizacji. Agentowa sztuczna inteligencja tworzy zatem największą wartość, gdy autonomia i odpowiedzialność rozwijają się równolegle: agenty działają niezależnie w ramach jasno określonych wytycznych, podczas gdy eksperci ustalają strategię, wprowadzają zasady zarządzania, podejmują decyzje etyczne i pozostają odpowiedzialni za wyniki. Zaufanie buduje się poprzez połączenie inteligentnej automatyzacji z nadzorem ludzkim, przejrzystością i mechanizmami kontroli opartymi na zasadach. Stosowana w ten sposób agentowa AI może przestać być kosztownym eksperymentem i stać się praktycznym narzędziem modernizacji, które skraca terminy, obniża koszty oraz zapewnia bardziej przewidywalne wyniki.
O Kyndryl
Kyndryl (NYSE: KD) to jeden z największych na świecie dostawca usług infrastruktury IT, obsługujący tysiące klientów korporacyjnych w ponad 60 krajach. Firma projektuje, buduje, zarządza i modernizuje złożone, krytyczne systemy informatyczne, od których świat zależy każdego dnia. Więcej informacji można znaleźć na stronie www.kyndryl.com.
Kontakt dla mediów: