Bedre udviklingsflows med AI: Erfaringer fra store virksomheder

AI-værktøjer til kode er ikke længere den store nyhed. De fleste teams har indset, at de ikke længere kun skal måle på, om en agent kan skrive en simpel funktion. Spørgsmålene er nu mere praktiske: Kan en agent håndtere de opgaver, der stjæler tid hver dag? Kan den finde sig til rette i jeres specifikke miljø? Kan den selv kontrollere, om dens løsninger virker?

Disse spørgsmål viser, at mange af de færdige løsninger endnu ikke er klar til at arbejde i større skala.

De kedelige opgaver der alligevel er vigtige

En stor del af en udviklers hverdag består af arbejder, der er nødvendige, men ikke inspirerende. Det drejer sig om:

• Retting af fejlede builds
• Opdatering af afhængigheder i et stort codebase
• Fejlfinding ved flaky tests
• Fiksering af builds efter uventede problemer
• Gennemføring af migrationer, som berører mange filer

De pågående opgaver disruptser ofte ens fokus. En udvikler, der netop har begyndet at tænke om architecture, skal nu gå ned i en build-fejler. Dem, der arbejder på optimering, får pludselig at gøre med testproblemer.

这些任务虽然不是可选的, but they're also disruptive.

Hvorfor standardiserede AI-værktøjer kommer til kort

De fleste virksomheder har et setup, som ikke er medد