.webp){kind=small}
Entenda: “Gerar código é uma coisa”, diz Ameling.
Apresentado pela SAP Gerar código com IA é rápido, mas fazer com que esse código seja executado de forma confiável dentro de uma grande empresa, integrado a sistemas ativos, controlado para conformidade e passível de manutenção ao longo de anos requer um trabalho fundamental que a maioria das organizações subestima.
Embora 81% de todas as organizações tenham uma estratégia detalhada, apenas 12–16% alcançam a execução orientada por IA, afirma Michael Ameling da SAP, CPO da SAP Business Technology Platform, e as razões raramente se resumem à qualidade do código gerado. “Em todos os setores, as empresas que investiram pesadamente em ferramentas de IA estão se deparando com um obstáculo quando o código gerado atende à realidade de seus ambientes existentes, porque gerar código e operacionalizá-lo não são o mesmo problema”, diz Ameling.
Existem requisitos específicos para a implementação de lógica gerada por IA à escala empresarial: como é realmente a prontidão dos dados e da integração, como funciona a governação quando os agentes de IA passam da produção de recomendações para a execução de fluxos de trabalho e como as equipas de desenvolvimento estão a mudar o seu papel à medida que a IA assume maior parte do trabalho de codificação.
Por que a geração de código de IA falha em ambientes de produção empresarial Os ganhos de produtividade com o código de IA geração são reais e bem documentados, mas a facilidade de prototipagem deu a muitas organizações uma noção enganosa de quão avançadas elas realmente estão. “Gerar código é uma coisa”, diz Ameling.
“Os clientes empresariais, incluindo multinacionais e grandes organizações, precisam garantir que não haja comprometimentos na conformidade ou na segurança. O código que funciona de forma confiável por dez ou vinte anos, como acontece em muitos dos maiores clientes da SAP, também precisa ser mantido, corrigido e compreendido por quem o herda.
A questão raramente é a qualidade da geração. As equipes constroem algo atraente e depois descobrem que não têm acesso aos dados dos quais dependem, às integrações que ele pressupõe ou às permissões necessárias para executá-lo em um ambiente real. O problema é essencialmente que a IA amplifica os dados existentes e a maturidade dos processos de uma organização, mas não pode substituí-los.
Essa dinâmica se intensifica à medida que a IA passa da produção de código para a execução de ações. A latência, o custo e a carga do sistema aumentam quando a lógica é executada continuamente em dados ativos, em vez de renderizar uma saída única. O desempenho os requisitos de um agente autônomo operando nos sistemas de transações de uma multinacional são categoricamente diferentes daqueles de um copiloto desenvolvedor.
Por dentro: “Os clientes empresariais, incluindo multinacionais e grandes organizações, precisam garantir que não haja comprometimentos na conformidade ou na segurança.
Como conectar a lógica gerada pela IA a sistemas empresariais fragmentados O desafio de arquitetura que a maioria dos projetos empresariais de IA subestima é a integração. Os ambientes empresariais reais não são do zero: eles combinam sistemas em nuvem, infraestrutura local legada, armazenamentos de dados fragmentados e dezenas de aplicativos de negócios que nunca foram projetados para se comunicarem entre si.
Fazer com que a lógica gerada pela IA opere de maneira confiável em todos eles requer uma camada que unifique o acesso aos dados, o contexto do processo e a governança, e deve estar em vigor antes que qualquer agente comece a executar. E as organizações que veem a IA como uma razão para adiar a modernização da infraestrutura estão cometendo um erro.
“A questão não é modernizar ou não. É claro que é preciso modernizar”, diz Ameling. “Mas o valor que você obtém com isso é muito maior com a IA. O acesso federado a dados e camadas de processos harmonizadas não são alternativas para atualizar um cenário fragmentado, são o que fazem a atualização valer a pena.” Na plataforma nível, isso se traduz em um conjunto de requisitos práticos: integração estruturada de dados, visibilidade de processo ponta a ponta e a capacidade de descobrir e conectar-se a APIs em sistemas modernos e legados.
A abordagem da SAP com a Business AI Platform baseia-se em ferramentas, incluindo Joule Studio, Integration Suite, Business Data Cloud e camada de arquitetura empresarial SAP AI Agent Hub para fornecer esse contexto. O objetivo é fornecer à lógica gerada por IA um conhecimento preciso e atual sobre o que uma empresa está fazendo e como, em vez de apenas acesso a dados brutos.
Os agentes de IA lidam com grandes desafios dividindo-os em tarefas menores e autônomas, com cada agente responsável por um domínio específico e todos coordenados para um resultado compartilhado. Um fechamento financeiro, por exemplo, envolve dezenas de subprocessos distintos. Os agentes que lidam com cada tarefa em paralelo, dentro de restrições definidas, podem comprimir drasticamente os tempos de ciclo, mas apenas se os sistemas subjacentes com os quais interagem forem coerentes e acessíveis.
A governança e a supervisão que os agentes de IA exigem na produção Quando a IA passa de assistente a ator operacional, as questões de governança se tornam grandes, porque os agentes que acionam fluxos de trabalho atualizam registros e interagir com sistemas de negócios ativos precisam da mesma estrutura de responsabilidade que se aplica aos funcionários humanos, ou seja, identidades, privilégios definidos e comportamento auditável.
Existem dois modelos distintos: Propagação principal, onde um agente atua em nome de um usuário, herdando as permissões e o escopo desse usuário. Agentes acionados pelo sistema, onde o agente opera sob sua própria identidade e privilégios definidos pela função, funcionando mais como uma função automatizada de RH do que como um assistente pessoal.
Síntese: O código que funciona de forma confiável por dez ou vinte anos, como acontece em muitos dos maiores clientes da SAP, também precisa ser mantido, corrigido e compreendido.
Ambos os modelos exigem a mesma infraestrutura subjacente: um hub de agentes onde os operadores podem ver quais agentes existem, quais APIs eles podem acessar e o que estão autorizados a fazer. A observabilidade também precisa de ser operacionalizada corretamente para a IA, combinada com avaliações técnicas e empresariais.
“Na produção, a abertura é muito importante”, diz Ameling. “Usamos OpenTelemetry como framework, para que possamos integrar com outras soluções, para observabilidade ponta a ponta da ferramenta, agentes terceirizados e similares.” Além disso, avaliações técnicas padrão, que testam se um agente produz resultados consistentes, são necessárias, mas não suficientes.
As avaliações de negócios avaliam se um agente está realmente movendo os indicadores de desempenho para os quais foi implantado para melhorar, mas tem que trabalhar de ponta a ponta. O local onde o teste acontece é igualmente importante. O ciclo tradicional de desenvolvimento de software em ambientes de desenvolvimento, teste e produção é interrompido quando um modelo produz resultados diferentes, dependendo se está sendo executado em dados de teste ou em tempo real.
Chegar a uma IA confiável na produção significa aceitar que a validação parece fundamentalmente diferente daquilo que as equipes de engenharia têm praticado há décadas, com testes de ambiente ao vivo, até mesmo testes A/B/C, para garantir que os resultados sejam confiáveis. Como a geração de código orientada por IA está mudando as funções da engenharia de software O papel do desenvolvedor não está desaparecendo neste ambiente, mas seu centro de gravidade está mudando.
O multiplicador de produtividade é significativo quando os desenvolvedores podem executar vários agentes de codificação em paralelo em terminais abertos, cada um trabalhando em um problema separado e levando vários minutos para ser concluído. Mas introduz um novo tipo de exigência cognitiva, porque os humanos têm de se manter informados.
Isso significa rastrear o contexto em fluxos de trabalho simultâneos, avaliar resultados que abrangem grandes bases de código e tornar a arquitetura julgamentos que nenhum agente pode fazer sozinho. “Quanto mais específico e completo for o prompt, menos intervenção será necessária, e os desenvolvedores estão aprendendo que trazer mais contexto antecipadamente paga dividendos em uma redução de idas e vindas”, diz Ameling.
"Mas o resultado ainda precisa ser compreendido, e não apenas aceito." A vantagem competitiva continuará sendo a propriedade intelectual, e não as ferramentas. As empresas que avançarem serão aquelas que codificarem de forma mais eficaz o seu conhecimento de domínio nos sistemas que constroem. “A experiência de processo de um fabricante, a lógica de risco de uma instituição financeira, a inteligência de roteamento de uma empresa de logística, estes são os ativos que a IA pode acelerar, mas apenas se as organizações que os detêm fizerem o trabalho para torná-los acessíveis e utilizáveis”, diz Ameling.
"Proteja isso e aplique IA para acelerar sua diferenciação." Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para obter mais informações, entre em contato com sales@venturebeat.com.
Fonte original:
The enterprise AI challenge nobody solves with code generation alone
Categorias: Ciência e Tecnologia, IA
Marcador: Notícias
