Główny menedżer ds. inżynierii mówi, że liderzy dostarczania muszą wdrażać systemy działające w czasie rzeczywistym i oparte na sygnałach
Główny menedżer ds. inżynierii w firmie Microsoft wyjaśnia, jak sztuczna inteligencja przekształca dostarczanie projektów z ręcznej koordynacji w inteligentną orkiestrację — oraz jak jego zespoły wykorzystują systemy oparte na sygnałach, aby wyprzedzać wydarzenia.
Chandrasekar Srinivasan
Główny menedżer ds. inżynierii
Jasność techniczna: Chandrasekar Srinivasan podkreśla potrzebę jasnego kierunku architektonicznego w realizacji projektów.
Transformacja dzięki AI: AI zmienia zarządzanie projektami z koordynacji w orkiestrację, zwiększając wydajność bez eliminowania ról człowieka.
Obsługa zależności: Podsumowywanie wspomagane przez AI poprawia widoczność i podejmowanie decyzji poprzez konsolidację informacji o stanie projektu i zależnościach.
Przepływy pracy oparte na agentach: Badanie przepływów pracy opartych na agentach usprawnia wykrywanie ryzyka i śledzenie projektów w wielu zespołach, poprawiając współpracę.
Zaufanie do AI: Budowanie zaufania do wyników AI ma kluczowe znaczenie dla wdrożenia; zespoły muszą traktować priorytetowo niezawodność i przejrzystość.
Chandrasekar Srinivasan jest głównym menedżerem ds. inżynierii w firmie Microsoft. Dzięki ponad 15-letniemu doświadczeniu w systemach rozproszonych, chmurze i sztucznej inteligencji kierował inicjatywami platformowymi zarówno na wczesnym etapie, jak i na skalę hiperskalową.
Usiedliśmy z nim, aby poznać jego spojrzenie na to, jak na nowo definiuje realizację projektów w środowisku natywnym dla AI. Oto, co nam powiedział.
Jasność techniczna i zgodność realizacyjna
Nazywam się Chandrasekar Srinivasan i jestem głównym menedżerem ds. inżynierii w firmie Microsoft. Kieruję dużymi zespołami budującymi wielkoskalowe platformy chmurowe poziomu Tier-0 i mam ponad 15 lat doświadczenia w systemach rozproszonych, chmurze i sztucznej inteligencji. W trakcie swojej kariery prowadziłem inicjatywy platformowe zarówno od 0→1, jak i od 1→100, obejmujące systemy płaszczyzny sterowania i płaszczyzny danych, koncentrując się na niezawodności, skalowalności, bezpieczeństwie, zgodności oraz realizacji działań międzyorganizacyjnych.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
W realizacji projektów tworzę jasność techniczną i zapewniam zgodność działań. Obejmuje to wyznaczanie kierunku architektonicznego, rozwiązywanie niejasności, odblokowywanie zespołów, prowadzenie uzgodnień między organizacjami partnerskimi, wczesne eskalowanie ryzyka, wspieranie zobowiązań wobec klientów oraz budowanie zespołu (rekrutowanie i rozwijanie go) w celu pomyślnej realizacji.
Dlaczego AI zmienia realizację projektów z koordynacji w orkiestrację
AI staje się integralną częścią niemal każdego obszaru realizacji projektów. Nie zastępuje przywództwa ani inżynierskiego osądu, ale znacząco ogranicza żmudną pracę związaną z realizacją. Zasadniczo zmienia zarządzanie projektami, przekształcając je z koordynacji w orkiestrację.
AI zasadniczo zmienia zarządzanie projektami, przekształcając je z koordynacji w orkiestrację.
Moje zespoły korzystają ze wspomaganego przez AI programowania i przeglądów kodu, aby przyspieszyć rozwój, z semantycznych chatbotów w celu zmniejszenia obciążenia wsparcia oraz z opartego na AI podsumowywania do syntezy komunikacji zebranej ze spotkań, wątków i dokumentów. Wykorzystujemy również AI do przyspieszania tworzenia dokumentacji technicznej i poprawy widoczności dzięki zautomatyzowanym pulpitom nawigacyjnym, które wskazują opóźnienia i ryzyko związane z realizacją.
W rezultacie poświęcam teraz mniej czasu na ręczną syntezę informacji, powtarzalną dokumentację i rutynową koordynację. Więcej czasu przeznaczam na zadania o większej wartości: podejmowanie decyzji architektonicznych, zarządzanie zależnościami między zespołami, radzenie sobie z niejasnościami, poprawę ustalania priorytetów oraz pomaganie zespołom w koncentrowaniu się na najważniejszych ryzykach związanych z realizacją.
Jak podejścia oparte na AI radzą sobie z zależnościami między zespołami
W naszym środowisku zależności obejmują dziesiątki zespołów, a aktualizacje są w naturalny sposób rozproszone między systemami projektowymi, wątkami komunikacyjnymi i przepływami pracy inżynieryjnej. Tradycyjnie zebranie tego wszystkiego wymagało znacznego nakładu pracy ręcznej, a my często identyfikowaliśmy ryzyka później, niż byśmy sobie tego życzyli.
Wprowadziliśmy lekką wersję V1, która łączyła wybrany zestaw sygnałów z tych systemów — dane dotyczące śledzenia projektu, aktualizacje zespołów i artefakty komunikacyjne — oraz wykorzystywała wspomagane przez AI podsumowywanie do generowania skonsolidowanego obrazu stanu projektu i zależności. Zaczęliśmy postrzegać to jako krok w kierunku modelu realizacji opartego przede wszystkim na sygnałach, w którym stale ewoluujące sygnały napędzają decyzje zamiast okresowych raportów statusowych.
Przechodzimy na model dostarczania, w którym priorytetem są sygnały, a stale ewoluujące sygnały napędzają decyzje zamiast okresowych raportów o stanie prac.
To podejście już zmieniło sposób pracy zespołu — zamiast poświęcać czas na zbieranie aktualizacji, zespół podejmuje na ich podstawie działania. Co ważniejsze, zmierzamy teraz do przekształcenia tej funkcji w produkt — głębszej integracji z naszymi systemami dostarczania, tak aby stała się standardowym elementem zarządzania widocznością projektów i śledzenia realizacji, a nie równoległym procesem. Najważniejszym wnioskiem było dla nas to, że wartość nie polega na pełnej automatyzacji dostarczania, lecz na stworzeniu systemu, który stale zwiększa widoczność i usprawnia podejmowanie decyzji na dużą skalę.
Jak AI wspiera automatyzację i gdzie nadal kluczową rolę odgrywa ludzka ocena
Obszary najlepiej przygotowane na wsparcie AI to synteza statusów, śledzenie zależności, identyfikowanie zagrożeń, dokumentacja, rutynowa komunikacja, projektowanie, programowanie i przegląd kodu. AI może pomagać, pobierając informacje z różnych systemów, podsumowując zmiany, identyfikując prawdopodobne blokady, wskazując luki w realizacji i sugerując dalsze działania.
Nie oznacza to jednak, że którykolwiek z tych obszarów można w praktycznym środowisku realizacji projektów naprawdę „w pełni zautomatyzować”. Ludzka ocena nadal jest niezbędna w zakresie ustalania priorytetów, podejmowania decyzji dotyczących kompromisów, zapewniania zgodności organizacyjnej, rozwiązywania konfliktów, wyznaczania kierunku architektury oraz zarządzania ludźmi. Najlepsze dzisiejsze zastosowanie AI nie polega na wyeliminowaniu ludzi z procesu, lecz na ograniczeniu obciążeń operacyjnych, aby inżynierowie i liderzy mogli skupić się na decyzjach o największej wartości.
Najlepsze zastosowanie AI nie polega na wyeliminowaniu ludzi z procesu, lecz na ograniczeniu obciążeń operacyjnych, aby liderzy mogli skupić się na decyzjach o największej wartości.
Zmiany w naszym stosie technologicznym przeniosły nas od statycznych, ręcznie utrzymywanych artefaktów statusowych do wspieranych przez AI przepływów pracy opartych na zapytaniach, które szybciej ujawniają istotne informacje i ograniczają nakład pracy ręcznej.
Środowisko narzędzi zmienia się zaskakująco szybko. To, co dziś wydaje się zaawansowane, bardzo szybko może stać się standardem. Nasz stos technologiczny coraz częściej obejmuje narzędzia AI, takie jak:
- GitHub Copilot — używamy go do przyspieszania programowania, sugerowania kodu, śledzenia projektów i zwiększania produktywności programistów podczas implementacji. Szczególnie wartościowe okazało się automatyczne wsparcie przeglądu kodu, które w wielu przypadkach nadal jest niedoceniane. Pomaga ono inżynierom wcześniej wykrywać problemy, poprawiać jakość kodu i pracować szybciej, bez konieczności poświęcania takiego samego poziomu ręcznego wysiłku na przegląd każdej rutynowej zmiany.
Największy wpływ odnotowaliśmy w postaci szybszych iteracji i mniejszej liczby żmudnych czynności związanych z przeglądem, przy jednoczesnym umożliwieniu ludziom skupienia się na głębszych kwestiach dotyczących projektu i poprawności. - Azure Copilot / asystenci AI — używamy ich do dokumentacji technicznej, podsumowywania, wyszukiwania wiedzy i obsługi procesów wsparcia.
- Narzędzia do raportowania oparte na zapytaniach — używamy ich do monitorowania kondycji projektu, opóźnień w realizacji i stanu zależności.
Jak przepływy agentowe usprawniają śledzenie projektów i wykrywanie zagrożeń
Badamy możliwości wykorzystania przepływów agentowych do śledzenia projektów, zarządzania zależnościami i wykrywania zagrożeń związanych z realizacją. Są to obszary o dużej wartości, ponieważ obejmują znaczną ilość rozproszonych informacji i ręcznych działań następczych, szczególnie podczas koordynacji pracy wielu zespołów.
Przykładowe zastosowania obejmują automatyczne wykrywanie opóźnień w projektach, identyfikowanie luk w zależnościach oraz sprawdzanie, czy wszystkie wymagane zespoły potwierdziły działania lub zobowiązania. W dużych środowiskach obejmujących ponad 100 zespołów staje się to niezwykle wartościowe.
Jak lekkie systemy zastępują przestarzałe pulpity projektowe
Większość pulpitów projektowych jest dziś już przestarzała — po prostu jeszcze ich nie zastąpiono. Odchodzimy od systemów zarządzania projektami opartych w dużej mierze na interfejsach graficznych i ręcznie aktualizowanych danych na rzecz lżejszych przepływów pracy opartych na zapytaniach.
Większość pulpitów projektowych jest dziś już przestarzała — po prostu jeszcze ich nie zastąpiono.
Obecnie zmiana ta polega na traktowaniu danych projektowych jako informacji, które zespoły mogą dynamicznie wyszukiwać i z którymi mogą wchodzić w interakcje — w sposób bardziej zbliżony do modelu opartego na interfejsie wiersza poleceń lub promptach. Zamiast poruszać się po wielu pulpitach albo utrzymywać statyczne dokumenty ze stanem prac, zespoły mogą zadawać konkretne pytania, takie jak:
- „Które zależności są w tym tygodniu najbardziej opóźnione?”
- „Które zespoły nie potwierdziły otrzymania krytycznych działań?”
- „Gdzie istnieje ryzyko, że nie dotrzymamy kamieni milowych?”
Połączenie przewidywalnej warstwy ustrukturyzowanych danych projektowych z probabilistyczną warstwą generatywnej sztucznej inteligencji umożliwia tę zmianę, interpretując te sygnały w kontekście — łącząc aktualizacje między systemami, identyfikując wzorce i ujawniając spostrzeżenia, które nie są oczywiste na podstawie żadnego pojedynczego źródła.
Dlaczego dane dotyczące zarządzania projektami muszą być oddzielone od podstawowych danych projektowych w miarę rozwoju systemów AI
W miarę rozwoju systemów musimy również oddzielić dane dotyczące zarządzania projektami (takie jak stan, priorytet itp.) od podstawowych danych projektowych, stosując jasne zabezpieczenia dotyczące poufnych informacji. Dzięki temu przewidywalna warstwa pozostaje niezawodna i bezpieczna, a warstwa probabilistyczna może bezpiecznie działać na właściwym poziomie abstrakcji bez ujawniania poufnych szczegółów. Oddzielenie danych dotyczących zarządzania projektami od podstawowych danych projektowych sprawia, że AI staje się możliwa do wykorzystania w środowiskach korporacyjnych.
W miarę rozwoju systemów musimy oddzielić dane dotyczące zarządzania projektami od podstawowych danych projektowych, aby AI mogła być wykorzystywana w środowiskach korporacyjnych.
W miarę poprawy jakości rozkładu prawdopodobieństwa warstwa ta skuteczniej odfiltrowuje szum i ogranicza halucynacje, co ma kluczowe znaczenie dla budowania zaufania do tych systemów. Różnicę między szumem a spostrzeżeniem stanowi jakość prawdopodobieństw. W praktyce ogranicza to potrzebę ręcznego opracowywania informacji o stanie prac i przenosi uwagę na podejmowanie decyzji. Zespoły poświęcają mniej czasu na aktualizowanie interfejsów graficznych, a więcej na interakcję z bieżącymi danymi za pomocą zapytań lub promptów.
Rezultatem jest mniejszy nakład pracy związany z raportowaniem, szybszy wgląd w ryzyko dotyczące realizacji oraz bardziej dynamiczny sposób zarządzania dostarczaniem — system nieustannie odzwierciedla rzeczywistość, zamiast polegać na okresowo aktualizowanych migawkach.
Jak wsparcie AI pozwala młodszym inżynierom wcześniej podejmować się bardziej złożonych zadań
Dzięki wsparciu AI mogę wcześniej w karierze powierzać młodszym inżynierom bardziej złożone zadania. Połączenie wskazówek wspieranych przez AI z ustrukturyzowaną walidacją pozwala im działać w szerszym zakresie, przy jednoczesnym zachowaniu jakości. Nie tylko przyspiesza to realizację zadań, lecz także znacząco zwiększa tempo nauki i rozwoju zespołu. AI skraca krzywą doświadczenia — inżynierowie mogą dziś podejmować się zadań, które wcześniej należałyby do ich przyszłych obowiązków.
Dzięki wsparciu AI młodsi inżynierowie mogą wcześniej podejmować się bardziej złożonych zadań, skracając krzywą zdobywania doświadczenia.
Zgranie zespołu poprawia się, gdy AI może podsumowywać dyskusje i wskazywać nierozstrzygnięte decyzje. Weryfikacja staje się bardziej efektywna, gdy AI pomaga w przeglądzie kodu, dokumentacji i możliwości prześledzenia zmian. Nie zmienia to faktu, że podstawy nadal mają znaczenie. Zakres projektu wciąż wymaga jasnego przypisania odpowiedzialności. Zgranie nadal wymaga podejmowania rzeczywistych decyzji. Weryfikacja wciąż wymaga rygoru inżynierskiego.
Dlaczego wdrażanie AI oznacza budowanie zaufania i równoważenie napięć
Wdrażanie AI czasami oznacza napięcie między dostosowaniem a standaryzacją. Zespoły chcą przepływów pracy dopasowanych do swoich potrzeb, ale na większą skalę kadra kierownicza potrzebuje również spójności w mierzeniu sygnałów dotyczących realizacji i reagowaniu na nie. Równoważenie tych dwóch kwestii było jedną z ciekawszych lekcji, jakie wyniosłem.
Oprócz umiejętności równoważenia napięć zespół, który chce wdrożyć AI, musi pracować nad budowaniem zaufania. Brak zaufania jest główną przeszkodą we wdrażaniu AI. Zespoły będą korzystać z AI tylko wtedy, gdy wyniki będą wystarczająco dokładne i zrozumiałe, a także zintegrowane z ich przepływem pracy w sposób pozwalający oszczędzać czas zamiast powodować konieczność dodatkowej weryfikacji.
Długoterminowymi zwycięzcami będą zespoły, które potraktują AI nie tylko jako narzędzie zwiększające produktywność, ale jako system, który musi zdobyć zaufanie dzięki niezawodności, przejrzystości i konsekwentnie dostarczanej wartości.
Chcesz poznać więcej podobnych spostrzeżeń? Zarejestruj się, aby bezpłatnie założyć konto DPM i poznać opinie kolejnych ekspertów.
