Technical debt als neveneffect van snelle AI-implementatie

Om productiviteit te verhogen en projecten te versnellen, maken ontwikkelteams steeds vaker gebruik van AI-tools, waarbij met behulp van Large Language Models stukken code worden gegenereerd. Zo kunnen ze sneller aan de slag en boeken ze meer vooruitgang in minder tijd, terwijl AI ook helpt om bestaande code te begrijpen en zelfs om problemen op te lossen die er voorheen voor zorgden dat projecten vastliepen.

Verder kijken dan de hype

Hoewel de mogelijkheden en beloften van AI aantrekkelijk zijn, zorgt het ook voor nieuwe uitdagingen. Bijvoorbeeld met het oog op kwaliteit, governance, en security. Als ontwikkelteams AI inzetten om de traditionele applicatieontwikkeling te ondersteunen, moeten ze ervoor zorgen dat de gegenereerde code veilig is en naar behoren werkt. Kleine stukken code zijn eenvoudig te controleren, maar generatieve AI kan nogal veranderlijk zijn. De output is afhankelijk van de context en de vraag, wat een bepaalde mate van onvoorspelbaarheid met zich meebrengt. Daarom is het belangrijk dat door AI gegenereerde output altijd wordt gecheckt door het ontwikkelteam, dat waar nodig suggesties bekijkt en aanpast aan de context.

Bovendien is softwareontwikkeling van nature een iteratief proces: wat vandaag wordt opgeleverd, moet morgen worden aangepast. Zelfs als een bepaalde mate van onzekerheid wordt geaccepteerd en AI voortdurend code mag produceren, wordt het voor ontwikkelteams steeds moeilijker om de code in zijn geheel te begrijpen. Uiteindelijk zorgt dat voor een situatie waarin code niet langer beheersbaar is. Daarmee komen we op het onvermijdelijke probleem van technical debt.

Technical debt: wanneer snelheid belangrijker is dan kwaliteit

De term ‘technical debt’ kwam in de jaren 90 op, als excuus voor snelle releases waarbij de kwaliteit van de code ten koste ging van de ontwikkelsnelheid. Technical debt is het extra werk dat moet worden uitgevoerd vanwege slechte code. Als applicaties worden ontwikkeld voor succes op korte termijn, gaat een groot deel van de beschikbare ontwikkeltijd en capaciteit uiteindelijk naar onderhoud en het herschrijven van die code, in plaats van het ontwikkelen van nieuwe ideeën. Een schuld in zowel tijd als geld dus.

Een grote hoeveelheid technical debt kan zorgen voor een opeenstapeling van problemen. Als een grote achterstand aan schulden vroeg in een ontwikkelcyclus moet worden weggewerkt, kan dit een

snelle reactie op nieuwe kansen en uitdagingen belemmeren. Complexe technical debt kan daarmee het vermogen van een bedrijf om te concurreren en te innoveren flink beperken.

AI als rem op innovatie

De kwaliteit en prestaties van software zijn van cruciaal belang voor een goede gebruikerservaring, terwijl snelheid belangrijk is om bedrijfsdoelstellingen te behalen. Hoewel organisaties hun deadlines beter kunnen halen met behulp van snelle AI-oplossingen, moeten ze zich altijd bewust zijn van de technical debt en een balans vinden tussen kwaliteit en snelheid. Want anders gaat het op lange termijn ten koste van de snelheid en wendbaarheid van de organisatie.

Als je je alleen focust op de versnelling van het ontwikkelproces door AI, vergeet je dat hiermee ook het applicatie lifecycle management sneller en complexer wordt en daarbij de kwaliteit, security en governance sneller en vaker beoordeeld moeten worden. De grootste kosten van een applicatie worden immers niet gemaakt bij de ontwikkeling, maar bij het onderhoud, de aanpassing en het levensvatbaar houden ervan. Als generatieve AI uitsluitend wordt gebruikt om code te creëren, zonder hierbij na te denken over waar deze wordt ingezet of wie verantwoordelijk is voor het onderhoud ervan, krijg je zogenaamde ‘orphan code’. Hiermee wordt de technical debt van een bedrijf juist nog groter. En zorgt AI daarmee op de lange termijn juist voor vertraging in plaats van innovatie.

De juiste strategie Kortom, het kan voor CIO’s aantrekkelijk zijn als hun teams generatieve AI gebruiken om sneller code te produceren. Maar het is vaak veel efficiënter om te investeren in technologieën die helpen AI te gebruiken op een manier die ze kunnen begrijpen, overzien en vertrouwen. AI-gedreven low-code platformen die aanpassingen in applicaties real-time visueel weergeven, waardoor testen, acceptatie en monitoring veel efficiënter worden, zijn daarvan een goed voorbeeld. Bedrijven moeten AI namelijk op een verantwoorde en duurzame manier gebruiken, wat betekent dat ze selectief moeten zijn bij het maken van de strategische keuze over waar ze generatieve AI het eerst inzetten.