Jak budujemy asystenta AI do automatyzacji praktyk IT

  • Autor: Karolina Konigsman
  • Opublikowano
  • Aktualizacja
  • 2 min czytania

W dużych projektach IT rosnąca złożoność i liczba technologii powodują naturalny chaos. Dokumentacja szybko się dezaktualizuje, standardy różnią się między zespołami, a powtarzalne czynności pochłaniają czas, który inżynierowie mogliby przeznaczyć na rozwiązywanie realnych problemów biznesowych.

W naszym zespole postanowiliśmy podejść do tego systemowo. Zamiast rozwijać kolejne narzędzia wspierające pojedyncze etapy SDLC, stworzyliśmy asystenta AI, który automatyzuje kluczowe praktyki IT w jednym spójnym frameworku.

Założenia techniczne

Nasz asystent AI:

  • Realizuje automatyzację zgodną z IT4IT – każdy krok praktyki to zestaw zadań, artefaktów i definicji stanów rozwoju, opisanych w formalnym modelu.
  • Tworzy artefakty w sposób deterministyczny – generuje dokumentację architektoniczną (C4, Structurizr DSL, ADR), szablony i fragmenty kodu w Angular, Spring Boot, React oraz unit testy.
  • Buduje traceability – automatycznie łączy wymagania z architekturą, kodem i testami, generując macierze zgodności.
  • Pracuje na lightweight agentach AI – wykorzystujemy generative AI (frontier models np. LLaMA) do generowania trajektorii, a następnie szkolimy mniejsze modele z adapterami LoRA pod konkretne praktyki (np. migracja z WebMethods do Spring Boot).
  • Integruje się przez API-first – działa w środowiskach cloud-native i on-premise, integrując się z narzędziami DevOps i bazami wiedzy.

Przykłady praktyk zautomatyzowanych przez asystenta

  1. Analiza wymagań IT – granularna walidacja wymagań biznesowych i technicznych względem bazy wiedzy i wzorców architektonicznych.
  2. Architektura systemu – generowanie pełnej dokumentacji C4 i ADR wraz z mapowaniem komponentów do value streams.
  3. Projektowanie systemu – automatyzacja realizacji use case’ów, podpowiadanie wzorców projektowych DDD i hexagonal architecture, refaktoryzacje i migracje technologiczne.
  4. Tworzenie kodu – generowanie spójnych szablonów i fragmentów kodu wraz z testami jednostkowymi.
  5. Testy E2E – automatyczne tworzenie i uruchamianie testów akceptacyjnych oraz detekcja luk w pokryciu testowym.

Podejście do tworzenia praktyk

Każda praktyka w naszym frameworku przechodzi pięcioetapowy proces:

  1. Identyfikacja i estymacja praktyki – wybór i analiza obszaru automatyzacji.
  2. Tworzenie trybów AI i definiowanie agentów – projektowanie agentów AI, ich ról, reguł i instrukcji.
  3. Budowa workflow – projektowanie kroków praktyki i produktów końcowych w oparciu o technologie docelowe.
  4. Testowanie i doskonalenie – walidacja w warunkach produkcyjnych, rozwój i obsługa edge cases.
  5. Optymalizacja kosztowa – generowanie trajektorii na modelu frontierowym i trenowanie mniejszych modeli z LoRA.

Dlaczego takie podejście?

Zamiast powielać ręcznie te same kroki, asystent AI umożliwia:

  • Skrócenie czasu wdrażania nowych osób do projektu (dokumentacja i wzorce są zawsze aktualne).
  • Utrzymanie wysokiej jakości architektury i kodu nawet w szybko skalujących się zespołach.
  • Tworzenie dokumentacji i artefaktów w sposób formalny.

Co dalej?

Nasz asystent AI działa dziś w projektach enterprise, wspierając zarówno development greenfield, jak i modernizację legacy. Rozwijamy kolejne praktyki i modele wyspecjalizowane dla poszczególnych technologii.

Jeśli interesuje Cię podejście, w którym AI nie zastępuje inżyniera, ale automatyzuje żmudną pracę i pozwala skupić się na projektowaniu i rozwiązywaniu problemów, być może znajdziesz u nas przestrzeń na realizację takich idei.

Kategoria
Kariera
Tag
DevOps

Czytaj także

Porozmawiajmy o waszym projekcie

  • 30 minut z ekspertem wdrożeń IT
  • Odpowiedź w 1 dzień roboczy od zgłoszenia
  • NDA przed rozmową, jeśli tego potrzebujecie
Umów konsultację