Podsumowanie
Kluczowe efekty
80–88% mniej czasu potrzebnego na powtarzalne zadania integracyjne
Nawet 84% wygenerowanego kodu ocenionego jako poprawny już przy pierwszej próbie
Gdy rosnące zapotrzebowanie zaczęło przekraczać możliwości zespołów inżynieryjnych
Wewnętrzne zespoły IT Sii Polska równolegle rozwijają i utrzymują rozbudowane środowisko technologiczne obejmujące m.in. zewnętrzne aplikacje webowe i mobilne, usługi integracyjne, system ERP, rozwiązania do zarządzania procesami biznesowymi, system zarządzania zasobami oparty na Microsoft Dynamics 365 oraz pipeline dostarczania oprogramowania w Azure DevOps. Środowisko obejmuje ponad 115 aplikacji i platform oraz ponad 280 modułów integracyjnych łączących przeszło 30 systemów wewnętrznych i zewnętrznych.
Wraz ze wzrostem zapotrzebowania na nowe funkcjonalności tak rozbudowane środowisko zaczęło wywierać coraz większą presję na dostępne zasoby inżynieryjne. Czas, który można było przeznaczyć na zadania o większej wartości, pochłaniało kilka powtarzających się wyzwań:
Powtarzalne zadania inżynieryjne
Tworzenie nowych komponentów front-endowych często wymagało przygotowywania tych samych plików, testów, tłumaczeń i dokumentacji, a nowe ścieżki integracji mogły oznaczać wiele godzin ręcznego tworzenia skryptów.
Obciążenie związane z przeglądami kodu
Przegląd średniej wielkości zmiany mógł zajmować starszemu inżynierowi 45–60 minut, a oczekiwanie na review spowalniało dalszą pracę deweloperów.
Wiedza systemowa skupiona w niewielkiej grupie ekspertów
Konsultanci i testerzy często polegali na niewielkiej grupie starszych specjalistów, którzy odpowiadali na pytania dotyczące działania systemów. Oczekiwanie na odpowiedź mogło opóźniać pracę o wiele godzin, a czasem nawet dni.
Drobne usprawnienia pozostające w backlogu
W przypadku niektórych niewielkich automatyzacji i usprawnień ułatwiających codzienną pracę tradycyjny koszt wdrożenia przewyższał oczekiwaną wartość biznesową.
Dalsze działania
Pierwsze eksperymenty z ogólnymi narzędziami wykorzystującymi sztuczną inteligencję nie rozwiązały tego problemu. Bez dostępu do architektury projektu, stosowanych konwencji i zależności wygenerowany kod często wymagał poprawek, a deweloperzy tracili czas na wielokrotne wyjaśnianie modelowi kontekstu projektu, zanim mógł efektywnie wesprzeć ich pracę.
Dlatego Sii Polska powierzyła inicjatywę własnym wewnętrznym zespołom inżynieryjnym – specjalistom, którzy na co dzień świadczą również usługi z zakresu inżynierii oprogramowania i wdrażania sztucznej inteligencji dla klientów zewnętrznych.
pakiety deweloperskie z kontekstem projektowym ustandaryzowały wykorzystanie Claude Code
Zespoły inżynieryjne Sii Polska nie wdrożyły Claude Code jako uniwersalnego asystenta. Dla każdego z 9 obszarów technologicznych – od systemów ERP po rozwój aplikacji mobilnych – przygotowały zestaw deweloperski. Zapewnia on modelowi ten sam podstawowy kontekst, którego potrzebowałaby nowa osoba dołączająca do zespołu, aby pracować zgodnie z jego standardami.
Zestawy łączą wspólny zestaw elementów:
- Reguły projektowe – architektura, konwencje programistyczne i standardy właściwe dla danego zespołu, dzięki którym generowane rozwiązania pozostają zgodne z przyjętymi wzorcami
- Aktualna wiedza o projekcie – serwery Model Context Protocol (MCP), które udostępniają indeksy komponentów oraz regularnie aktualizowany obraz zależności między warstwami bazodanową, procesową i integracyjną
- Wyspecjalizowani agenci – dedykowani asystenci wspierający implementację, przeglądy kodu, automatyzację testów, odpowiadanie na pytania dotyczące działania systemów oraz przygotowywanie gotowych do wprowadzenia w Jira zgłoszeń błędów na podstawie logów i zrzutów ekranu
- Powtarzalne polecenia – pojedyncze komendy służące m.in. do generowania szkieletów komponentów, przeglądów kodu, konfiguracji wymiarów finansowych, kontroli wdrożeń i sprawdzania logów pod kątem problemów
- Wbudowane mechanizmy bezpieczeństwa – automatyczne blokowanie plików zawierających dane poufne, uruchamianie testów po wygenerowaniu kodu oraz obowiązkowy przegląd deweloperski przed wprowadzeniem zmian do bazy kodu
- Automatyczny przegląd pull requestów – rozszerzenie Azure DevOps wspierane przez sztuczną inteligencję, które dodaje komentarze do pull requestów i weryfikuje 20 klas reguł bezpieczeństwa, zanim kod trafi na środowisko produkcyjne
Sii Polska ustandaryzowała również sposób dystrybucji i utrzymania zestawów. Każdy z nich można zainstalować jednym poleceniem, jest wersjonowany razem z odpowiednią bazą kodu i może być rozwijany przez deweloperów w ramach codziennej pracy.
Mniejszy nakład pracy pozwolił realizować więcej usprawnień
Zmniejszenie nakładu potrzebnego do wdrożenia zmieniło to, które zadania stały się uzasadnione biznesowo. Zespoły mogły ponownie uwzględnić w planowaniu sprintów długo odkładane automatyzacje i drobne usprawnienia ułatwiające codzienną pracę, ponieważ ich realizacja nie wymagała już tak dużej liczby godzin inżynieryjnych.
Proces dostarczania zmian stał się również bardziej spójny. Przeglądy kodu są prowadzone według zdefiniowanych kryteriów, zgłoszenia błędów mają ustandaryzowaną strukturę, a generowany kod już na wcześniejszym etapie jest zgodny z konwencjami zespołu. Wiedza projektowa zapisana w regułach, agentach i serwerach wiedzy daje konsultantom i testerom dodatkowe źródło odpowiedzi, ograniczając zależność od niewielkiej grupy starszych specjalistów.
Ponieważ ten sam model sprawdził się w 9 obszarach technologicznych wykorzystujących różne stosy technologiczne, Sii Polska wypracowała również powtarzalne wewnętrzne podejście do wdrażania Claude Code z pełnym kontekstem projektowym. Doświadczenie zdobyte podczas wykorzystania rozwiązania we własnych systemach może teraz wspierać podobne inicjatywy związane z wdrażaniem sztucznej inteligencji u klientów zewnętrznych.
Mierzalne korzyści w realizacji zadań, przeglądach kodu i raportowaniu
- Nawet o 30% szybsza realizacja wybranych projektów wewnętrznych
- Wzrost odsetka kodu wygenerowanego przez Claude Code i ocenionego jako poprawny już przy pierwszej próbie z ok. 33% do ok. 84%
- 80–88% mniej czasu potrzebnego na powtarzalne zadania integracyjne – konfiguracja wymiarów finansowych skróciła się z 20–24 godzin do 3–4 godzin, a przygotowanie testów jednostkowych z 12–16 godzin do ok. 2 godzin
- Skrócenie czasu przeglądu kodu o 40–55%, przy szacowanych oszczędnościach na poziomie ok. 60 zł na jeden pull request i 156 000 zł rocznie przy 50 zmianach tygodniowo
- Skrócenie czasu przygotowania zgłoszenia błędu z maksymalnie 15 minut do mniej niż 2 minut, przy jednoczesnym wzroście kompletności zgłoszeń z ok. 60% do ok. 95%
- Ok. 50% mniej pracy potrzebnej do tworzenia rozszerzeń Azure DevOps