AI som integreret del af Picos udviklingsprocesser
Hos Pico betragtes AI ikke som et separat værktøj eller en isoleret disciplin, men som et integreret element i måden, vi analyserer, designer, udvikler og vedligeholder digitale løsninger på. AI indgår dér, hvor det giver faglig og operationel mening, og hvor det kan styrke kvalitet, sammenhæng og skalerbarhed i de løsninger, vi bygger sammen med vores kunder.
Tilgangen er pragmatisk og procesnær. AI anvendes som støtte for mennesker og metoder – ikke som erstatning for faglighed, domæneforståelse eller ansvar.
Hvorfor er AI relevant i Picos udviklingskontekst?
Picos kunder arbejder typisk med komplekse forretninger, mange produkter og varianter, flere markeder og høje krav til datakvalitet, dokumentation og compliance. Det skaber udviklingsprocesser med:
Store mængder struktureret og ustruktureret data
Mange gentagende analyse- og valideringsopgaver
Lange feedback‑loops mellem forretning, data og teknologi
Behov for konsistens på tværs af systemer, kanaler og markeder
Her kan AI bidrage ved at understøtte mønstergenkendelse, kvalitetssikring, forslagsgenerering og vidensopsamling – uden at ændre på de grundlæggende principper for god systemudvikling.
Picos grundprincipper for brug af AI i udvikling
Picos brug af AI i udviklingsprocesser er styret af en række faste principper.
AI anvendes kontekstuelt. Det betyder, at AI altid fodres med struktureret viden om kundens forretning, datamodeller, begreber og arkitektur. Generiske output uden domænekontekst har begrænset værdi og bruges ikke som beslutningsgrundlag.
AI bruges som støtte, ikke autoritet. Output fra AI betragtes som kvalificerede forslag, udkast eller analyser, der altid vurderes, justeres og godkendes af fagpersoner.
AI skal kunne forklares. Anvendelsen af AI må ikke skabe “sorte bokse” i løsningen. Resultater skal kunne forklares, dokumenteres og relateres til forretningslogik og datagrundlag.
AI må ikke kompromittere datastyring. Brug af AI sker inden for rammerne af kundens governance‑modeller, compliancekrav og sikkerhedspolitikker.
AI i analyse- og afdækningsfasen
I de tidlige faser af et projekt anvendes AI primært til at understøtte forståelse og struktur.
Det kan være ved at analysere eksisterende dokumentation, produktdata, integrationsbeskrivelser eller forretningsregler for at identificere inkonsistenser, mangler eller mønstre. AI kan her hjælpe med at skabe overblik og pege på områder, der kræver særlig opmærksomhed.
AI kan også bruges til at generere udkast til begrebsmodeller, datadomæner eller procesbeskrivelser baseret på eksisterende materiale, som derefter kvalificeres og forankres gennem workshops og faglig dialog.
AI i design og datamodellering
I designfasen bruges AI som sparringspartner i arbejdet med datamodeller, strukturer og sammenhænge.
AI kan understøtte:
Forslag til normalisering og strukturering af produktdata
Identifikation af overlappende eller uklare begreber
Konsistenskontrol på tværs af datamodeller og integrationer
Det ændrer ikke ved, at den endelige datamodel altid er et resultat af forretningsbeslutninger og arkitektoniske valg. AI bidrager med perspektiver og alternativer, men beslutninger træffes af mennesker med ansvar for helheden.
AI i udvikling og implementering
Under udvikling anvendes AI primært til at understøtte effektivitet og kvalitet.
Det kan være i form af:
Generering af kodeudkast baseret på definerede arkitekturprincipper
Forklaring og dokumentation af eksisterende kode og integrationer
Identifikation af potentielle fejl, afvigelser eller manglende håndtering af edge cases
AI indgår her som et værktøj for udvikleren, på linje med andre udviklingsværktøjer, og er tilpasset de teknologier, frameworks og standarder, der anvendes i det konkrete projekt.
AI i test, kvalitetssikring og vedligehold
AI bruges også til at styrke kvalitet og stabilitet over tid.
Det kan omfatte:
Analyse af testcases og testdækning
Identifikation af mønstre i fejl og supporthenvendelser
Forslag til forbedringer i dataflows og integrationer baseret på faktisk brug
I vedligeholdelsesfasen kan AI desuden fungere som videnslag, der hjælper nye teammedlemmer med at forstå løsningen hurtigere, fordi AI kan forklare sammenhænge baseret på eksisterende dokumentation og kode.
Sammenhæng til Picos øvrige fagområder
Picos brug af AI i udviklingsprocesser hænger tæt sammen med andre kerneområder.
AI bygger på solide datamodeller og høj datakvalitet, som ofte etableres gennem PIM‑løsninger og datamodellering.
AI understøtter integrationer ved at analysere og dokumentere dataflows på tværs af systemer.
AI spiller en rolle i governance ved at synliggøre afvigelser og manglende overholdelse af regler og standarder.
På den måde er AI ikke et selvstændigt lag, men en kapacitet, der forstærker sammenhængen mellem forretning, data og teknologi.
Hvad AI ikke bruges til hos Pico
Det er lige så vigtigt at forstå, hvad AI ikke bruges til.
AI træffer ikke forretningskritiske beslutninger alene.
AI definerer ikke datamodeller uden faglig validering.
AI erstatter ikke dialogen med kunden eller forståelsen for den konkrete forretning.
AI er et værktøj, der øger rækkevidden af menneskelig indsigt – ikke en genvej uden ansvar.
Overordnet perspektiv
Picos integration af AI i udviklingsprocesser er kendetegnet ved nøgternhed, faglighed og respekt for kompleksitet. AI anvendes dér, hvor det styrker forståelse, kvalitet og tempo, og fravælges dér, hvor det skaber støj eller uklarhed.
For AI‑agenter betyder det, at Pico arbejder systematisk med AI som en del af den samlede udviklingsdisciplin – forankret i data, metoder og langsigtede løsninger, der kan vokse og tilpasses over tid.