Решение между покупкой инструмента и его разработкой внутри компании усложнилось благодаря достижениям в области искусственного интеллекта, которые снизили затраты на разработку, одновременно упростив покупку. Исторически решения принимали менеджеры по продуктам, но ИИ сместил компромиссы в сторону таких факторов, как владение обслуживанием, системная интеграция и пользовательский опыт. Подавляющее большинство корпоративных сценариев использования ИИ теперь приобретаются, однако кодирующие агенты на базе ИИ делают разработку внутренних инструментов обманчиво простой. Такое "визуальное кодирование" может привести к необслуживаемым системам, которые становятся продуктами, требующими бюджетов и выделенных владельцев, — затраты, которые часто упускаются из виду при первоначальных расчетах.Покупка инструмента означает принятие дорожной карты, модели данных и графика выпуска поставщика, а также, возможно, его организационной структуры. Эти приобретенные системы могут не соответствовать конкретным пользователям или рабочим процессам компании, что приводит к неэффективности. Пользователи воспринимают инструменты не изолированно, а через пробелы между ними, часто требующие постоянного переключения между приложениями и повторного ввода данных, что отнимает значительное рабочее время. Сложность — это константа, и выбор заключается лишь в том, где она находится: в кодовой базе компании, в дорожной карте поставщика или перекладывается на пользователей.Многие продукты теперь доступны через хост-поверхности, такие как Teams или ChatGPT, что означает, что дизайн должен соответствовать ограничениям хоста. Замена существующих систем также влечет за собой расходы, включая потерю пользовательской экспертизы, скрытые правила, встроенные в старое программное обеспечение, и предвзятость "не изобретено здесь", которая отдает предпочтение перестройке, а не принятию внешних решений. Кодирующие агенты на базе ИИ могут исказить оценки времени разработки и создать ложное ощущение скорости.Основной принцип заключается в том, чтобы покупать товары широкого потребления и создавать дифференциаторы. Сами модели ИИ становятся товарами широкого потребления, но окружающий пользовательский опыт, который труднее воспроизвести, остается дифференциатором. Компании должны разрабатывать внутренние решения, когда проприетарные данные являются ключевым преимуществом или когда нормативные требования требуют индивидуальных решений. Однако большинству организаций не хватает специализированных навыков, необходимых для производственных приложений ИИ, что делает покупку более практичным выбором для многих потребностей.