Qalmari ja terveysteknologiayritys

Ongelma

Asiakas on kansainvälinen terveysteknologiayritys, jonka tuotteiden konfigurointikäyttöliittymät oli rakennettu AngularJS:llä. Teknologia oli saavuttanut elinkaarensa lopun, mikä loi turvallisuus- ja säädösriskin tiukasti säännellyllä terveysteknologian alalla. Käyttöliittymät olisi pitänyt modernisoida joka tapauksessa, mutta migraatio olisi tarkoittanut satoja tunteja toistuvaa, kaavamaista kehitystyötä: saman rakenteen läpikäyntiä komponentti komponentilta ilman juurikaan tilaa uuden suunnittelulle. Terveysteknologian sääntely-ympäristössä muutoksiin ei voi myöskään suhtautua kevyesti. Jokainen tuotantoon päätyvä koodirivi pitää pystyä perustelemaan ja jäljittämään, ja testaussyklit ovat pitkiä. Tämä tarkoitti, että pelkkä nopeus ei riittänyt tavoitteeksi. Lopputuloksen piti olla yhtä lailla auditoitava kuin manuaalisesti kirjoitettu koodi.

Ratkaisu

Qalmari päätti kääntää pakollisen migraation tilaisuudeksi rakentaa jotain pysyvämpää: generatiiviseen tekoälyyn perustuvan agenttijärjestelmän, joka automatisoi kehitystyön toistuvat vaiheet osana varsinaista tuotantoprosessia, ei erillisenä kokeiluna sen vierellä. Järjestelmä orkestroi kehitystyön vaiheet peräkkäin: tiketti haetaan suoraan tikettijärjestelmästä MCP-integraation (Model Context Protocol) kautta, agentti laatii toteutussuunnitelman, tuottaa koodin sekä siihen liittyvät dokumentaation, commit-viestit ja testit, ja vie työn merge request -vaiheeseen asti. Kehittäjä tarkistaa ja hyväksyy jokaisen vaiheen ennen etenemistä – tekoäly ei koskaan kirjoita suoraan tuotantoon. Säädellyssä ympäristössä tämä human-in-the-loop -periaate oli välttämätön, mutta yhtä tärkeää oli jäljitettävyys: järjestelmä kirjaa agentin päättelyketjut ja havainnot, jolloin koko kehityspolku on auditoitavissa jälkikäteen samalla tavalla kuin ihmisen tekemä työ.

Lopputulos

Migraatio eteni 40–50 prosenttia nopeammin kuin vastaavat aiemmat projektit ilman tekoälyavustusta. Nopeampi eteneminen tarkoitti myös sitä, että terveysteknologia-alan pitkät testaussyklit päästiin käynnistämään aiemmin, usein juuri testausvaihe on koko projektin aikataulun kriittinen tekijä. Vapautunut aika ei kadonnut mihinkään, vaan asiantuntijat pystyivät siirtämään huomionsa rutiininomaisesta toteutustyöstä vaativampiin, asiantuntemusta todella vaativiin tehtäviin. Malli osoittautui myös toistettavaksi: sitä on sittemmin esitelty organisaation muille kehitystiimeille konkreettisena, tuotantotasoisena esimerkkinä siitä, miten tekoälyä voi hyödyntää osana kehitysprosessia laajemminkin.

ROI

Konkreettisin hyöty näkyy arjessa: sama migraatiotyö olisi ilman agenttijärjestelmää vienyt 40–50 % enemmän aikaa, ja tuo säästö syntyi nimenomaan toistuvasta, matalan lisäarvon työstä, ei laadusta tinkimällä. Tuotteet täyttävät nyt ajanmukaiset turvallisuusvaatimukset, mikä pienentää yrityksen säädös- ja tietoturvariskiä jatkuvasti muuttuvassa terveysteknologian toimintaympäristössä. Yhtä tärkeä on organisaation oppima malli: toistettava, ihmisen valvonnassa toimiva tekoälyagenttien käyttötapa, joka on nyt käytettävissä myös muissa kehitystiimeissä ja tulevissa modernisointiprojekteissa – ilman että jokainen tiimi joutuu ratkaisemaan samat kysymykset tyhjästä.

---