Forestil dig et team der kan træffe en arkitekturbeslutning uden at booke tid i et review board. De ved hvilke principper der gælder, hvilke standarder der er sat, hvad der er besluttet før i lignende situationer. De ved hvad deres blast radius er, hvilke systemer og processer en beslutning rammer, og hvilke roller der skal involveres. AI-agenten forbereder grundlaget. Teamet vurderer og beslutter — kvalificeret og med de rette folk med.
Det samme gælder ledelsen. Når strategiske og overordnede beslutninger skal træffes, er grundlaget det samme: overblik over omfanget, hjælp til at identificere hvad der skal undersøges, og kontekst fra det der er besluttet før.
Det er hvad vi har bygget, ikke en fremtidsvision.
EA Workbench
EA Workbench er vores svar på det spørgsmål: et jumpstart asset, en struktureret foundation uden licenser eller vendor lock-in, du kan tage med ind i et EA-engagement fra dag ét. Katalog, guidance og governance i markdown og YAML-filer i et repository — dokumenteret i en form AI-agenter kan læse og arbejde med. Oven på det sidder en chat-brugerflade hvor arkitekten kalder på playbooks. Det vender jeg tilbage til.
Vi har organiseret arbejdet i tre modes.
Discover er udgangspunktet: kortlæg det faktiske landskab, det der rent faktisk er i produktion, ikke det planlagte. Systemer, data, kapabiliteter og afhængigheder. Det sker på tre måder: extraction hvor AI analyserer kildekode og databaseskemaer direkte, workshop hvor deltagernes viden omsættes til struktureret dokumentation, og interaktiv dialog hvor arkitekten arbejder med agenten og fylder huller. De tre tilgange kombineres naturligt efter hvad der allerede eksisterer.
Direct sætter retningen: target-arkitektur, principper og teknologibeslutninger koblet til det udgangspunkt Discover har etableret. Gap-analysen bliver mulig, fordi vi nu ved hvad vi har.
Govern gør governance operationel, ikke som et periodisk review, men som en del af det daglige beslutningsflow. Strukturerede workflows sikrer at beslutninger forberedes og dokumenteres. Drift detection identificerer løbende forskellen mellem tilsigtet og faktisk arkitektur, så afvigelser fanges tidligt.
De tre modes er ikke trin i en sekvens. Du bruger dem efter hvad organisationen har brug for.
Det der binder det hele sammen er playbooks. Tænk på dem som SOP'er for arkitekturarbejde — strukturerede, trinvise procedurer der beskriver præcis hvordan en opgave udføres. Når en arkitekt skal træffe en governance-beslutning, kalder hun /eam-decision. Det er en playbook der kører, ikke bare en prompt: agenten samler kontekst fra kataloget og guidance, identificerer konflikter med eksisterende principper og foreslår alternativer. Arkitekten vurderer og beslutter. Agenten dokumenterer. Playbooks kan køres af enhver — de kræver ikke at du var med til at bygge systemet.
Vi prøvede det af
EA Workbench er ikke bygget på en whiteboard-session. Det er bygget på et konkret engagement.
Vi blev involveret hos en større virksomhed der ville tage enterprise architecture seriøst. Udgangspunktet var velkendt: ingen fælles arkitekturbeskrivelse, principper som tavs viden hos de folk der havde været der længst, teknologibeslutninger taget i møder der ikke blev dokumenteret. Governance skete mest ad hoc.
Vi byggede det der manglede. Catalog, guidance og governance — struktureret fra dag ét, med AI-agenter som assistenter til at forberede beslutninger, identificere hvem der skulle involveres, vurdere omfanget af ændringer og dokumentere resultatet. Undervejs kunne vi se at fundamentet var genbrugeligt. Ikke det kundespecifikke indhold, men strukturen: datamodellen, de tre lag, governance-flowsene. Det var der idéen om EA Workbench tog form.
Hvad vi lærte
Noget virkede bedre end forventet. Det der gav mest genklang var /eam-decision — playbooken der forbereder en governance-beslutning. Ikke fordi den gør processen hurtigere, men fordi beslutningerne bliver mere fyldestgørende. Agenten samler konteksten, identificerer konflikter med eksisterende principper, viser hvad der er besluttet før i lignende situationer, og hjælper med at forstå omfanget: hvad påvirkes, og hvem skal involveres. Resultatet er beslutninger der er bedre underbyggede og truffet med de rette folk med. På sigt betyder det teams og ledelse der kan handle mere selvstændigt, fordi de har det grundlag der skal til.
Men /eam-decision er ikke bedre end den dokumentation der findes. Hvis principperne ikke er opdaterede, eller teknologibeslutningerne ikke er fanget, arbejder agenten med et ufuldstændigt grundlag. Det er præcis derfor, Discover og Direct er forudsætninger, ikke tilvalg.
Noget var sværere. At holde kataloget opdateret over tid kræver mere end et godt værktøj. Det kræver en kultur hvor dokumentation er en del af arbejdet, ikke noget man gør bagefter. Det er nok den reelle udfordring for enhver EA-tilgang, ikke bare denne. Et system der ikke vedligeholdes mister sin værdi hurtigt — og ingen playbook løser det problem alene.
Det genbrugelige
Da engagementet var et stykke inde, stod det klart at det vi havde bygget ikke var kundespecifikt. Indholdet var det — principper, standarder, teknologibeslutninger tilpasset den virksomhed vi arbejdede med. Men strukturen var universel: datamodellen, de tre lag, playbooks der beskriver præcis hvordan opgaverne udføres.
Det er den indsigt EA Workbench er bygget på. Ethvert nyt engagement starter med et fundament i stedet for et blankt dokument. Og når vi forlader et engagement, tager vi ikke knowhow med os. Playbooks og strukturen er der. Teamet kan fortsætte, forbedre og tilpasse.
Det er forskellen på et AI-interface ovenpå dine filer og governance der faktisk virker. Uden kodificeret ekspertise er det en chatbot der ved hvad du har lagt ind. Med playbooks er det governance der kan bruges af alle, ikke bare dem der var med fra starten. Den tilgang, at bygge en struktureret ramme som AI-agenter kan arbejde inden for, er det som kaldes harness engineering.
Det er forskellen på et AI-interface ovenpå dine filer og governance der faktisk virker.
Afslutning
EA Workbench er ikke et færdigt produkt. Det er en tilgang prøvet af i en pilot og pakket som et genbrugeligt fundament. Vi lærer stadig. Men retningen er klar: governance der er tæt på beslutningerne, teams der kan handle selvstændigt inden for rammer, og AI der forbereder frem for at beslutte.
I næste del tager jeg det skridtet tager vi arkitekt-elevatoren ned for at se på, hvordan AI kan bruges til at modernisere en applikation i landskabet.