Artificial intelligence and minimum viable product

Abstract

Artificial Intelligence (AI) is increasingly integrated into software engineering, yet its role in supporting Minimum Viable Product (MVP) development remains underex-plored. MVP development emphasizes rapid iteration, minimal resource use and early user feedback. Understanding how AI techniques contribute to these activities can clarify their value in early-stage software projects.This thesis investigates how AI techniques support the phases of MVP development, how trustworthy and accurate the techniques are and finally examines their effect on development efficiency.

A literature review was conducted using forward snowballing from an established review on AI in software engineering. 23 peer-reviewed studies were selected for the review. The analysis focused on mapping AI techniques to MVP development phases and assessing the reported accuracy and efficiency outcomes.

The result show that specific AI techniques align with distinct MVP activities. The techniques demonstrate high accuracy results compared to established work models. Efficiency gains arise from automating repetitive tasks, accelerating documentation and modeling activities, optimizing resources and reducing development cycle time. However, most studies were conducted in a laboratory setting, lacking real-word validation.

AI techniques can enhance MVP development by supporting core activities with high accuracy and improving efficiency. Nonetheless, the trust in these tools depend on data quality, model transparency and real-world validation. The limited industrial studies and the absence of research on Large Language Models and Generative AI highlights opportunities for future work.

Tekoälyä integroidaan jatkuvasti ohjelmistokehitykseen. Sen roolia pienimmän toimivan tuotteen (engl. Minimum Viable Product, MVP) kehityksessä ei kuitenkaan ole tutkittu. MVP:n kehityksessä korostuu nopea iterointi, pienet resurssit sekä aikainen käyttäjäpalaute tuotteesta. Erilaiset tekoälytekniikat voivat tehostaa näitä ohjelmistoprojektien varhaisia kehitysvaiheita.

Tämän kandidaatintyön tavoite on tutkia, miten tekoälytekniikat tukevat MVP:n kehityksen eri vaiheita, selvittää tekniikoiden tarkkuus sekä luotettavuus ja tutkia sen vaikutusta kehityksen tehokkuuteen.

Tutkimus toteutettiin kirjallisuuskatsauksena. Aiemman tekoälyn ja ohjelmistokehityksen integraatiota käsittelevän katsauksen pohjalta toteutettiin eteenpäin suuntautuva lumipallohaku, jonka avulla valikoitui 23 tutkimuspaperia. Aineistossa analysointiin, miten tekoälytekniikat sijoittuvat eri MVP:n kehityksen vaiheisiin sekä kuinka luotettavia ja tehokkaita tekniikat ovat.

Katsaus osoittaa, että tietyt tekoälytekniikat sijoittuvat luontaisesti eri MVP:n kehityksen vaiheisiin. Useat tekniikat osoittavat korkeita tarkkuusarvoja, ja tekoäly tehosti useita rutiinitehtäviä ja paransi resurssien käyttöä. Tulosten yleistettävyyttä rajoittaa se, että suurin osa tutkimuksista suoritettiin kontrolloiduissa olosuhteissa.

Tekoälytekniikat voivat tuoda merkittäviä hyötyjä MVP:n kehitykseen parantamalla sekä työn tarkkuutta että tehokkuutta. Tekniikat keventävät manuaalista työtä, nopeuttavat MVP:n iterointia ja auttavat tekemään perusteltuja päätöksiä ohjelmistoprojektien varhaisissa vaiheissa. Tekniikoiden luotettavuus riippuu kuitenkin datan laadusta ja mallien läpinäkyvyydestä. Soveltavan tutkimuksen rajallisuus sekä suurten kielimallien ja generatiivisen tekoälyn puute korostavat tarvetta jatkotutkimukselle.