Cisco og OpenAI redefinerer enterprise-udvikling med Codex

I årtier har Cisco bygget og drevet nogle af verdens mest komplekse, missionkritiske softwaresystemer. I takt med at generativ AI modnedes fra eksperimenter til reel operationel kapacitet, har Cisco bevæget sig ind i det, de kender bedst: at skalere avanceret teknologi i krævende, virkelighedsbaserede miljøer.

Den tilgang former allerede den måde, Cisco bygger nye produkter på, herunder AI Defense, hvor Codex hjalp med at komprimere kritisk softwareudviklingsarbejde fra flere kvartaler til uger.

I stedet for at behandle Codex som et selvstændigt udviklerværktøj begyndte Cisco at integrere det direkte i produktionsnære softwareudviklingsworkflows, hvor det blev eksponeret for enorme systemer med mange lagre, C/C++-tunge kodebaser og de krav til sikkerhed, compliance og governance, der gælder for en global virksomhed.

I processen var Cisco med til at forme Codex til noget fundamentalt andet end et produktivitetsværktøj for udviklere: en AI-engineering-teammate, der kan fungere i enterprise-skala.

Ciscos arbejde med AI Defense viser, hvordan den model kan se ud i praksis. AI Defense er Ciscos end-to-end-løsning til AI-sikkerhed, der beskytter mod sikkerheds- og tryghedsrisici introduceret af AI.

Codex blev brugt af Ciscos team til at skrive størstedelen af AI Defense og næsten alle nye funktioner, som Cisco bygger.

Dette arbejde afspejler også Ciscos bredere rolle i at fremme AI-sikkerhed. Cisco er blandt de førende sikkerhedsorganisationer, der arbejder med OpenAIs Daybreak-initiativ, som samler OpenAI-modeller, Codex og sikkerhedspartnere for at accelerere cyberforsvar og løbende sikre software. Som en del af dette program har de styret adgangen til GPT‑5.5‑Cyber, en model til cyberforsvarere.

Cisco brugte også Codex til at hjælpe med at bygge deres Defense Squad, et open source-værktøj, der gik fra idé til udviklerfællesskabet på under en uge.

Cisco har allerede en erfaren ingeniørorganisation med flere AI-initiativer i gang. Det, der gjorde Codex overbevisende, var ikke kodefuldførelse eller automatisering på overfladeniveau, men handlekraft. Codex demonstrerede evnen til at:

• Forstå og ræsonnere på tværs af store, forbundne lagre
• Arbejde flydende i komplekse sprog
• Udføre reelle workflows gennem CLI-baserede, autonome compile-test-fix-loops
• Operere inden for eksisterende review-, sikkerheds- og governance-rammer

Ved at arbejde direkte med OpenAI kunne Ciscos softwareudviklere give feedback om, hvordan disse kapaciteter opførte sig i virkelige miljøer, og dermed forme områder som workflow-orkestrering, sikkerhedskontroller og understøttelse af langvarige softwareudviklingsopgaver – alt sammen kritisk for enterprise-brug.

Da Codex først var indlejret i det daglige softwareudviklingsarbejde, begyndte teams at anvende det på nogle af deres mest udfordrende og tidskrævende workflows:

Optimering af byggeri på tværs af kodelagre: Codex analyserede byggelogs og afhængighedsgrafer på tværs af mere end 15 indbyrdes forbundne lagre og identificerede ineffektiviteter. Resultatet: en ~ 20 % reduktion i byggetider og mere end 1.500 ingeniørtimer sparet pr. måned på tværs af globale miljøer.

Fejludbedring i stor skala (CodeWatch): Ved hjælp af Codex-CLI automatiserede Cisco fejlreparation med iterativ, agentbaseret udførelse på store C/C++-kodebaser. Det, der tidligere tog flere ugers manuelt arbejde, fuldføres nu på få timer, hvilket giver en 10-15 ganges stigning i gennemløb for fejlrettelser og frigør ingeniører til at fokusere på design og validering.

Framework-migreringer på dage, ikke uger: Da Splunk-teams skulle migrere flere brugergrænseflader fra React 18 til 19, håndterede Codex hovedparten af de gentagne ændringer autonomt, komprimerede ugers arbejde til dage og lod ingeniører koncentrere sig om beslutninger, der kræver dømmekraft.

Cisco gav løbende feedback fra reel produktionsbrug, som hjalp OpenAI med at accelerere Codex' parathed til store virksomheder – især inden for områder som compliance, håndtering af langvarige opgaver og integration med eksisterende udviklingspipelines.

For Cisco etablerede samarbejdet en gentagelig model for at indføre næste generations AI: dybt teknisk partnerskab, reelle workloads og ledelsesmæssig alignment fra første dag.

I dag bruges Codex på tværs af flere Cisco-forretningsenheder og forbedrer produktivitet, kodekvalitet og tid til løsning. I stedet for kun at vurdere arbejde ud fra traditionelle mål for indsats spørger teams i stigende grad: »Hvor lang tid tager den Codex-kørsel?«