Содержание слайдов

1. 1. AI в SDLC: путь от ассистентов к агентам

   Copilots, MCP/A2A, AlphaEvolve, SE 3.0 и кейсы крупного финтеха

2. 2. Александр Поломодов

   Technical Director & Fellow, Т-Технологии

   Архитектура и инженерные практики в fintech

   AI в SDLC на масштабе тысяч инженеров

   Подкаст «Code of Leadership», @book_cube

3. 3. Путь от инструментов к результату

   Почему агенты появились, как их строить и чем измерять эффект

   Почему агенты стали возможны

   Как меняется работа инженера

   Как агенты входят в SDLC

   Как отделить эффект от использования

4. 4. 01. В предыдущей серии

   Как мы интегрируем AI в SDLC — кейсы бигтехов

5. 5. Агенты продолжают эволюцию тулинга

   Предыдущий доклад был про интеграцию AI; этот — про автономный цикл

   Ассистенты уже в инструментах

   Следующий шаг — автономность

   Без платформы агенты не масштабируются

   Эффект нужно доказывать

6. 6. 02. Ассистенты → агенты

   От autocomplete к автономному выполнению задач

7. 7. Ассистенты стали привычным тулингом

   Copilot и Cursor открыли путь; Claude Code и Codex усилили агентский режим

   Copilot: agent mode

   Cursor: AI-centered IDE

   Claude Code: terminal agent

   Codex: long-running tasks

8. 8. Агент берёт на себя цикл задачи

   Человек задаёт результат и решает, насколько глубоко проверять работу

   Сам планирует шаги

   Вызывает внешние инструменты

   Выполняет без пошаговых указаний

   Возвращает результат человеку

9. 9. 03. Протоколы: MCP и A2A

   Стандарты для агентов и интеграций

10. 10. MCP подключает инструменты, A2A — агентов

    Протоколы решают соседние задачи и могут работать вместе

11. 11. 04. Исследования и экономика

    Почему агенты — это всерьёз и надолго

12. 12. Три силы толкают индустрию к агентам

    Инвестиции требуют отдачи, бизнес — роста эффективности, рынок — обещанного результата

    Миллиарды инвестиций с 2023 года

    Давление на эффективность компаний

    Обещания провайдеров AI-технологий

13. 13. AlphaEvolve улучшает программы через evaluator

    LLM предлагает изменение, измеритель проверяет его, база сохраняет лучшие версии

14. 14. Измеримый evaluator превращает поиск в эффект

    Google применил один цикл к инфраструктуре, железу и обучению моделей

    Borg scheduling: +0,7%

    Оптимизация TPU circuits

    Быстрее матричные вычисления

    Gemini training: +1%

15. 15. Не всё возможное люди хотят автоматизировать

    Сопоставляем желание работников и реальные возможности агентов

    Green light — Хотят делегировать, агент уже способен

    R&D — Хотят делегировать, агент пока не способен

    Red light — Агент способен, люди не хотят

16. 16. Правила агентской экономики нельзя оставлять на самотёк

    Авторы предлагают заранее спроектированные sandbox-режимы вместо emergent-проницаемого рынка

    Низкий риск

    Проницаемый sandbox

    Правила заданы заранее

    Высокий риск

    Изолированный sandbox

    Правила заданы заранее

17. 17. 05. SE 3.0 — AI-Native Engineering

    Новая парадигма разработки софта

18. 18. SE 3.0 переносит интерфейс с кода на намерение

    AI-native процесс соединяет человеческие требования и машинную реализацию

    SE 1.0: code-first + tools

    SE 2.0: code-first + AI

    SE 3.0: intent-first + dialogue

    Человек задаёт требования

19. 19. Сначала цель разработчика, потом инструмент

    Developer journey связывает этапы SDLC, устойчивые цели и команды платформы

    Собрать информацию

    Спланировать и согласовать

    Разработать, проверить, закоммитить

    Выпустить и поддерживать

20. 20. 06. Кейс крупного финтеха

    Spirit и агентский режим в продакшене

21. 21. Agent-first начинается со всей платформы

    Spirit закрывает путь от задачи и знаний до инфраструктуры и production readiness

    Процессы, поиск и документация

    VCS, IDE, CI и сборка

    Delivery, cloud и компоненты

    Observability и incident management

22. 22. Агенты должны покрывать весь SDLC

    Инженер задаёт направление, проектирует систему и ревьюит результат

23. 23. 60% времени — не написание кода

    Анализ web- и mobile-команд: AI-программа не может ограничиться autocomplete

    Создание

    Код — ~40%

    Тесты — ~15%

    Координация

    MR / code review — ~15%

    Jira — ~12%

    Wiki — ~12%

24. 24. Агенты выходят за пределы IDE

    Команды выбирают болезненные jobs по всему жизненному циклу

    Код: задача под ключ

    Данные: запрос → код → график

    QA: описание → тест-кейс

    Каждая профессия выбирает свои jobs

25. 25. 07. Агенты в продакшене

    T-Cover Agent, AI code review, security

26. 26. T-Cover предлагает только проверенные тесты

    Изменение → необходимость покрытия → кандидаты → проверка → MR на решение разработчика

27. 27. Чем ниже покрытие, тем выше прирост

    Добавленное покрытие убывает по мере роста исходной базы

    До 66%

    0–20% → +40 п.п.

    21–47% → +33 п.п.

    47–66% → +27 п.п.

    После 66%

    66–73% → +23 п.п.

    73–89% → +12 п.п.

28. 28. AI review начинается с контекста

    GitLab, документация, Jira и инструкции питают классификацию и ранжирование комментариев

29. 29. Security-агент видит код, но не весь контекст

    SafeLiner находит уязвимость и предлагает исправление — инфраструктурные компенсаторы он может не знать

    Сканирует репозиторий

    Объясняет найденную уязвимость

    Предлагает исправление в один клик

    Не всегда видит защиту инфраструктуры

30. 30. 08. Измеряем эффект

    Использование — только первый уровень доказательства

31. 31. Utilization — начало, а не доказанный эффект

    Сначала использование, затем impact, после — стоимость и возврат

32. 32. Использование выросло; impact ещё предстоит доказать

    Внутренние данные уверенно показывают adoption и retention

    Созданные артефакты

    IDE H1: 10%

    IDE H2: 25%

    Heli: 5% → 10%

    Retention · 4 недели

    IDE: suggest 79%, chat 55%

    Heli: suggest 70%, chat 46%

33. 33. Российскому рынку нужен сопоставимый baseline

    Исследование должно связать практики, восприятие инженеров и измеримый результат

    Практики российских компаний

    Качество и эффективность

    Восприятие AI инженерами

    Сравнение с мировыми трендами

    ai4sdlc.tbank.ru

34. 34. Агентская разработка — это система

    Пять выводов из исследований и production-кейсов

    Протоколы соединяют экосистему

    Evaluator превращает поиск в результат

    Платформа покрывает весь SDLC

    Инженер задаёт намерение и ревьюит

    Utilization не равен impact

35. 35. Источники, на которых держится аргумент

    Исследования про discovery, труд, экономику агентов, SE 3.0 и метрики

    AlphaEvolve · Google DeepMind

    Future of Work · Stanford

    Virtual Agent Economies · Google

    SE 3.0 · Measuring AI · DX

36. 36. Спасибо!

    polomodov.tech

    Все слайды и ссылки — в Telegram-канале

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @book_cube