AI Boost · 3 октября 2025
AI в SDLC: путь от ассистентов к агентам
Copilots, MCP/A2A, AlphaEvolve, SE 3.0 и кейсы крупного финтеха
/ AI в SDLC: от ассистентов к агентам · AI Boost 2025
Содержание слайдов
1. AI в SDLC: путь от ассистентов к агентам
Copilots, MCP/A2A, AlphaEvolve, SE 3.0 и кейсы крупного финтеха
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. 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. 01. В предыдущей серии
Как мы интегрируем AI в SDLC — кейсы бигтехов
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. 02. Ассистенты → агенты
От autocomplete к автономному выполнению задач
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. 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. 03. Протоколы: MCP и A2A
Стандарты для агентов и интеграций
10. MCP подключает инструменты, A2A — агентов
Протоколы решают соседние задачи и могут работать вместе
11. 04. Исследования и экономика
Почему агенты — это всерьёз и надолго
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. AlphaEvolve улучшает программы через evaluator
LLM предлагает изменение, измеритель проверяет его, база сохраняет лучшие версии
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. 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. 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. 05. SE 3.0 — AI-Native Engineering
Новая парадигма разработки софта
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. 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. 06. Кейс крупного финтеха
Spirit и агентский режим в продакшене
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. Агенты должны покрывать весь SDLC
Инженер задаёт направление, проектирует систему и ревьюит результат
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. 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. 07. Агенты в продакшене
T-Cover Agent, AI code review, security
26. T-Cover предлагает только проверенные тесты
Изменение → необходимость покрытия → кандидаты → проверка → MR на решение разработчика
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. AI review начинается с контекста
GitLab, документация, Jira и инструкции питают классификацию и ранжирование комментариев
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. 08. Измеряем эффект
Использование — только первый уровень доказательства
31. Utilization — начало, а не доказанный эффект
Сначала использование, затем impact, после — стоимость и возврат
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. 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. 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. 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. Спасибо!
polomodov.tech
Все слайды и ссылки — в Telegram-канале
Александр Поломодов, Technical Director & Fellow, Т-Технологии
@book_cube