Содержание слайдов

1. 1. Разработка софта в 2030

   Проверяемые гипотезы вместо линейного прогноза

2. 2. Александр Поломодов

   Technical Director & Fellow, Т-Технологии

   Архитектура и инженерные практики в финтехе

   AI-native разработка и Platform Engineering

   Подкаст «Code of Leadership», @book_cube

3. 3. Будущее нельзя экстраполировать одной линией

4. 4. 01. Сигнал: агент становится единицей работы

   Но автономная задача ещё не равна автономной разработке

5. 5. Следующий переход: от агента к системе агентов

6. 6. Совместимость протоколов не создаёт доверия

7. 7. Adoption не доказывает улучшение поставки

   Популярность инструмента — вход, не результат

   Нет надёжного основания для «70% используют ежедневно»

   Сгенерированный код может увеличить объём ревью

   Локальное ускорение не гарантирует системный эффект

   Нужны delivery-, quality- и outcome-метрики

8. 8. 02. Исследования дают сигналы, не календарь

   AlphaEvolve, WORKBank, агентские экономики и SE 3.0

9. 9. Проверяемый evaluator превращает генерацию в поиск

10. 10. Успех в алгоритмах не доказывает автономность всего SDLC

    У DeepMind есть реальные результаты — и чёткое условие применимости

    Оптимизация дата-центров, чипов и AI-training

    Новые алгоритмы матричного умножения

    Оценка должна быть объективной и автоматической

    Неоднозначные продуктовые цели так не проверяются

11. 11. Возможность и желание автоматизации: разные оси

12. 12. Экономики агентов различаются по происхождению и проницаемости

13. 13. 03. Сценарий: intent становится интерфейсом

    Цель формулирует человек, пространство решений исследует машина

14. 14. AI-native смещает фокус с кода на intent

15. 15. Сначала измеряем устойчивую цель, затем выбираем инструмент

16. 16. Безопасному делегированию нужен runtime

17. 17. Агент работает по SDLC без переноса ответственности

18. 18. Рост агентского кода требует масштабируемой проверки

    Ограничение: доказательство качества, не генерация

    Evaluator должен проверять функциональность и риски

    Стоимость ревью входит в полную цену задачи

    Рост rework опровергает обещание производительности

    Безопасный rollback ограничивает blast radius

19. 19. 04. Метрики связывают агента с результатом

    Acceptance rate полезен, но не отвечает, стала ли система лучше

20. 20. Одной метрики недостаточно для агентской разработки

21. 21. Пилот должен заранее определить условие остановки

    Иначе локальное ускорение легко принять за эффект

    Baseline на сопоставимых задачах

    Task success и human intervention

    Полная цена: compute + review + rework

    Escaped defects и delivery outcome

22. 22. Один сигнал ведёт к разным сценариям

23. 23. К 2030 проверяемые системы обойдут автономные

    Что должны подтвердить или опровергнуть данные

    Intent станет важнее ручного набора кода

    Evaluator станет частью архитектуры разработки

    Платформа определит предел автономии агента

    Outcome и rework важнее объёма генерации

24. 24. От наблюдений отделены авторские сценарии

    Полные ссылки — в заметках спикера

    DeepMind: AlphaEvolve · Virtual Agent Economies

    Stanford: Future of Work with AI Agents

    SE 3.0: AI-native Software Engineering

    Google Research · DORA: developer goals и metrics

25. 25. Спасибо!

    polomodov.tech

    Все слайды и ссылки — в Telegram-канале

    Александр Поломодов, Technical Director & Fellow, крупный финтех

    @book_cube