К основному содержимому
dream → teamlead · 28 марта 2026

AI меняет культуру разработки

Исследование, инженерные процессы и роль тимлида

/ Dream -> Teamlead 2026

Содержание слайдов

  1. 1. AI меняет культуру разработки

    Исследование, инженерные процессы и роль тимлида

  2. 2. 01. AI4SDLC Research 2025

    Как AI влияет на разработку ПО — метаанализ и опрос инженеров

  3. 3. Как мы смотрели на AI4SDLC

    Практики, культура, доверие

    Где AI уже стал ежедневным.

    Где внедрение остаётся редким.

    Как связаны скорость, качество и доверие.

    Что превращает личный выигрыш в командный.

  4. 4. Метаисследование: источники данных

    50+ исследований, четыре типа источников

    Массовые опросы разработчиков и технических лидеров.

    Телеметрия и продуктовые/инженерные логи.

    Полевые эксперименты и контролируемые исследования задач.

    Внутренние корпоративные исследования и интервью.

  5. 5. AI4SDLC (2025)

    Опрос инженеров и техлидов

    Самооценка эффекта на продуктивность, качество и доверие.

    Частота использования AI по типам задач SDLC.

    Переменный размер выборки по вопросам.

    Описательный анализ без причинно-следственных выводов.

  6. 6. Ограничения исследования

    Как читать результаты

    Выборка отражает контекст.

    Процессы тоже влияют на продуктивность.

    Индустрия меряет продуктивность по-разному.

    Новизна и адаптация искажают динамику.

  7. 7. Паттерны метаисследования

    Паттерны исследований 2023–2025

    80%+ growth · 10h saved — Default, но неравномерно — Daily tool; эффект зависит от задачи.

    -1-7% stability/throughput — Coding быстрее delivery — Узкие места: review, tests, integration.

    verify-first + platform — ROI через процессы — Trust и роль зависят от SDLC.

  8. 8. Что видно по опросу инженеров

    Сигналы AI4SDLC Survey 2025

    58% часто/всегда — AI стал повседневным инструментом — Кодогенерация стала daily practice.

    64% vs 32% — Локальный эффект — Локальный рост сильнее командного эффекта.

    49% / 60% — Доверие и ожидания расходятся — Низкий trust; бизнес ждёт эффект.

  9. 9. AI уже рядом, но не везде

    High-risk задачи пока требуют человека

    Массовые сценарии

    58% часто используют генерацию.

    Кодинг и отладка — ядро.

    Редкие сценарии

    24% регулярно применяют AI для review.

    18% используют AI для legacy-задач.

  10. 10. Личная скорость не равна поставке изменений

    Coding speed ≠ delivery

    64% видят рост продуктивности.

    Командный эффект ограничен процессами.

    DORA 2024: AI-внедрение снижало пропускную способность разработки.

    DORA 2025: throughput вырос, instability осталась.

  11. 11. Доверие требует системной проверки

    Verify, don't trust как инженерная норма

    Качество

    32% отмечают улучшение качества кода.

    14% фиксируют ухудшение.

    Контекст и сложность определяют результат.

    Доверие

    49% не доверяют AI-коду.

    Доверяют лишь 11%.

    Культура проверки — ключевое условие эффекта.

  12. 12. Узкое место сместилось в поставку изменений

    Главный вывод для тимлида

    Commit → prod всё ещё долгий.

    Review, тесты и релизы ограничивают.

    Документация становится context quality.

    Побеждает перестройка системы работы.

  13. 13. 02. От классического PDLC к AI-native-разработке

    SE 1.0 → SE 2.0: не смена инструмента, а перестройка системы

  14. 14. Инженер управляет сквозным процессом

  15. 15. Тимлид проектирует работу с агентами

  16. 16. Лидеры уже перестраивают контур

    Google, Meta, AWS, DORA

    Google: AI внутри engineering loop.

    Meta: JIT-тесты под конкретный diff.

    AWS: роли сжимаются в один цикл.

    DORA: payoff зависит от платформы.

  17. 17. SE 2.0 ≠ бесплатное ускорение

    Почему ускорение кодинга может замедлить поставку

    Слабый version control → rework.

    Шумные тесты → нестабильность.

    Агент быстрее открывает PR.

    Основа: branch protection, CI, signing.

  18. 18. SE 1.0 ↔ SE 2.0: обмен практиками

    Системный перенос практик между режимами

    SE 2.0 → фронтир — Полигон для orchestration, JIT-тестов и автодокументации.

    SE 1.0 → фундамент — Контрольные точки, platform, безопасная поставка, надёжность.

    Перенос практик — 1.0 даёт защитные ограничения; 2.0 возвращает автоматизацию.

  19. 19. 03. От AI-native-разработки к AI-native-организации

    Следующий уровень сжатия: меняется не только SDLC, но и сама модель компании

  20. 20. Почему следующий шаг — AI-native-организация

    Код ускорился, тормозят решения и handoffs

    Сжимаются слои — После ролей внутри SDLC сжимаются оргпрослойки.

    Decision latency — Согласования и context handoffs становятся узкое место.

    Leverage вместо headcount — Фокус на output per employee и платформе.

  21. 21. Org-сигналы у лидеров рынка

    Шире span, меньше уровней, сильнее платформа

    Шире span

    Meta: AI org ratio до 1:50.

    Nvidia: ~50 reports у CEO.

    Сильные IC.

    Меньше уровней

    Amazon: +15% IC/manager.

    Microsoft и Google: AI-first tooling.

    Intel: faster execution, fewer layers.

  22. 22. Flattening не даёт бесплатной скорости

    Без платформы плоскость превращается в хаос

    Нужны golden paths, policy, observability.

    Иначе менеджеры тонут в исключениях.

    Ratios 1:50 нельзя копировать слепо.

    Менеджер проектирует human-agent контур.

  23. 23. 04. Как меняется роль тимлида

    Новые задачи лидера в мире AI-native-процессов

  24. 24. Тимлид проектирует систему работы

    Не только распределяет задачи

    Раньше

    Распределял задачи.

    Контролировал сроки и качество.

    Нанимал под роли.

    Теперь

    Проектирует human-agent loop.

    Настраивает quality gates.

    Растит диагностику и ревью.

  25. 25. Новая работа тимлида

    Пять зон ответственности

    Задаёт автономность AI по риску.

    Вшивает verification в definition of done.

    Управляет контекстом: ADR, runbooks, docs.

    Перестраивает метрики, policy и обучение.

  26. 26. Три главных вызова для тимлида

    Что может пойти не так при переходе к AI-native-everything

    Эрозия навыков — Код писать легче, глубокие навыки могут деградировать.

    Иллюзия скорости — Локальная скорость растёт, поставка может стоять.

    Доверие команды — Verify должен стать нормой, а не недоверием.

  27. 27. Ключевые тезисы

    Что забрать с собой

    AI ускоряет артефакты, а не поставку.

    SE 2.0 усиливает инженерную дисциплину.

    Тимлид проектирует human-agent систему.

    Измеряйте скорость поставки ценности.

    ai4sdlc-research.space · tellmeabout.tech

  28. 28. Ссылки и материалы

    AI adoption, DevEx, culture

    AI4SDLC Research 2025

    DORA AI + State of DevOps

    GitHub Octoverse + Copilot docs

    Stack Overflow, JetBrains, Atlassian

  29. 29. Спасибо!

    Яндекс

    Если хотите изучить упомянутые в докладе материалы, то переходите в канал "Книжный куб", где есть все ссылки на них

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @Book_Cube