AI меняет культуру разработки
Исследование, инженерные процессы и роль тимлида
Содержание слайдов
1. AI меняет культуру разработки
Исследование, инженерные процессы и роль тимлида
2. 01. AI4SDLC Research 2025
Как AI влияет на разработку ПО — метаанализ и опрос инженеров
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. 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. 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. Ограничения исследования
Как читать результаты
Выборка отражает контекст.
Процессы тоже влияют на продуктивность.
Индустрия меряет продуктивность по-разному.
Новизна и адаптация искажают динамику.
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. 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. 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. 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. 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. Узкое место ушёл в поставке изменений
Главный вывод для тимлида
Commit → prod всё ещё долгий.
Review, тесты и релизы ограничивают.
Документация становится context quality.
Побеждает перестройка системы работы.
13. 02. От классического PDLC к AI-native-разработке
SE 1.0 → SE 2.0: не смена инструмента, а перестройка системы
14. SE 1.0 и SE 2.0
Role-based SDLC vs agent-based SDLC: как меняется сам контур работы
Software Engineering 1.0 (Role-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Analyst
Developer
QA Engineer
SRE
Support Engineer
Потери на передачах работы
Сделали часть AI сценариев внутри ролей
Локальные оптимизации внутри
На brownfield проектах обкатываем AI сценарии по ролям
Software Engineering 2.0 (Agent-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Engineer
Support Engineer
Меньше потерь на передачах работы
Быстрее e2e сценарии
На greenfield проектах пробуем agent-based разработку
Nessy Blaze
Nessy
Забираем наработки по сценариям
Забираем наработки по сценариям
15. SE 1.0 и SE 2.0 и роль тимлида
Software Engineering 1.0 (Role-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Teamlead
На brownfield проектах обкатываем AI сценарии по ролям
Software Engineering 2.0 (Agent-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Teamlead
На greenfield проектах пробуем agent-based разработку
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. 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. 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. 03. От AI-native-разработки к AI-native-организации
Следующий уровень сжатия: меняется не только SDLC, но и сама модель компании
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. 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. 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. 04. Как меняется роль тимлида
Новые задачи лидера в мире AI-native-процессов
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. 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. 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. 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. Ссылки и материалы
AI adoption, DevEx, culture
AI4SDLC Research 2025
DORA AI + State of DevOps
GitHub Octoverse + Copilot docs
Stack Overflow, JetBrains, Atlassian
29. Как вам доклад?
Поделитесь, пожалуйста, фидбеком — это поможет нам стать еще лучше
30. Ждём ваши вопросы
Задать в чате Yandex for Teamleads
Задать в форме
31. 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