DevOps Conf 2026 · 2 апреля 2026
State of AI4SDLC
Research + AI-native delivery
/ DevOps Conf 2026
Содержание слайдов
1. State of AI4SDLC
Research + AI-native delivery
2. Маршрут доклада
Исследование, поставка, rollout
Часть 1: AI4SDLC Research 2025.
Часть 2: контур поставки.
Части 3-4: организация, task management.
Часть 5: rollout и метрики.
3. 01. AI4SDLC Research 2025
Как AI влияет на разработку ПО — метаанализ и опрос инженеров
4. 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.
5. 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.
6. 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.
7. Ограничения исследования
Как читать результаты
Выборка отражает контекст.
Процессы тоже влияют на продуктивность.
Индустрия меряет продуктивность по-разному.
Новизна и адаптация искажают динамику.
8. Паттерны метаисследования
Паттерны исследований 2023–2025
80%+ growth · 10h saved — Default, но неравномерно — AI стал daily tool; эффект зависит от задачи.
-1-7% stability/throughput — Coding быстрее delivery — Узкие места: review, tests, integration.
verify-first + platform — ROI через процессы — Доверие зависит от зрелости SDLC.
9. Сигналы опроса инженеров
Сигналы AI4SDLC Survey 2025
58% часто/всегда — AI стал повседневным инструментом — Кодогенерация стала daily practice.
64% vs 32% — Локальный эффект сильнее — Локальный рост сильнее командного эффекта.
49% / 60% — Доверие и ожидания расходятся — Доверие низкое, бизнес ждёт эффект.
10. AI уже рядом, но не везде
High-risk задачи требуют человека
Массовые сценарии
58% часто используют генерацию.
Редкие сценарии
24% — code review; 18% — legacy.
11. 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.
12. Доверие требует системной проверки
Verify, don't trust как инженерная норма
Качество
32% лучше; 14% хуже.
Доверие
49% не доверяют AI-коду.
Проверка включает эффект.
13. 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.
14. 02. Классический PDLC → AI-native
SE 1.0 → SE 2.0: перестройка системы
15. SE 1.0 и SE 2.0
Role-based vs agent-based SDLC
SE 1.0 · Role-based SDLC
Роли передают работу по SDLC.
Brownfield сохраняет контроль и handoffs.
SE 2.0 · Agent-based SDLC
Engineer + agents сжимают loop.
Greenfield — зона экспериментов.
16. Команда в SE 2.0
Тимлид держит context и защитные ограничения
Role-based команда
Потоки идут через роль-based SDLC.
Brownfield-поставка остаётся основной.
Agent-based команда
Teamlead держит context, queue, approvals.
Агенты получают bounded autonomy.
17. Сигналы от лидеров рынка
Google, Meta, AWS, DORA
Google: AI внутри engineering loop.
Meta: JIT-тесты под diff.
AWS: роли сжимаются под защитными ограничениями.
DORA: payoff зависит от платформы.
18. SE 2.0 требует дисциплины
Кодинг ускоряет rework
Слабый control → rework.
Шумные тесты → instability.
Агент открывает PR быстрее review.
Основа: branch protection, CI, signing.
19. SE 1.0 ↔ SE 2.0
Двусторонний перенос практик
SE 2.0 → фронтир — Agentic orchestration, JIT-тесты, автодоки. Greenfield и R&D.
SE 1.0 → фундамент — Контрольные точки, developer platform, безопасная поставка.
Перенос практик — 1.0 даёт защитные ограничения; 2.0 возвращает автоматизацию.
20. 03. AI-native организация
Меняются SDLC и модель компании
21. 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.
22. 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.
Меньше уровней
Amazon: +15% IC/manager.
Microsoft и Google: AI-first tooling.
23. Flattening требует платформы
Без платформы будет хаос
Нужны golden paths и policy.
Иначе узкое место у менеджеров.
Ratios 1:50 не шаблон.
Менеджер проектирует human-agent контур.
24. 04. AI-native task management
Atlassian и Linear показывают: меняется не только кодинг, но и сама единица работы
25. Task management — следующее узкое место
Тикет уже не ручная форма ввода
До тикета — Инциденты, чаты и docs становятся источниками задач.
Triage не масштабируется — Быстрый поток превращает очередь задач в неуправляемую очередь.
Статус вычисляется — Задача хранит связи, историю и next steps.
26. От ticket tracker к контекстному work graph
Меняется сама единица работы
Classic task management
Человек вручную заводит задачу.
Контекст переносится из чатов и docs.
AI-native task management
Система создаёт work item из сигнала.
AI предлагает team, assignee, labels.
27. Сигналы Atlassian и Linear
Intake → enrichment → delegation
Atlassian
Jira: AI-assisted work items и summaries.
Rovo/agents добавляют context и handoffs.
Linear
Triage Intelligence предлагает owner и labels.
AI agents работают, человек остаётся owner.
28. DevOps/platform: что делать
Платформа поставки для задач
Подключайте incident, support, docs.
Автоматизируйте intake; approvals — людям.
Трейс: intent → PR → deploy.
Мерьте signal-to-action lead time.
29. 05. Rollout AI-native в 2026
Новая operating model вместо IDE-пилотов
30. AI как слой operating model
Внутри стандартного контур поставки
AI входит в workflow — PR, review, tests, CI/CD = AI surfaces.
Агенты получают bounded tasks — Bounded task под human control.
Меняется язык управления — Throughput, risk, economics.
31. Big Tech переводит AI-native в систему
Workflow embedding + measurement platform
Workflow embedding
Microsoft: AI reviewer в PR flow.
GitHub: coding agent открывает draft PR.
Platform, evals, economics
AWS/Amazon: AI привязан к сквозной поставке.
Stripe: maturity меряют через evals.
32. Как бигтехи начинают мерить переход
Adoption → throughput → quality/risk → economics
usage, IDE, CLI, agents — Adoption + workflow — Кто вошёл в инженерный контур.
bugs, tests, incidents — Quality / Risk — Дефекты, тесты, инциденты.
cycle time, CTS-SW, ROI — Throughput + economics — Поток быстрее; AI окупается?
33. Что брать в команды сейчас
Стройте управляемую AI-native систему поставки
Встраивайте AI в обычные workflow.
Давайте агентам bounded autonomy.
Approvals и accountability оставляйте людям.
Мерьте throughput, quality/risk, economics.
34. Ключевые тезисы
Что забрать с собой
AI ускоряет артефакты; эффект требует зрелой проверки.
Узкое место смещается в task management и handoffs.
AI-native управляется через результаты поставки.
ai4sdlc-research.space · tellmeabout.tech
35. Материалы
Методология и источники
AI4SDLC Research 2025
DORA AI / State of DevOps
GitHub, Microsoft, Google, AWS
Stack Overflow, JetBrains, Atlassian
36. Как вам доклад?
DevOps Conf
Поделитесь фидбэком — это поможет стать лучше
Александр Поломодов, Technical Director & Fellow, Т-Технологии
37. Спасибо!
DevOps Conf
Если хотите изучить упомянутые в докладе материалы, переходите в канал "Книжный куб" — там собраны все ссылки и материалы по теме
Александр Поломодов, Technical Director & Fellow, Т-Технологии
@Book_Cube