State of AI4SDLC: результаты исследования и AI-native-разработка

К исследованию пришли от наблюдения: в мире отчётов о влиянии AI на разработку много, в России их единицы, а методология часто зависит от заказавшего её вендора и нужных ему ответов. Вопросы поставили так: где AI применяют чаще всего, где он редок, что происходит с продуктивностью, качеством и доверием и превращается ли это в результат. Отвечали двумя дорожками — метаисследованием более чем полусотни источников и собственным онлайн-опросом. Способов мерить нашлось четыре: опросы инженеров и технических лидеров; телеметрия, когда исследователи получают доступ к git компаний и смотрят динамику по коммитам, как это делает и GitHub; полевые эксперименты вроде METR, где шестнадцати разработчикам, не работавшим с такими инструментами, дали задачи в больших репозиториях, которые они годами вели сами, — контекст туда не помещается, и AI не помог; и внутрикорпоративные исследования, плохо переносимые на индустрию. Из уважаемых серий он называет DORA, которой больше десяти лет и которую купил Google Cloud, опрос Stack Overflow и исследования JetBrains.

Свой опрос, по оценке Александра, ушёл на аудиторию порядка 80 000 инженеров: начали проходить около тысячи, до конца дошли меньше четырёхсот. Анкету собрали по образцу DORA; каузальный анализ ещё не опубликован, поэтому результаты описательные. Ограничения он проговаривает сразу: выборка может быть нерепрезентативной, эффект не всегда атрибутируется именно на AI, метрики продуктивности разнородны — DORA, SPACE и DX уживаются в одной компании, — плюс эффект новизны. AI стал инструментом по умолчанию: им так или иначе пользуются около 90% инженеров. Рост неравномерен: генерация кода, отладка и документация распространены, код-ревью и legacy отставали. Кодинг ускоряется быстрее доставки — до двадцать четвёртого года throughput и стабильность даже проседали, хотя каждый инженер считал себя продуктивнее. В отчёте MIT до пилота доходят 60% идей, раскатываются 20% пилотов, бизнес-результат дают 5%. В своём опросе проникновение ниже зарубежного, качество выросло у 30% и упало у 15%, а результатам не доверяет около половины.

В прошлом году агентские сценарии делали многие, но работали они кое-как и упирались в возможности моделей; в сентябре вышли новые фронтир-модели, качество подтянулось и сценарии сошлись. Этот год он называет годом, когда автономные агенты воспринимаются как члены команды. Схема, где каждая стадия SDLC закреплена за должностью — продакт, аналитик, разработчик, QA, SRE, саппорт, — сменяется схемой, где агенты забирают сценарии под ключ: роли остаются, но инженерные может закрывать один инженер. В стартапах это видно, в корпорациях сложнее, поэтому агентную разработку пилотируют на гринфилде. В Т-Банке за прошлый год автоматизировали сценарии внутри ролей — код-ревью, генерацию тестов, написание спек, кодинговый агент, — но не до конца автономно. Узкое место переезжает вниз по потоку: сгенерированный код надо отревьюить, прогнать через тесты и пайплайн, выкатить. Мы про DevOps на DevOps Conf, замечает он, и работы приехало больше: кодинг, по словам создателя Claude Code Бориса Чёрного, решён, а как это катить дальше — нет.

Подтверждения он ищет у западных компаний. Google разбил цикл разработки на стадии и джобы, померил их и добавлял AI точечно, где болит; у Meta вышла статья про эфемерные just-in-time тесты, которые второй агент генерирует под пулреквест, потому что постфактум написанные тесты не успевают за изменениями; AWS сжимает роли в один цикл с гардрейлами — и публично привязывает несколько инцидентов к тому, что джуны и мидлы соглашались с подсказками внутреннего инструмента Kiro, например, переразвернуть продакшн-среду; один такой случай стоил шести часов простоя, и финальный ок после этого отдали сеньорам. DORA формулирует то же иначе: AI усиливает то, что в организации уже есть, — сильную платформу или хаос. Бесплатного ускорения не выходит: над проектами Александра одновременно работают Claude, Codex и Cursor, а потом всё это надо смёржить. Сжимаются и управленческие слои: у Meta один менеджер на пятьдесят репортов, Amazon поднимает долю индивидуальных контрибьюторов, уплощаются Microsoft и Google. Но менеджеры тонут в исключениях, сеньоры становятся роутерами проблем, и выгорают все.

Четвёртая часть — про задачи. Работа начинается раньше тикета: контекста столько, что задачу проще собрать из него, чем писать руками; ручной триаж не масштабируется: при создании задач по клику бэклог растёт бесконечно, а статусы вручную не синхронизировать — параллельно работают люди и агенты. Linear в марте выпустил эссе о смерти таск-менеджмента и переобулся в платформу для работы людей и агентов. Atlassian, у которого есть и задачи, и база знаний, добавляет агентов и knowledge layer, но рынок не верит — капитализация упала втрое, — и в конце прошлого года он выкупает за миллиард платформу DX, выросшую из мира DORA и SPACE. Отсюда практический список: задачи заводятся из инцидент-каналов и чатопса, нужна трассируемость от интента до деплоя и инцидента, критично качество контекста: внутренний ассистент упёрся именно в это. Цели на год Александр складывает лесенкой: adoption и агентные сценарии, распределение по важным воркфлоу, throughput и cycle time, контрметрики качества и стабильности и, наконец, экономика.

Вопросов из зала было много. Про паттерн продуктового инженера, «человека-команды», появившийся задолго до AI: в исследовании Александр его не разбирал, сам так работает над своими проектами, но раньше таких людей было мало и на индустрию они не влияли, а теперь это ожидание адресовано массе инженеров. Тут же он вспомнил про внутренние инструменты: ассистента Несси вокруг кода и Jupyter-ноутбуков и аналог Lovable, чтобы продакты и дизайнеры сами собирали фронт. Про экономику: тратить эффект на экономию или на новые продукты — решение бизнеса, а нижняя граница затрат зависит от того, продолжат ли выкладывать open weight модели для своего железа. Про предел человека: когнитивная нагрузка выросла резко — вместо потока ты придумываешь задачи, загружаешь агентов и ревьюишь результат, а через пять часов встаёшь выжатым; надежда на то, что модели становятся автономнее, а Курцвейл уже не кажется фантастикой. Про раскатку на тысячи инженеров: базовые сценарии платформенные команды встраивают в Internal Developer Platform, а поверх агентской платформы с песочницей команды делают своё — например, агента, собирающего аудитории для рекламных кампаний по текстовому описанию.