Содержание слайдов

1. 1. От AI-native разработки к AI-native платформе

   Как агентная нагрузка меняет физику платформы разработки — на примере GitHub

2. 2. О чём будет эта статья

   Load unit + platform engineering

   Части 1-2: GitHub platform case.

   Часть 3: broken load economics.

   Часть 4: AI-native platform failure.

   Части 5-6: выводы для orgs.

3. 3. 01. GitHub как AI-native platform

   GitHub — уже не хранилище кода, а control plane для людей и агентов

4. 4. GitHub в цифрах 2025–2026

   Платформа перешла в новый масштаб: AI-трафик стал first-class нагрузкой

   +36M за 2025 — 180M+ разработчиков — 80% новых пользователей попробовали Copilot в первую неделю.

   ×2 за <2 года — 4.3M AI-репозиториев — AI-related repos почти удвоились: 230 repos/minute.

   5.5M issues/месяц — 986M commits в 2025 — Copilot коррелирует с ростом активности на 8-15%.

5. 5. Задача попадает к агенту

   Intent → operations

   Actions environment + repo clone.

   Code search по codebase.

   Draft PR, commits и session logs.

   Self-review, scans и dependency checks.

6. 6. GitHub усиливает агентный режим

   Agent HQ, CLI, Workflows, Mobile

   Agent HQ: Copilot, Claude, Codex.

   CLI /fleet запускает subagents параллельно.

   Workflows живут прямо в Actions.

   Mobile добавляет background branches.

7. 7. 02. Что видно в цифрах

   Actions, ревью кода, usage metrics — три сигнала нового давления

8. 8. Три сигнала AI-native нагрузки

   AI-трафик стал first-class нагрузкой платформы

   11.5B минут · +35% YoY — GitHub Actions — 71M jobs/day; coding agent использует Actions как substrate.

   60M reviews · ×10 рост — Copilot Code Review — >1/5 reviews на GitHub; 71% actionable обратная связь.

   First-class platform traffic — AI-native телеметрия — PRs by Copilot, cloud-agent users, CLI token usage.

9. 9. Качество review vs вычислительная глубина

   Лучше review — выше platform cost

   Улучшения качества

   Reasoning model: +6% positive feedback.

   Agentic architecture: +8.1%; 71% actionable.

   Цена улучшений

   +16% latency на сильной модели.

   Каждый review — отдельная платформенная нагрузка.

10. 10. 03. Почему ломаются старые архитектурные допущения

    Agentic fan-out: один issue порождает дерево platform operations

11. 11. Старая vs новая единица нагрузки

    Один issue → дерево platform operations

    Классическая платформа

    Человек меняет код и ждёт CI.

    Метрики: MAU, API QPS, CI, storage.

    AI-native платформа

    Intent → дерево действий платформы.

    Fan-out и operations per intent.

12. 12. 04. Сбой AI-native platform

    Не частный баг одной AI-фичи, а столкновение новой нагрузки со старой архитектурой

13. 13. Инцидент 9 февраля

    TTL + пик перегрузили DB

    Apps дали ×10 read traffic.

    Settings TTL: 12h → 2h.

    Read/write перегрузили auth cluster.

    Causes: isolation, shedding, monitoring gaps.

14. 14. Апрельские инциденты

    Agentic workflows начали создавать лавинообразный platform-side load

    1 апреля — /agents/sessions деградировал из-за backend exhaustion.

    2 апреля — Code Review поднял Cloud Agent jobs; ~40% jobs затронуты.

    9 апреля — Increased load задержал запуск coding-agent sessions.

15. 15. Shared failures распространяются шире

    Review, CI, Git и agents теперь падают вместе

    ~40% request failures — github.com — На пике мартовского инцидента.

    ~43% failed requests — GitHub API — Одновременно с github.com. Shared failures на нескольких поверхностях.

    ~21% errors — Copilot — 90-дневная доступность: 99.34-99.69%.

16. 16. 05. Для больших engineering orgs

    Процессно — интегрировать, инфраструктурно — разъединять

17. 17. Интеграция процесса, изоляция инфраструктуры

    То, что процессно нужно объединять, инфраструктурно нужно сильнее разъединять

    Процессная интеграция

    Агенты внутри PR, CI, audit trail.

    Security checks в едином потоке.

    Инфраструктурная изоляция

    Failure domains жёстче classic SDLC.

    Per-tenant isolation, traffic priority.

18. 18. DORA: AI усиливает свойства платформы

    Дисциплина становится заметнее

    DORA 2024: лучше документация, качество и скорость ревью.

    Цена: ниже пропускная способность разработки и stability.

    DORA 2025: throughput vs stability.

    GitHub показывает эту динамику.

19. 19. 06. Перспективы GitHub и выводы

    Правильный класс проблемы — правильная категория действий

20. 20. Ответ GitHub: платформенная работа

    Failure domains

    User cache → segmented DB.

    Capacity audit, dependency isolation.

    Monolith → isolated services/data domains.

    Azure migration: 12.5% → 50% трафика.

21. 21. Позитивный среднесрочный прогноз

    Правильное направление, давление растёт

    Platform substrate чинится под нагрузкой.

    Multi-provider agents и мобильные cloud agents.

    SDK-рантайм, удалённые CLI-сессии.

    Краткосрочно: осторожный прогноз. Среднесрочно: позитивный.

22. 22. Ключевые тезисы

    Что забрать с собой

    Bottleneck — platform layer, not authoring.

    Agentic fan-out: intent → operations tree.

    Защитные ограничения — продакшн-нагрузка, а не административная функция.

    Platform engineering управляет fan-out и machine traffic.

    tellmeabout.tech · ai4sdlc-research.space

23. 23. Ссылки и материалы

    Ключевые источники

    Classic PDLC to AI-native article.

    GitHub Blog, GitHub Status, Copilot updates.

    GitHub Actions, Code Review, org metrics.

    DORA 2024 report.

24. 24. Спасибо!

    AI-native Platform

    Если хотите изучить материалы по теме, переходите в канал "Книжный куб" — там собраны все ссылки

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @Book_Cube