22 апреля 2026
AI-native лидерство роль CTO-2026
Куда идёт разработка, почему меняется инженерная система и чем теперь должен управлять технический директор
/ AI-native Leadership 2026
Содержание слайдов
1. AI-native лидерство роль CTO-2026
Куда идёт разработка, почему меняется инженерная система и чем теперь должен управлять технический директор
2. Маршрут доклада
AI4SDLC → новая CTO agenda
Куда идёт разработка и контур поставки.
Новая единица работы и AI-native org.
CTO: context, platform, trust, economics.
Новый профиль CTO и direction.
3. 01. Куда идёт разработка
Executive-версия AI4SDLC: что уже видно по исследованиям и практике 2025–2026
4. Как мы смотрим на AI4SDLC
Engineering shift, не demos
Метаанализ + AI4SDLC Survey 2025.
Смотрим speed, внедрение, quality, trust и поставку.
Ищем новые узкие места системы.
Для CTO это карта operating model.
5. Метаисследование
Паттерны 2023–2025
routine > complex — AI стал default — AI стал базовой линией; выигрыш выше на рутине.
coding > delivery — Coding быстрее поставки изменений — Artifacts быстрее value и trust.
orchestration + platform — ROI через процессы — Value в context, validation, workflow AI.
6. Опрос инженеров
AI4SDLC Survey 2025
58% часто/всегда — AI стал daily tool — Codegen вошёл в daily practice.
64% vs 32% — Эффект пока локальный — Личное ускорение не равно пропускной способности команды.
49% / 60% — Trust vs expectations — Trust ниже годовых ожиданий бизнеса.
7. AI daily, not universal
High-risk usage lower
Mass scenarios
Codegen и autocomplete — daily use.
Debugging, boilerplate, docs.
AI ускоряет personal loop.
Rare scenarios
Code review, legacy, critical changes.
Higher error cost → lower AI use.
Boundary: assistance vs autonomy.
8. Productivity растёт, team effect слабее
Coding ≠ delivery
Personal loop быстрее commit-to-prod.
Узкие места уходят в review, tests, integration.
DORA: local AI gain не гарантирует пропускную способность разработки.
Downstream превращает gain в rework.
9. Quality/trust need validation
Verify, don't trust
Качество
Quality grows slower than speed.
Context and complexity matter.
Without checks AI accelerates defects.
Доверие
Distrust remains widespread.
Trust comes from review/tests/evals.
AI moves into process and policy.
10. От coding к поставке изменений
Узкое место в поставке изменений
Review, tests, releases дорожают.
Docs = context quality.
Coding без redesign поставки локален.
Побеждает контур поставки вокруг AI.
11. 02. SE 1.0 → SE 2.0
SE 1.0 → SE 2.0: перестройка поставки
12. SE 1.0 и SE 2.0
Role-based vs agent-based SDLC
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
Локальные оптимизации внутри ролей
Человек переносит контекст между этапами
Brownfield: обкатываем AI-сценарии внутри привычного SDLC
Software Engineering 2.0 (Agent-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Engineer
Support Engineer
Меньше handoffs
Быстрее e2e-сценарии
Часть исполнения берут агенты
Greenfield: пробуем agent-based разработку как новый рабочий режим
Nessy Blaze
Nessy
Переносим практики
Переносим практики
13. SE 1.0 и SE 2.0 и команда
Меняется распределение responsibility
Software Engineering 1.0 (Role-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Teamlead
Менеджмент координирует handoffs между людьми и функциями
Software Engineering 2.0 (Agent-based SDLC)
Idea
Req
Dev
Test
Deploy
Support
Product
Teamlead
Менеджмент проектирует workflow, checkpoints и bounded autonomy
14. Сигналы от лидеров рынка
AI внутри workflow
Google: AI внутри engineering system.
Meta: JIT tests, diff-aware validation.
AWS: role compression + guardrails.
GitHub, Microsoft, Uber: bounded agents.
15. SE 2.0 требует дисциплины
Fast change → chaos
Weak VCS → rework.
Noisy tests → instability.
Agent PR быстро; review узкое место.
Без policies/evals AI усиливает entropy.
16. Практики SE 1.0 ↔ SE 2.0
Transfer, not winner
SE 2.0 → фронтир — Agentic orchestration, JIT tests, autodocs.
SE 1.0 → фундамент — Checkpoints, CI/CD, safe delivery, observability.
Перенос практик — 1.0: guardrails; 2.0: automation.
17. AI layer inside delivery
Operating model layer
AI входит в workflow — PR, review, triage, testing become AI points.
Агенты получают bounded tasks — Система исполняет bounded tasks под контролем человека.
Новый язык управления — Управление смещается к пропускной способности разработки, quality, risk, economics.
18. Как начинают мерить переход
Management chain 2026
Adoption: people, scenarios, workflows, agents.
Throughput: PR flow, cycle time, review, merge.
Quality/risk: defects, tests, incidents.
Economics: AI cost, ROI, task cost.
19. 03. Новая единица работы
Следующий узкое место — как формируется работа
20. Task management — следующий узкое место
Тикет уже не достаточная единица управления
До тикета — Incidents, chats, docs, prod signals.
Manual triage не scale — AI ускоряет change flow.
Статус вычисляется — Work item: links, history, next steps.
21. От тикета к work graph
Меняется единица работы
Classic tracker
Человек создаёт task и переносит context.
Triage/routing держатся на rituals.
Statuses быстро устаревают.
AI-native graph
System creates item from signal/context.
AI suggests team, priority, duplicates.
Human owns intent, risk, approval.
22. Atlassian / Linear
Intake → enrichment → delegation
Atlassian
Jira: AI-assisted items from context.
Rovo: search, context, handoff automation.
Focus shifts to orchestration graph.
Linear
Triage suggests team, assignee, priority.
AI agents delegate with human ownership.
System handles operating work.
23. DevOps/platform: что меняется
Task graph как platform
Incidents, support, chatops, docs → work graph.
Automate intake/triage; humans own risk.
Трейс: намерение → PR → деплой.
Measure signal-to-action lead time.
24. 04. AI-native организация
Когда код ускоряется, меняется модель компании
25. Следующий шаг — AI-native организация
Сжимаются SDLC-роли и оргслои
Сжимаются слои — SE 2.0 сжимает handoffs и org layers.
Decision latency — Узкое место — decisions и context transfer.
Leverage > headcount — Big Tech оптимизирует output per employee.
26. Оргсигналы лидеров рынка
Паттерны: шире span и сильнее platform
Wider span, stronger IC
Wider spans и senior IC leverage.
Org design → output/context transparency.
Fewer layers, stronger platform
Flattening needs IDP, policy, observability.
Platform compensates fewer layers.
27. AI-native org требует платформы
Flattening needs guardrails
Flat org needs golden paths.
Managers drown; senior ICs become routers.
1:50 без work map нельзя.
Managers design context and priorities.
28. Что теперь управляет CTO
Фокус: workflow и leverage
Workflow между people, agents, platform.
Headcount → ratio, leverage, latency.
Context, autonomy, approvals, fallback.
Adoption → throughput → risk → economics.
29. 05. CTO строит context/workflow
Context и workflow становятся strategic assets
30. CTO строит context platform
Побеждает quality context
DORA: code, docs, ADR, runbooks.
Context drives productivity and safety.
Knowledge architecture: ownership, access, freshness.
CTO строит платформу поставки и контекста.
31. CTO проектирует human-agent model
Unit of control: workflow
Классическая модель
Команда, тикет, функция, headcount.
CTO asks: stack and people.
Focus: architecture, escalations, coordination.
AI-native
Workflow, checkpoints, bounded autonomy.
CTO asks: how company acts faster.
Focus: intent → validation → outcome.
32. CTO owns workflow quality
Quality = human-agent contract
Contract: AI scope, gates, evidence.
Agentic scenarios need evals and fallback.
Quality = context, review, tests, rollback.
Bounded autonomy beats freedom.
33. 06. Платформа, trust, economics
Побеждает управляемый AI-native контур
34. Владелец платформы
IDP даёт org эффект
IDP distributes safe AI-native practices.
Quality loop: PR, review, evals, rollback.
AI-фичам нужны telemetry, SLAs, boundaries.
CTO turns productivity into delivery capability.
35. Trust/risk manager
Ambiguity becomes expensive
Policy: tools, data, vendors, fallback.
Security, compliance, ops risk in one loop.
Policy with CISO, legal, product before rollout.
Trust = managing ambiguity.
36. Tech economics
Best model is too narrow
Ключевые вопросы
Cost per successful task?
Цена error, rework, bad routing?
Routing by latency/cost/quality?
Сигналы рынка
Models change too fast for lock-in.
AI spend becomes management discipline.
Unit economics: task, workflow, P&L.
37. Capability builder and roles
Scale adoption/judgment
Saved creation time moves to verification.
Scale judgment: review, architecture, risk.
Expectations change for engineers, TLs, PMs.
CTO owns capability and role redesign.
38. 07. Профиль CTO-2026 и direction
AI-сценарии → managed acceleration system
39. Шесть языков CTO-2026
CTO-2026 говорит на шести языках
User, outcomes, context — AI accelerates value; context makes models useful.
Platform, flow, trust — Platform turns local gain into delivery.
Economics and roles — CTO считает ROI и проектирует human-agent модели.
40. Три вектора для CTO-2026
Строить управляемую систему ускорения
К end-to-end workflow — AI handles repeatable steps; humans own exceptions.
К платформизированному AI — Guardrails, context, evals, routing, observability.
К опциональности моделей — Intelligence + context + economics + risk.
41. Ключевые тезисы
Что забрать с собой
AI ускоряет artifacts; узкое место уходит в поставку изменений.
AI-native меняет tools, work unit, org layers.
CTO-2026 designs context, platform, trust, economics.
Winners turn AI into managed operating model.
tellmeabout.tech · ai4sdlc-research.space
42. Материалы
AI4SDLC / CTO agenda
AI4SDLC Research + DORA AI.
Google, Microsoft WTI, Stanford HAI, Meta.
Atlassian Rovo, Jira AI, Linear AI.
NIST AI RMF, FinOps 2026.
43. Спасибо!
AI-native Leadership
Если хотите изучить материалы по теме, переходите в канал "Книжный куб" — там собраны все ссылки
Александр Поломодов, Technical Director & Fellow, Т-Технологии
@Book_Cube