К основному содержимому
ТезисыPDF
137 просмотров6 лайков
Матрица светящихся сфер Turbo ML ConfTurbo ML Conf
Turbo ML Conf · 18 июля 2026

State of AI4SDLC: AI сдвигает узкие места разработки

Кодинг ускоряется первым. Delivery — только после перестройки всего потока.

/ State of AI4SDLC · Turbo ML Conf 2026

Содержание слайдов

  1. 1. State of AI4SDLC: AI сдвигает узкие места разработки

    Кодинг ускоряется первым. Delivery — только после перестройки всего потока.

  2. 2. Узкое место переезжает

    Локальное ускорение кода создаёт очередь дальше по потоку

  3. 3. 01. Кодинг ускорился первым

    AI снимает локальное ограничение и подсвечивает следующий этап потока

  4. 4. AI перестал быть экспериментом в IDE

    Теперь нужно управлять новой физикой разработки

    default tool — Массовое внедрение — Код, тесты, docs, объяснения.

    task-dependent — Неравный эффект — Кодинг ускоряется раньше delivery.

    next constraint — Новый вопрос — Где окажется следующее ограничение?

  5. 5. Откуда мы знаем, что происходит

    Индустриальные отчеты и AI4SDLC дают один сигнал

    Индустриальные исследования

    DORA и AI-assisted development reports.

    Кейсы: Google, Microsoft, GitHub, Meta, Uber.

    Исследование AI4SDLC

    50+ исследований 2023–2025.

    Опрос инженеров и техлидов в России.

  6. 6. Внедрение высокое, доверие ниже

    Сигналы повторяются в исследованиях

    Повседневный инструмент — AI стал частью рабочего дня.

    Эффект неравномерен — Эффект зависит от задач и зрелости процессов.

    Поставка отстаёт — Нужны review, tests и evals.

  7. 7. Кодинг быстрее, delivery — нет

    Очередь переезжает в review, тесты и постановку

    Больше WIP перед review

    Тесты поглощают больше изменений

    Слабая постановка масштабирует ошибку

    Проверка становится ограничением

  8. 8. Инженер управляет сквозным процессом

  9. 9. V-модель связывает требования и проверку

  10. 10. 02. Ограничение стало системным

    Платформа расширяет throughput без потери контроля

  11. 11. Масштаб задает требования к решению

    На 10 000+ инженеров нужна платформа

    10 000+ — Масштаб — Тысячи сервисов, репозиториев и стеков.

    fintech — Безопасность — Данные, секреты и PII требуют свой контур контроля.

    unit economics — Экономика — Token/infra cost считается на уровне компании.

  12. 12. North Star программы: баланс трех осей

    Базовая линия, защитные ограничения и владелец у каждой оси

    speed — Скорость — Lead/cycle time: от задачи до prod.

    quality — Качество — Defects, incidents, rollback, security findings.

    economics — Экономика — Tokens, infra и человеко-время vs эффект.

  13. 13. IDP жив: GUI уходит

    Контроль остается в платформе

    В агент

    Intent и следующее действие.

    IDE, wiki, CI/CD, observability.

    Natural language к capabilities.

    В платформе

    Доменная логика, policy, state changes.

    Лимиты, квоты, cost, blast radius.

    GUI: настройки, расследования, approvals.

    Статья: https://tellmeabout.tech/is-idp-dead-no-the-gui-monopoly-is-dying-331c72ae4d03

  14. 14. Шлюзы и реестр решают разные задачи

  15. 15. От API к capability map

    Capabilities строятся вокруг workflows, не API

    why — Intent map — Deploy, observe, secure, govern, approve, remediate.

    how — Machine contracts — Tool schema, errors, side effects, cost, policy.

    who owns — Registry — Owner, version, scopes, SLA/SLO, evals.

  16. 16. Доверие: read -> recommend -> act

    Автономия дается на capability

    Автономия

    Read: identity, quotas, telemetry.

    Recommend: plan, diff, risk, approval.

    Где нужен контроль

    State changes, money or risk.

    Domain semantics: SLO, IAM, data.

  17. 17. Автономия растёт вместе с контролем

  18. 18. Для каждой угрозы нужны защитные меры

  19. 19. 03. Агенты снимают очереди

    Доменные агенты забирают очереди по всему SDLC

  20. 20. Model gateway: доступ к LLM

    Security и экономика

    One gateway без прямых provider-интеграций.

    Security: secrets, PII, data policy, audit.

    Quotas and cost accounting by team/scenario.

    Models onboard centrally; clients unchanged.

  21. 21. Tool gateway: MCP Hub/CLI

    Доступ к tools

    CLI, APIs, runbooks, service ops.

    MCP Hub: owner, scopes, schema.

    Controls: allowlist, on-behalf-of, audit, gates.

    Один интерфейс для IDE/agents.

  22. 22. Nessy: company-context copilot

    Не просто Copilot

    RAG по codebase, docs, libraries.

    Знает conventions, ADR и golden paths.

    IDE и internal tools.

    Ответы знают текущее состояние систем.

  23. 23. Spirit: agent mode на платформе

    Internal PaaS + agents

    VCS/CI/CD: shared policies, paths.

    Agent mode: ticket -> PR.

    Sage: AI-assisted troubleshooting.

    Agents share policy perimeter.

  24. 24. Доменные агенты используют общую платформу

  25. 25. 04. Измеряем весь поток

    Wait time и rework важнее доли AI-кода

  26. 26. AI-код — плохая метрика

    AI-LOC не показывает новую очередь

    Соблазн

    Легко собрать и показать

    Растёт вместе с внедрением

    Вред

    Мотивирует генерировать строки

    Скрывает качество, риски, стоимость

  27. 27. Flow-метрики находят очередь

    Wait time, rework, blocked time, safe-change time

    Process map

    DORA: delivery и recovery

    SPACE/DevEx: flow и feedback

    Adoption — input, не proof

    Signals

    review и pipeline wait

    rework и blocked time

    safe-change time и дефекты

  28. 28. Evals/telemetry вместо MAU

    Ищем блокировки, а не клики

    Трейс: intent -> tools -> approvals.

    Span: user, agent, tool, model, cost.

    KPI: intent success, safe-change time.

    Evals regress agent-facing interfaces.

  29. 29. На что уходит время разработчика

    Код — лишь часть потока

    Coding: 30–35%.

    Встречи и синки: 25–30%.

    Wiki, docs, context search: 12%.

    Ревью кода и обсуждения: 10–15%.

  30. 30. 05. Инженер держит контур

    Меньше набора строк, больше intent, orchestration и validation

  31. 31. Одна платформа — разный эффект

    AI внедрение — социотехническая задача

    Одинаковые tools дают разный результат.

    Эффект там, где меняется работа.

    Требования и взаимодействие перестроены.

    Платформа необходима, но недостаточна.

  32. 32. Что отличало успешные команды

    Отличие — в перестройке работы

    Без эффекта

    Включили ассистента, ждали ускорения.

    Задачи ставятся «по чату».

    Review/tests без изменений.

    С эффектом

    Requirements стали agent contracts.

    Review адаптирован к AI-изменениям.

    Context/checks в pipeline.

  33. 33. Сопротивление — часть внедрения

    Automation меняет рабочие процессы

    Fear of replacement реален.

    Работают обучение, прозрачные цели, quick wins.

    Team champions убедительнее приказов сверху.

    Пилот -> обратная связь -> масштабирование.

  34. 34. День инженера: до и после

    Меньше строк, больше intent/context/checks

    До

    Пишет код руками.

    Контекст из чатов/wiki/calls.

    Review чужих diffs.

    После

    Формулирует intent/context/criteria.

    Оркестрирует agents и parallel tasks.

    Валидирует результат, больше design.

  35. 35. Режим агента зависит от задачи

  36. 36. Роль инженера становится шире

    Ценность — управление системой изменений

    Постановка — Цель, context, ограничения, DoD.

    Оркестрация — Разложить, delegate, собрать результат.

    Валидация — Проверить behavior, risks и intent.

  37. 37. Навыки-рычаги для инженера

    Чтобы агенты усиливали

    Context engineering: управлять контекстом агента.

    SDD: проверяемые contracts вместо размытых задач.

    Evals: измеримое качество agent work.

    Platform literacy: capabilities and boundaries.

  38. 38. Чего не происходит

    Популярные страхи vs практика

    Инженеры не исчезают: judgment важнее.

    Джуны нужны; меняется обучение.

    Ревью кода проверяет contracts and proof.

    Ответственность остается на человеке.

  39. 39. Пять сдвигов AI4SDLC

    Ускоряйте поток, а не отдельный этап

    Кодинг перестал быть главным ограничением

    Очереди переехали в постановку и проверку

    Платформа расширяет безопасную автономию

    Evals и flow-метрики показывают эффект

    Инженер оркестрирует и валидирует изменения

    Ускоряйте поток, а не отдельный этап

  40. 40. Исследование и материалы

    AI4SDLC

    Исследование, материалы и продолжение дискуссии — в канале AI4SDLC.

    Александр Поломодов, Technical Director & Fellow, Т-Технологии

    @AI4SDLC