

State of AI4SDLC: AI сдвигает узкие места разработки
Кодинг ускоряется первым. Delivery — только после перестройки всего потока.
Содержание слайдов
1. State of AI4SDLC: AI сдвигает узкие места разработки
Кодинг ускоряется первым. Delivery — только после перестройки всего потока.
2. Узкое место переезжает
Локальное ускорение кода создаёт очередь дальше по потоку
3. 01. Кодинг ускорился первым
AI снимает локальное ограничение и подсвечивает следующий этап потока
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. 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. 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. 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. Инженер управляет сквозным процессом
9. V-модель связывает требования и проверку
10. 02. Ограничение стало системным
Платформа расширяет throughput без потери контроля
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. 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. 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. Шлюзы и реестр решают разные задачи
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. 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. Автономия растёт вместе с контролем
18. Для каждой угрозы нужны защитные меры
19. 03. Агенты снимают очереди
Доменные агенты забирают очереди по всему SDLC
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. 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. 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. 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. Доменные агенты используют общую платформу
25. 04. Измеряем весь поток
Wait time и rework важнее доли AI-кода
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. 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. 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. 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. 05. Инженер держит контур
Меньше набора строк, больше intent, orchestration и validation
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. 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. 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. 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. Режим агента зависит от задачи
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. 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. 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. 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. Исследование и материалы
AI4SDLC
Исследование, материалы и продолжение дискуссии — в канале AI4SDLC.
Александр Поломодов, Technical Director & Fellow, Т-Технологии
@AI4SDLC