Подкаст · 29 июля 2026Research Insights Made Simple #24
Почему AI-copilot архитектора всё ещё не получился
Разбор систематического обзора 51 исследования с Сергеем Барановым
/ Research Insights Made Simple #24 · AI × Architecture
- Александр Поломодов — ведущий
- Сергей Баранов — гость
Содержание слайдов
1. Почему AI-copilot архитектора всё ещё не получился
Разбор систематического обзора 51 исследования с Сергеем Барановым
2. AI видит снимок; архитектура хранит историю
3. Диаграмма показывает форму; решение хранит компромисс
Артефакт
Диаграмма
ADR
Список паттернов
Архитектура
Почему сейчас
Цена изменения
Последствия позже
4. Обзор систематизирует исследования, не измеряет эффективность copilot
5. 51 работа прошла многоступенчатый отбор
6. Широкое покрытие, неглубокая интеграция
7. Широкие решения труднее проверять
8. Три эксперимента показывают пользу — и её границы
9. LLM создаёт кандидата, не принятый ADR
10. Runtime даёт измеримый исход
11. Результат верен в границах измерения
Что реально измерили
Извлечение / паттерны · 4 проекта / 3 класса
Кандидат ADR · n=95
Deployment time · AKS-стенд
Что из этого не следует
Требования и компромиссы покрыты
Граница системы оптимальна
Решение выдержало релизы
12. 21 инструмент распределён по уровням ISL
13. Инструменты создают острова интеллекта
14. Артефакты существуют. Архитектурной цепочки нет
15. 15 проблем сводятся к 6 требованиям
16. Реальному copilot не хватает шести способностей
17. Адаптация требует памяти о длинном горизонте
AICH1 · обновлять рекомендацию
Версия требования изменилась
Найти зависимые решения
Пересобрать вариант + evidence
AICH6 · помнить последствия
Наблюдать debt и smells
Связать версии, инциденты, erosion
Вернуть сигнал в решение
18. Трассируемость без контекста остаётся формальной
AICH2 · непрерывная traceability
Requirement ↔ ADR · type/version
ADR ↔ component · rationale
Component/code ↔ runtime · evidence
AICH3 · локальный контекст
Доменные правила и данные
Teams · regulation · security boundaries
Migration cost + legacy constraints
19. Экспертная проверка требует evidence, а не уверенности
AICH4 · expert review
Нормы · security · regulation
Локальные domain exceptions
Owner принимает residual risk
AICH5 · evidence-based measure
Quality attribute
Signal + baseline
Threshold меняет решение
20. ArchBench стандартизирует pipeline, но не смысл метрики
21. R2ABench разделяет форму, граф, смысл и evidence
22. Знание не равно ответственности за решение
23. Бенчмарк измеряет способность, не эффект
Что измеряет бенчмарк
Фиксированный объект оценки
Повторяемый input + baseline
Заданные metric, scope, cost
Что происходит в компании
Неполные меняющиеся факты
Ограничения + конфликтующие качества
Последствия и ownership во времени
24. Форма улучшается быстрее архитектурной связности
25. Дорожная карта начинается с инфраструктуры знаний
26. Решение должно прослеживаться до runtime и обратно
27. AI анализирует. Архитектор владеет компромиссом
28. Архитектурная база — не большой prompt
Prompt
Снимок контекста одного run
Неявная версия + freshness
Слабая provenance; нет owner
Living knowledge
Schema + typed relations
Версии + freshness policy
Evidence + provenance + owner
29. Пройдите одно изменение в обе стороны
30. Начинайте с workflow, не продукта
31. Что подтверждают данные
51 исследование картирует поле, не ROI
Узкие задачи дают ограниченную пользу
21 инструмент автоматизирует отдельные острова
Бенчмарки не доказывают production-эффект
Старт: living knowledge + human accountability
AI удешевляет форму; ценность связности, evidence и ownership растёт
32. Архитектурная память важнее ещё одного ответа
Лонгрид, paper и replication package доступны по ссылкам на первом слайде
Книжный куб
Продолжим обсуждение архитектуры, AI4SDLC и инженерных исследований в канале.
Александр Поломодов, Technical Director & Fellow, Т-Технологии
@Book_Cube