[2/2] Исследование AI в SDLC от IT One и Сколково (Рубрика AI)
Продолжая рассказ про исследование и переходя к российским реалиям хочется процитировать отчет На текущий момент в России проникновение ИИ в задачи разработчиков происходит темпами, сопоставимыми с мировыми. Однако, на российском рынке, в отличие от мирового, проблемы и вызовы изменения жизненного цикла разработки под влиянием ИИ только начинают входить в приоритеты и фокусы технологических лидеров и тимлидов. Эта цитата подкрепляется исследованием Руссофт от 2024 года, где опрос софтверных компаний показал, что 54,8% из них отметили, что они имеют экспертизу и опыт в области искусственного интеллекта и используют их в разработке новых заказных систем или собственных решений (эта чиселка отросла с 46,6% в 2023 году).
Авторы исследования дают оценку, что ИИ используют ~62% сотрудников ИТ‑команд (в 2 раза выше 2024), а к 2028 пороникновение будет ~98% (~3,22 млн пользователей). Я не смог источник, откуда взят этот прогноз (упоминается отчет Руссофта, приведенный выше, а также отчет T-Adviser про рынок труда).
Дальше авторы рассказывают про ландшафт AI инструментов в России и делятся оптимистичными цифрами
- Ассистенты разработчика: GigaCode (Сбер), Yandex Code Assistant / SourceCraft, МТС Kodify; DevSecOps: Safeliner (Т‑Банк)
- Публичные заявления о результатах применения этих инструментов навроде -- GigaCode: до +28% к скорости разработки; −50% времени на регрессию; +30% скорость UI‑автотестов; 3× быстрее настройка конвейера; 2× быстрее онбординг DevOps; -- 5× быстрее обработка ИБ‑уязвимостей в Safeliner от Т-Банка -- Platform V Works (СберТех): −40% времени до прома в CI/CD; −50% времени на тестирование; +25% релизов; −20% трудозатрат -- Альфа‑Банк: ИИ‑агенты‑тестировщики — −30% ошибок за счёт роста покрытия, до 70% быстрее генерация автотестов; масштаб на 60+ команд
Среди трендов авторы выделяют
- Встраивание AI в платформы разработки: IDE, CI/CD, DevSecOps и т.д
- Появление агентных сценариев - автогенерация тестов/кода, проведения код-ревью
- Изменение нормы эффективности и дальнейшее движение в стороны T‑shaped разработчиков
Интересно, что вызовами являются темы
- Измерений эффектов - меньше 25% компаний замеряют их, а те, кто измеряют ориентируются на TTM/Lead Time, дефекты на проде
- Регуляторика и риски качества недетерминированной работы LLM - ИБ/152‑ФЗ, качество LLM, контроль использования и «галлюцинаций»
Авторы исследования предлагают следующий план внедрения AI
- Выберите 1–2 узких сценария: юнит‑тесты, код‑ревью, ...
- Зафиксируйте базовые метрики: TTM, Lead Time, дефекты
- Примите политику ИБ: что можно/нельзя; on‑prem/cloud LLM для кода
- Встраивайте в платформу разработки/CI‑CD, а не кустарно сбоки
- Введите quality‑gate для AI‑кода% кодстайл, статанализ, обязательное ревью
- Создайте библиотеку промптов и обучите команду.
- Сравнивайте российские и зарубежные модели на своих задачах.
- Масштабируйте после 2–3 успешных пилотов с подтверждённым ROI.
#Software #Engineering #Productivity #DevEx #AI #Management #RnD #Leadership #Economy