AI в SDLC: отчёт IT One и Сколково

Александр открывает выпуск с мысли, что локального взгляда — что происходит с разработкой у нас, а не за рубежом, — как раз и не хватает, и передаёт слово гостю. IT One, по словам Дмитрия, один из крупнейших заказных разработчиков, поэтому понимать эффекты AI для компании вопрос бизнеса: не поймёшь на кончиках пальцев — не дашь партнёрам. Вторая причина — хайп: исследования выходят с завидной регулярностью, все в один голос кричат, что стало очень круто, а внутренняя лаборатория искусственного интеллекта, которой больше двух лет и где тестируют российские и зарубежные решения, показывает большой разрыв между тем, что транслируется наружу, и тем, что есть по факту. Чтобы взгляд был непредвзятым, позвали академических коллег. Исследование, насколько Дмитрий помнит, стартовало в мае и заняло почти всё лето: 25 интервью с теми, с кем хотели поговорить, суммарно на 50 часов; сентябрьские и октябрьские релизы в него уже не попали.

Александру понравилась структура отчёта: сначала мировые исследования, потом публично заявленные российские технологии, потом интервью, в которых лидеры могли снизить градус публичных заявлений и рассказать, что у них действительно работает, а в конце прогнозы и выводы. Разложить решения по этапам SDLC, признаётся Дмитрий, придумали не с самого старта — структура проявилась при анализе, а главной проблемой оказалась дефрагментация: мало кто закрывает несколько этапов сразу. Александр видит здесь параллель с платформенной инженерией и с серией Google Developer Productivity for Humans, статьёй, по его словам, примерно 2023 года: инженеру важна сквозная джоба — найти информацию о системе, посмотреть тесты и архитектуру, написать код, — а не отдельный удобный инструмент. Александр добавляет, что у себя они разложили SDLC так же и привязали инициативы к этапам и профессиям: инженеры, QA, системные аналитики, дизайнеры. Дмитрий отвечает, что накануне записи их команда аналитики показывала на регулярном демо, чему научилась с ассистентом; Александр называет это догфудингом в прямой форме.

Дальше Александр свёл чужие прогнозы и отчёты в один слайд и говорит, что не понял, из каких предпосылок сделаны оценки: один говорит про свою компанию, другой про индустрию, и шкала едет. Дмитрий отвечает, что брали источники с большой выборкой или людей с понятной репутацией, которые сами соприкасаются с технологией, а не каждого второго визионера и футуролога. Сам Александр делит измерение продуктивности на два подхода: опросы — DORA, Stack Overflow, экосистемный опрос JetBrains — и внутренние activity-метрики, когда раскатываешь DX или SPACE и считаешь DORA по своим релизам и факапам. Внутреннее наружу не экстраполируется, а опрос по всему интернету даёт средневзвешенное мнение, в котором трудно найти тренды, поэтому сравнивать он предпочитает внутри одного опроса год к году: в Stack Overflow доля тех, кто не использует инструменты и не планирует, упала почти с 40% до 20%, но вместе с проникновением выросло и понимание ограничений.

Дмитрий добавляет, что скепсис слетает, решений стало больше, а порог входа проще, и кратный рост за год скорее говорит, что динамику мы недооцениваем. По DORA Александр приводит цифры: 81% отвечают, что ресурсы в компании смещаются в сторону AI, 67% — что улучшают инструментами свой код, а адопшн в 2025 году дошёл почти до 90%. Изменилось и то, что люди называют работой с кодом: автодополнение стало обыденностью, под генерацией теперь понимают агентский режим. Ключевая разница между 2024 и 2025 годами, по Дмитрию, в том, что эффект наконец начали видеть: AI ничем не отличается от любой другой новой технологии, привычки и отношение нужно сформировать и командам, и компаниям, а путь будет больным, дорогим и долгим — все лидеры называют его тернистым. Александр финализирует: ожидание «добавим AI, и всё станет круто» не работает, дальше нужен продуктовый подход к джобам инженеров и работа с сопротивлением тех, кто боится потерять компетенции.

Отдельный сюжет — модель зрелости, которую авторы нашли у британского департамента по окружающей среде, продовольствию и делам сельских районов; она лежит на GitHub, и первая реакция у обоих была одинаковой: как если бы это опубликовало наше сельхозведомство. Александр почитал про департамент и объясняет: сельское хозяйство там сильно оцифровано, датчики и прогнозы в ходу, департамент лет пятнадцать копает в эту сторону и стал пилотным для цифровых технологий. Второй разбор — исследование METR о влиянии AI на работу опытных инженеров, из которого пресса сделала вывод, что AI замедляет. Александр сначала не стал его комментировать, но когда на исследование начали ссылаться внутри компании, скачал все пятьдесят страниц с методологией. Претензии: 16 инженеров и порядка 250 задач, краткосрочность, крупные репозитории, которые не влезают в контекст модели, эффект Хоторна, самооценка потраченного времени и ревью, где код от агента разбирают куда пристальнее, чем код знакомого коллеги. Дмитрий возражает: а разве это плохо? — читать вывод модели пристальнее сейчас как раз правильно.

По самому отчёту Дмитрий поясняет, что список джоб по этапам собран из своего опыта и повторённых чужих экспериментов: сюда вынесли артефакты, которые с вероятностью 80% вы будете делать эффективнее, — юнит-тесты, про которые теперь просто забывают, и документацию, которую стало легко держать актуальной. Единственный этап, который проверить не удалось, — деплой: решений мало, они закрытые или камерные, массовой практики нет. Александр подтверждает это дискуссией на IT-пикнике, которую слушал: его коллеги и ребята из Авито и Яндекс Клауда говорили, что катить пока хотят детерминированными способами — канарейки, метрики, автооткаты, — а AI туда втыкать страшновато. Из трендов Дмитрию важнее всего шестой: работать разрозненно дорого и неблагодарно, без платформизации с централизованным управлением моделями систематического эффекта не будет, но пилотировать надо обязательно. Отдельная боль — измерения: эффект хотят посчитать все, а меряют 23%, и то скоростью, стабильностью и числом ошибок релиза. Александр зовёт слушателей в собственный опрос своей компании, которому не хватает респондентов.