Центр компетенций
От AI-ассистентов к AI-based SDLC: как ИИ меняет саму модель разработки
От AI-ассистентов к AI-based SDLC: как ИИ меняет саму модель разработки
Сегодня доступ к сильным AI-инструментам перестаёт быть конкурентным преимуществом сам по себе. Одинаковыми моделями и ассистентами могут пользоваться сотни инженеров, но эффект от их применения будет совершенно разным. По наблюдениям команды Айсорс, наиболее заметный рост производительности показывают специалисты, которые умеют управлять задачей целиком: понимать её бизнес-цель, собирать контекст, декомпозировать работу, задавать ограничения и критерии качества, а затем проверять результат ИИ.
Поэтому главный вопрос для бизнеса сегодня уже не «как дать ИИ каждому разработчику?», а «как масштабировать эффективный способ работы с ИИ на всю инженерную организацию?».
От разработчика к Software-инженеру нового типа
ИИ постепенно меняет сам профиль инженера. Если значительную часть рутинных операций — от анализа и подготовки кода до тестирования и документации — можно делегировать интеллектуальным инструментам, то ценность специалиста всё больше смещается от ручного выполнения отдельных операций к управлению полным циклом изменения.
Software-инженер нового типа должен понимать задачу шире своей специализации, уметь формировать контекст для ИИ, управлять несколькими AI-инструментами и агентами, определять quality gates и принимать итоговые инженерные решения. При этом техническая экспертиза не становится менее важной. Наоборот: чем больше работы выполняет ИИ, тем выше требования к способности человека поставить ограничения, увидеть ошибку и принять ответственность за результат.
Меняется и роль тимлида. Он становится архитектором системы «человек — ИИ — процесс»: определяет, где возможна автоматизация, где должен оставаться человеческий контроль и как измерять реальный эффект от внедрения ИИ.
Масштабировать не только людей, но и лучшие способы работы
Обучить сотни специалистов работать на уровне лучших инженеров быстро невозможно. Системное мышление, декомпозиция, работа с требованиями и верификация формируются через практику и требуют времени Senior-специалистов и руководителей. Поэтому в Айсорс пошли по другому пути: часть практик наиболее сильных инженеров начали переносить непосредственно в процесс разработки.
Так появилась модель AI-based SDLC, в которой жизненный цикл задачи разбивается на управляемые этапы. Для каждого из них задаются входные данные, контекст, ограничения, ожидаемый результат и критерии качества. При этом вероятностная работа LLM помещается внутрь контролируемого инженерного процесса. ИИ получает не абстрактную команду «сделай задачу», а конкретный контекст, правила и процедуру проверки результата.
Ключевое отличие такого подхода от обычного AI-ассистента — автоматизируется уже не отдельная операция, а прохождение задачи через несколько стадий SDLC. Человек при этом не исчезает из процесса: за ним остаются архитектурные решения, работа с неопределённостью, оценка рисков и итоговое принятие результата.
Не «автономная разработка любой ценой»
По словам Дмитрия Архипова, внедрение AI-based SDLC стоит начинать не с попытки автоматизировать всё сразу, а с повторяющихся и хорошо контролируемых классов задач: локальных изменений, исправления дефектов, задач с ограниченным контекстом, понятными критериями приёмки и воспроизводимыми тестами.
ИИ не исправляет плохой процесс — он способен лишь заставить его работать быстрее. Поэтому задача сегодня не в том, чтобы добавить как можно больше агентов, а в том, чтобы построить управляемую инженерную систему, где ИИ выполняет ту работу, которую ему действительно разумно передать. Практический опыт уже показывает потенциал такого подхода. При создании ПАК «ТАУ» использование новой модели позволило команде Айсорс увеличить скорость разработки в 5 раз.
Следующий этап развития ИИ в разработке — это переход от персональной эффективности отдельных инженеров к производительности всей инженерной системы. И именно способность перестроить процессы, роли и принципы управления разработкой вокруг ИИ может стать одним из ключевых технологических преимуществ компаний в ближайшие годы.
Поэтому главный вопрос для бизнеса сегодня уже не «как дать ИИ каждому разработчику?», а «как масштабировать эффективный способ работы с ИИ на всю инженерную организацию?».
От разработчика к Software-инженеру нового типа
ИИ постепенно меняет сам профиль инженера. Если значительную часть рутинных операций — от анализа и подготовки кода до тестирования и документации — можно делегировать интеллектуальным инструментам, то ценность специалиста всё больше смещается от ручного выполнения отдельных операций к управлению полным циклом изменения.
Software-инженер нового типа должен понимать задачу шире своей специализации, уметь формировать контекст для ИИ, управлять несколькими AI-инструментами и агентами, определять quality gates и принимать итоговые инженерные решения. При этом техническая экспертиза не становится менее важной. Наоборот: чем больше работы выполняет ИИ, тем выше требования к способности человека поставить ограничения, увидеть ошибку и принять ответственность за результат.
Меняется и роль тимлида. Он становится архитектором системы «человек — ИИ — процесс»: определяет, где возможна автоматизация, где должен оставаться человеческий контроль и как измерять реальный эффект от внедрения ИИ.
Масштабировать не только людей, но и лучшие способы работы
Обучить сотни специалистов работать на уровне лучших инженеров быстро невозможно. Системное мышление, декомпозиция, работа с требованиями и верификация формируются через практику и требуют времени Senior-специалистов и руководителей. Поэтому в Айсорс пошли по другому пути: часть практик наиболее сильных инженеров начали переносить непосредственно в процесс разработки.
Так появилась модель AI-based SDLC, в которой жизненный цикл задачи разбивается на управляемые этапы. Для каждого из них задаются входные данные, контекст, ограничения, ожидаемый результат и критерии качества. При этом вероятностная работа LLM помещается внутрь контролируемого инженерного процесса. ИИ получает не абстрактную команду «сделай задачу», а конкретный контекст, правила и процедуру проверки результата.
Ключевое отличие такого подхода от обычного AI-ассистента — автоматизируется уже не отдельная операция, а прохождение задачи через несколько стадий SDLC. Человек при этом не исчезает из процесса: за ним остаются архитектурные решения, работа с неопределённостью, оценка рисков и итоговое принятие результата.
Не «автономная разработка любой ценой»
По словам Дмитрия Архипова, внедрение AI-based SDLC стоит начинать не с попытки автоматизировать всё сразу, а с повторяющихся и хорошо контролируемых классов задач: локальных изменений, исправления дефектов, задач с ограниченным контекстом, понятными критериями приёмки и воспроизводимыми тестами.
ИИ не исправляет плохой процесс — он способен лишь заставить его работать быстрее. Поэтому задача сегодня не в том, чтобы добавить как можно больше агентов, а в том, чтобы построить управляемую инженерную систему, где ИИ выполняет ту работу, которую ему действительно разумно передать. Практический опыт уже показывает потенциал такого подхода. При создании ПАК «ТАУ» использование новой модели позволило команде Айсорс увеличить скорость разработки в 5 раз.
Следующий этап развития ИИ в разработке — это переход от персональной эффективности отдельных инженеров к производительности всей инженерной системы. И именно способность перестроить процессы, роли и принципы управления разработкой вокруг ИИ может стать одним из ключевых технологических преимуществ компаний в ближайшие годы.