sdlc.
«ИИ заменит всех?» Почему мы всё ещё управляем разработкой вручную?
Многие полагают, что с внедрением ИИ агентов, бизнес получает в свое распоряжение «волшубную палочку», способную дешево выполнять любые поставленные задачи «под ключ». К сожалению, наша реальность все еще далека от этой прекрасной мечты. Архитектура, отладка, интеграция, безопасность, эксплуатация, понимание предметной области и способность определить, что вообще надо сделать, никуда не делись.
Оркестратор для кодинг-агентов: от отдельных сессий — к единому процессу
Сегодня coding-агенты неплохо справляются не только с небольшими правками, но и с достаточно крупными инженерными задачами: могут написать код, тесты для нескольких модулей и подготовить запрос на слияние (pull request). Но есть другая проблема: между этапами создания ПО работу по-прежнему выполняют люди. Аналитик вместе с агентом подготавливает список требований и передаёт разработчику, тот дополняет требования ограничениями и ставит новую задачу coding-агенту, и так далее. Получается интересная ситуация: агент может выполнить большую часть работы внутри этапа, но сам процесс всё ещё держится на человеке.
После Copilot: как «Диасофт» строит AI-Native SDLC вместо ИИ-ассистентов
Привет, Хабр!Я Дмитрий Старов, директор департамента «Инструменты и технологии разработки» компании «Диасофт». Еще относительно недавно вопрос звучал так: сможет ли искусственный интеллект писать код?Сегодня этот вопрос уже не кажется самым интересным. Современные модели умеют генерировать код, находить ошибки, писать тесты и объяснять, как работает тот или иной фрагмент программы. Каждые несколько месяцев появляются новые AI-ассистенты, и каждый обещает работать быстрее, точнее или самостоятельнее, чем предыдущий.
AI Enablement at Scale, часть 1: почему мы начали не с агентов, а с оценки 13 команд
Самая опасная фраза в корпоративной AI-трансформации звучит примерно так:«Давайте сначала выдадим всем инструменты, а потом разберемся, как ими пользоваться».Инструменты действительно можно развернуть быстро. Подключить Claude Code, ChatGPT, GitHub Copilot, Cursor или Rovo технически проще, чем изменить привычки нескольких сотен инженеров, тестировщиков, аналитиков, продакт-менеджеров и дизайнеров.Меня зовут Евгений Семенюк. Я работаю как AI Dev/Test Coach, Solution Architect и Quality Architect. Моя роль в этой программе находилась на пересечении разработки, тестирования, архитектуры, coaching и engineering productivity.
Код пишется быстрее, релизы выходят так же. Куда переехало бутылочное горлышко?
Ленты новостей последние пару лет носят Copilot и его друзей на руках. Кажется, что главная революция уже случилась, разработчики получили автодополнение на стероидах, генерацию функций по описанию и почти волшебство в IDE. Но есть одно «но». Если честно посмотреть на процессы, выясняется, что код у многих команд действительно стал писаться быстрее — а вот релизы выходят почти с той же скоростью, что и три года назад. Бутылочные горлышки просто переехали в другие части жизненного цикла разработки (SDLC).
Агентская разработка: как обеспечить качество
Всем привет! Меня зовут Андрей Бровко, я руководитель тестирования Авито Авто. ИИ-агенты генерируют код за секунды, но скорость генерации кода не означает качество продукта. Если процессы разработки выстроены слабо, агенты просто быстрее доставляют дефекты.
Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Часть 2. Почему AI-first команды не делают нас быстрее
В первой части статьи мы пришли к выводу, что само использование ИИ не ускоряет инженерную систему. Можно вырастить использование LLM-инструментов в принципе (MAU LLM), потом использование кодинг-агентов (MAU API) и всё равно не увидеть изменений в Lead Time, Throughput и Defect Rate.Проблема в том, что локальное ускорение быстро упирается в остальной процесс. Один человек или одна роль могут начать делать свою часть быстрее, но задача всё равно ждёт требований, проверки, тестирования, согласований, соседних команд или бизнес-эксперта. Поэтому дальше мы пошли в Agentic Engineering.
