Искусственный интеллект
Как искусственный интеллект меняет жизненный цикл создания цифровых продуктов
ИИ-агенты берут на себя всё больше задач в разработке программного обеспечения — от проектирования и написания кода до тестирования и исправления ошибок. Но главный сдвиг связан не с автоматизацией отдельных операций, а с изменением всего процесса создания продукта. Человек формулирует цели, определяет требования и оценивает результат, а агенты выполняют значительную часть работы по реализации.
В основе методологии Сбера AI-Disrupt PDLC (от англ. artificial intelligence — искусственный интеллект; disruptive — подрывной, радикально меняющий привычные подходы; product development lifecycle — жизненный цикл разработки продукта) — ИИ-нативная трансформация разработки программного обеспечения лежит перестройка жизненного цикла разработки с учётом возможностей искусственного интеллекта. Меняются не только инструменты, но и организация команд, инженерные процессы и принципы управления качеством. Разберём, как устроен этот подход и какие условия необходимы для его внедрения в компании.
Содержание:
Разработка с ИИ: что меняется в жизненном цикле ПО
Классический подход к разработке ПО — SDLC (от англ. software development lifecycle — жизненный цикл разработки программного обеспечения) — включает несколько этапов: анализ требований, проектирование, написание кода, тестирование и выпуск продукта. ИИ-ассистенты ускоряют отдельные задачи, например помогают писать код и создавать документацию. Но общий темп разработки зависит от того, насколько эффективно организованы рабочие процессы: согласование требований, передача задач между специалистами и проверка результатов.
ИИ-ориентированный подход — AI PDLC (от англ. artificial intelligence product development lifecycle — жизненный цикл разработки продуктов с использованием искусственного интеллекта) — предполагает, что ИИ участвует во всём процессе создания продукта. Компания перестраивает работу с учётом возможностей ИИ-агентов, а не просто добавляет их в существующие процессы.
ИИ меняет не только скорость разработки, но и требования к инженерным процессам. По данным исследования DORA за 2025 год, около 90% опрошенных специалистов используют ИИ в работе, а более 80% считают, что он повысил их продуктивность. Однако рост объёма разработки не гарантирует повышения стабильности выпуска ПО: ИИ усиливает как сильные, так и слабые стороны существующих процессов.
По мере распространения ИИ доля ручного написания кода может сократиться с 50 до 25% к 2028 году. Роль разработчика при этом сместится к проектированию, проверке результатов и управлению процессами. Компании со зрелой инженерной средой смогут сократить число дефектов после выпуска на 60%, тогда как без такой среды заметного улучшения качества может не произойти. Это подчёркивает главный тезис: эффект от внедрения ИИ зависит не только от возможностей моделей, но и от организации всего процесса разработки.
В основе методологии Сбера AI-Disrupt PDLC — двухпетлевая модель, которая разделяет процесс на цикл намерения и цикл реализации.
Петля намерения — зона ответственности человека. Команда изучает потребности пользователей, определяет бизнес-цели, формулирует требования к продукту и критерии успеха. Важно согласовать ожидания и обозначить ограничения системы.
Петля реализации — зона работы ИИ-агентов. На основе спецификации они разбивают задачу на этапы, проектируют решение, пишут код и запускают тесты, находят ошибки и предлагают исправления. Человек задаёт направление и оценивает результат.
Циклы связаны между собой: если проверка выявляет несоответствия, команда корректирует решение или уточняет требования. При этом валидация и управление качеством не сводятся к финальной проверке перед выпуском — они сопровождают процесс на всех этапах.
Такой подход меняет организацию разработки. Передавая часть задач агентам, команда может уделять больше времени исследованию потребностей пользователей, проектированию и выбору продуктовых решений.
Масштабирование цифрового продукта всё меньше зависит от привычного расширения штата. «Сегодня мы видим, что ценность продукта отвязывается от численности команды. Масштабирование больше не означает наём. Но ключевой нюанс в том, что генеративный искусственный интеллект даёт этот ощутимый эффект только в одном случае — когда он с самого начала встроен в ДНК продукта, а не интегрирован по остаточному принципу в уже сложившийся контур. Иначе это просто дорогой эксперимент, а не системная эффективность», — отмечает Кирилл Меньшов, старший вице-президент, руководитель блока «Технологии» Сбербанка.
Как технологии меняют бизнес и подходы к цифровой трансформации
На ежегодной технологической конференции SberPro Tech 2026 эксперты и лидеры рынка представят проверенные практики внедрения агентных систем для крупного бизнеса и разберут кейсы цифровой трансформации. В центре внимания — переход к автономным рабочим процессам, методология AI PDLC для создания продуктов с помощью ИИ, модернизация ИТ-архитектуры и повышение производительности команд.
Главное изменение AI PDLC — переход от ускорения отдельных задач к управлению всем циклом создания продукта. Для этого необходимо по-новому распределить ответственность между специалистами и агентами, а также задать правила их совместной работы.
Человек и ИИ-агенты: новое распределение ролей
В модели AI-Disrupt PDLC человек определяет цели и отвечает за принятые решения, а ИИ-агенты выполняют задачи по созданию продукта. Чтобы агенты действовали в соответствии с замыслом команды, методология опирается на разработку на основе спецификаций — Specification-Driven Development (SDD).
Спецификация фиксирует, что нужно создать, как продукт должен работать и каким требованиям соответствовать. Она становится основой для разработки и проверки результата: код здесь — не главный ориентир, а результат выполнения требований.
Для автономной работы агентов особенно важны машиночитаемые инструкции. В традиционной разработке часть условий могла оставаться неявной: специалист восполнял пробелы за счёт опыта, знания архитектуры и договорённостей внутри команды. Агент не всегда способен восстановить этот контекст. Поэтому неоднозначные требования могут привести к технически работоспособному решению, которое не соответствует ограничениям системы или ожиданиям команды.
Например, задача «добавить авторизацию в сервис заказов» не определяет, какие роли пользователей предусмотрены, к каким данным у них есть доступ, как обрабатывать ошибки и какие проверки нужны перед выпуском. Если эти условия не зафиксированы, агент может реализовать авторизацию так, что она не будет отвечать требованиям продукта или правилам компании.
В исследовании, опубликованном в феврале 2026 года, Gartner рассматривает разработку на основе спецификаций как один из подходов к масштабированию разработки с помощью ИИ. Среди значимых условий — машиночитаемые спецификации и сохранение контекста, которые помогают управлять работой агентов.
Рабочий процесс в такой модели включает несколько этапов:
В зависимости от задачи агенты могут специализироваться на разработке, тестировании, анализе кода и подготовке изменений. При этом им необходимы общие требования и контекст проекта, чтобы результаты работы разных агентов не противоречили друг другу.
Меняется и устройство команд. В подходе AI-Disrupt PDLC Сбер описывает модель продуктовых команд из трёх-шести человек (tiny teams). Они отвечают за продукт и бизнес-результат, используя общую среду для работы с агентами. Поддерживающие команды (enabling teams) формируют инфраструктуру, распространяют проверенные практики и помогают повторно использовать решения.
Для разработчика это означает переход от ручного выполнения каждой операции к постановке задач, проектированию системы и проверке результатов работы агентов. Инженерная экспертиза остаётся необходимой: она помогает оценивать предложенные решения, выявлять ошибки и определять, отвечает ли продукт требованиям.
Чтобы такая модель работала на уровне всей компании, нужны не только спецификации и новое распределение ролей, но и технологическая среда, в которой агенты получают необходимые знания и инструменты.
Среда разработки: основа работы ИИ-агентов
Чтобы ИИ-агент мог решать задачи разработки, ему нужны не только языковая модель и доступ к коду. Важно предоставить ему контекст проекта, требования к архитектуре, необходимые инструменты и чёткие правила работы. Без этого агент может упустить зависимости, предложить решение, которое не соответствует стандартам компании, или повторить уже выполненную работу.
Поэтому в AI-Disrupt PDLC ключевую роль играет не отдельная модель, а среда её исполнения, или agentic harness («программная обвязка»). Она определяет, какую информацию получает агент, какими инструментами пользуется, какие ограничения соблюдает и как проверяется результат.
Для бизнеса это означает, что внедрение ИИ не сводится к выбору модели. Необходимо создать среду, которая обеспечивает агентам доступ к актуальному контексту, корпоративным знаниям и инструментам, задаёт границы самостоятельных действий и позволяет проверять результаты. Такая архитектура должна поддерживать замену моделей без полной перестройки процесса разработки.
В AI-Disrupt PDLC эту задачу решает интегрированная платформа разработки — Integrated Development Platform (IDP). Она объединяет контекст проекта, инструменты, базы знаний, правила и механизмы взаимодействия агентов. Благодаря этому команда может повторно использовать накопленный опыт и выстраивать единый процесс работы.
Для корпоративной разработки особенно важны четыре составляющие.
Важен и выбор моделей. Разные модели отличаются стоимостью, скоростью и качеством выполнения конкретных задач. Если среда разработки не привязана жёстко к одному поставщику, компания может выбирать подходящий инструмент для определённого сценария и обновлять компоненты без перестройки всей системы.
Значение платформенной основы подтверждают данные исследовательского проекта DORA: 90% опрошенных организаций уже используют внутренние платформы, а 76% создали специализированные платформенные команды. В отчёте качество внутренней платформы рассматривается как одно из условий, помогающих превратить индивидуальные преимущества ИИ в улучшения на уровне организации.
Таким образом, среда разработки становится частью инженерной системы компании: она связывает знания, инструменты, правила и процессы в единый механизм. Но чем больше операций выполняют агенты, тем важнее контролировать их действия и проверять результаты. Поэтому масштабирование AI PDLC требует заранее встроенных механизмов управления качеством, безопасностью и затратами.
Качество и управляемость: условия масштабирования
Когда ИИ-агенты выполняют задачи быстрее, ошибки тоже могут распространяться быстрее. Поэтому качество важно проверять не только в конце разработки, но и на каждом этапе. В AI-Disrupt PDLC этот принцип называется governance by design — управление качеством и рисками на этапе проектирования. Это значит, что требования к качеству, безопасности и допустимым действиям агентов учитываются с самого начала работы, а не только перед выпуском продукта.
Для этого компании необходимо установить несколько правил:
Уровень самостоятельности агента зависит от задачи и возможных последствий. Предложить изменение кода и самостоятельно внести его в критически важную систему — действия с разным уровнем риска. Чем серьёзнее возможные последствия и сложнее отменить изменение, тем строже должны быть ограничения и проверки.
Валидация должна подтверждать, что результат соответствует исходному намерению. Скорость генерации кода не может быть основной метрикой успеха: если команда не успевает проверять изменения, ускорение исполнения приводит к накоплению дефектов и дополнительным затратам на исправления.
Необходимо оценивать и экономический эффект. Помимо расходов на модели и вычислительные ресурсы, в расчёт входят интеграции, развитие среды для агентов, подготовка данных и знаний, а также проверка результатов. Ускорение отдельных задач ещё не означает, что снизились общие затраты на разработку.
Экономику особенно важно считать на уровне всей задачи, а не только времени написания кода. Gartner спрогнозировал, что к 2028 году расходы на ИИ-инструменты для написания кода могут превысить среднюю зарплату разработчика. Аналитики связывают это с ростом потребления токенов и переходом к моделям оплаты по объёму использования. Этот прогноз подчёркивает необходимость учитывать вычислительные расходы при масштабировании.
Для оценки AI PDLC полезно отслеживать четыре группы показателей:
Переход к AI PDLC стоит начинать с одного ограниченного сценария. До запуска необходимо зафиксировать исходные показатели и определить, какой результат будет считаться успешным. После проверки эффекта можно стандартизировать подход и постепенно расширять применение агентов на более сложные процессы.
Жизненный цикл продукта не заканчивается его выпуском. На этапе эксплуатации важно мониторить работу сервисов, выявлять и диагностировать отклонения, устранять сбои и контролировать качество. Для этих задач Сбер развивает AI-Disrupt PSLC (Product Service Lifecycle) — подход к управлению жизненным циклом продукта после запуска. Он дополняет методологию AI-Disrupt PDLC: данные об эксплуатации помогают выявлять повторяющиеся проблемы, уточнять требования и улучшать последующие версии. Так разработка и эксплуатация объединяются в единый цикл непрерывного совершенствования продукта.
Переход к AI PDLC — это перестройка инженерной модели, в которой человек определяет цели, формирует требования и отвечает за результат, а ИИ-агенты выполняют всё большую часть работы по реализации и проверке продукта.
Для компании такая трансформация предполагает три ключевых изменения:
Меняется и организация команд. Компактные команды (tiny teams) из 3-6 человек отвечают за продукт и бизнес-эффект, а поддерживающие команды (enabling teams) создают общую среду для работы ИИ-агентов. Такое разделение позволяет сочетать ответственность за результат с развитием общих инструментов и процессов.
ИИ ускоряет создание прототипов, но не отменяет необходимость выбирать продуктовые решения. Человек управляет петлёй намерения — определяет цели и требования — и контролирует петлю реализации, в которой агенты выполняют задачи. Команде важно оценивать результаты и выбирать решения, которые отвечают потребностям пользователей, а не бесконечно генерировать новые функции.
Методология AI-Disrupt PDLC, которую развивает Сбер, предлагает рассматривать эти изменения как единую систему. Её результат зависит не только от возможностей моделей, но и от способности компании точно ставить задачи, сохранять инженерные знания, организовывать работу агентов и измерять эффект на уровне продукта и бизнеса.
Статья была вам полезна?
Да
Нет