Источник
Интегрируем AI в процессы разработки
Разбор доклада с CTO Conf X про практическую интеграцию AI в SDLC и подходы, которые работают в большой компании.
Источник
Интегрируем AI в процессы разработки
Разбор доклада с CTO Conf X про практическую интеграцию AI в SDLC и подходы, которые работают в большой компании.
Интегрируем AI в процессы разработки в большой компании
Практический доклад про то, как разложить работу инженеров на jobs to be done, определить точки усиления AI в SDLC и оценивать эффект не по хайпу, а по производственным метрикам.
Формат
Доклад / YouTube
Длительность
~1 час
Фокус
AI + SDLC + Platform Engineering
Рубрика
AI
Ключевая идея доклада
AI в engineering-процессах приносит устойчивый результат, когда внедряется не как «универсальный ассистент», а как набор инструментов под конкретные инженерные jobs to be done: проектирование API, code review, тестирование, миграции, эксплуатация и incident response. Главный тезис: сначала декомпозиция работ и ограничений, потом выбор AI-сценариев.
Карта тем доклада
Фундамент
История AI-copilots и vibe coding
Контекст развития Copilot-подходов, границы применимости и где эффект действительно заметен для production-разработки.
Интеграционный слой
MCP, агентные протоколы и ограничения
Перспективы протоколов взаимодействия агентов, сложности стыковки с корпоративной инфраструктурой и требования к безопасности.
Оргуровень
DevEx, платформа и когнитивная нагрузка
Как platform-инвестиции снижают когнитивную сложность инженеров и повышают вероятность системного adoption AI-практик.
Измерение
Метрики целей и реальный эффект
Подход к оценке AI-инициатив через objective/metric/experiment, а не через декларации «стало быстрее».
Jobs To Be Done для AI в SDLC
Build & Design
- AI-assisted API design и governance.
- Черновики архитектурных вариантов.
- Генерация boilerplate и ускорение onboarding.
Quality & Review
- Приоритизированный AI code review.
- Тест-кейсы, мутационные сценарии, edge checks.
- Поиск уязвимостей и policy violations.
Run & Operate
- Аномалии и on-call поддержка.
- AI-assisted migrations на масштабе.
- Инцидентный triage и RCA-подсказки.
SOTA кейсы, упомянутые в докладе
- Google: AI-Enhanced API Design и governance-практики.
- ByteDance: AI-подходы в code review.
- Uber: large-scale migration с поддержкой AI.
- Booking: комплексный опыт по API, ревью и миграциям.
- Datadog: observability-практики и AI on-call assistant.
- T-Bank: интеграция AI в SDLC и копилот Nester.
Как оценивать эффект в большой компании
- Выбрать 1-2 JTBD-сценария и зафиксировать базовую линию метрик.
- Запустить controlled rollout по командам/доменам.
- Измерять delta по качеству, скорости и операционной стабильности.
- Проверять cost/benefit: модельные расходы, риск и человеческое время.
- Расширять только те сценарии, где эффект стабилен и воспроизводим.
Практический вывод
Для enterprise-контекста AI это в первую очередь платформа и управляемый процесс изменений. Выигрывают команды, которые соединяют DevEx, платформенную дисциплину и измеримую инженерную экономику, а не ограничиваются «впечатляющими демо».