Ваш конспект

Тренды и инсайты по внедрению ИИ в разработку

Ключевые тезисы:

• Реальное проникновение автономного кодинга с помощью агентов в крупных компаниях пока невелико (до 20%).
• Основной фокус компаний смещается с AI для разработчика (AI for Dev) на AI в процессах разработки (AI in Dev) — трансформация процессов, а не только ускорение.
• Внедрение ИИ сталкивается с организационными сложностями: безопасность, локальные модели, новые узкие места (например, ревью кода).
• Spec-Driven Development и автоматическая генерация документации набирают обороты, особенно с использованием готовых скиллов (skills).
• Эффективная работа с ИИ требует адаптации проекта под её «мышление», а не только создания множества кастомных скиллов.
• Тренд на унификацию и использование стандартных решений сильнее, чем на написание всего кода с нуля.

Проникновение и реальность автономного кодинга

• На конференциях лишь до 20% разработчиков поднимают руку, когда их спрашивают, пишут ли они код полностью с помощью агентов.
• В крупных компаниях (особенно в банках, госсекторе) много ограничений: безопасность, владение кодом, запреты на внешние LLM.
• Компании строят закрытые контуры со своими моделями (например, GLM, Claude) и собственными «харнесами» (обвязками, плагинами).
• Уровень внутренних ассистентов часто ниже, чем у публичных решений (Cursor, Cline, Codeium), из-за меньшего пула разработчиков.
• Общее впечатление: до уровня эффективной автономной работы с топовыми внешними моделями ещё далеко. Внутренние решения часто требуют много ручного управления, как это было год назад.

Сдвиг фокуса: от AI for Dev к AI in Dev

• AI for Dev (индивидуальная производительность) — этап, который многие уже проходят или пытаются оптимизировать.
• AI in Dev — главный тренд. Речь идёт о трансформации процессов разработки:
  • Пересмотр и упразднение некоторых процессов.
  • Укрупнение ролей (узкий специалист → широкий специалист).
  • Появление новых ролей.
• Пока нет единого «эталонного» кейса кардинальной трансформации. Процесс идёт методом проб и ошибок, аналогично внедрению Agile/DevOps.
• Основные узкие места теперь не в написании кода, а в процессах: ревью, сбор требований, координация.

Проблемы и антипаттерны внедрения

• Девопсы vs. MCP: Подключение MCP-скилов к инфраструктуре (облака, Kubernetes) привело к тому, что разработчики начали управлять ею командами в чате, минуя код (Terraform, Helm). Это создаёт хаос, неконсистентность и риски.
• Новые узкие места: Если код генерируется в 10 раз быстрее, то ревью кода становится новым бутылочным горлышком. Автоматизация ревью пока не решает проблему проверки бизнес-логики и краевых случаев.
• Некорректные метрики эффективности:
  • Деньги — плохой KPI для разработки, так как нет прямой корреляции между фичами и выручкой.
  • Количество сгенерированного кода — не равно эффективности, если нет пропускной способности на этапах ревью и деплоя.
  • Потребление токенов — часто говорит о неэффективном использовании ИИ. Однако на этапе обучения большие траты могут поощряться, чтобы люди не боялись экспериментировать.
• Проблема «скилл-хелла»: В компаниях создаётся множество внутренних скиллов, но их сложно переиспользовать и поддерживать. Часто проще написать свой, чем разбираться в чужом.

Эффективные подходы и инструменты

• Spec-Driven Development и автоматическая документация:
  • Инструменты вроде Grit и подходы в духе OpenSpec автоматически генерируют и поддерживают документацию (ADRs, доменные описания) на основе диалогов с агентом.
  • Это позволяет «на халяву» накапливать базу знаний проекта, которую ИИ затем использует при разработке.
• Адаптация проекта под ИИ, а не наоборот:
  • Ключевая идея: нужно менять проект, чтобы ИИ его лучше понимал, а не обвешивать его сотнями скиллов с инструкциями.
  • Пример: унификация терминологии в коде (например, замена course_member на enrollment), отказ от устаревших концептов.
  • Цель — минимизировать количество кастомных скиллов.
• Использование стандартных решений и генераторов:
  • Несмотря на способность ИИ написать что угодно, использование проверенных библиотек и фреймворков часто эффективнее.
  • Генераторы кода (например, для OpenAPI) создают предсказуемый код и снижают нагрузку на контекст ИИ.
  • Появляются инструменты, которые автоматически находят и подключают скиллы из зависимостей проекта (пока для Python/Node.js).

Практические советы по работе с ИИ

• Общайтесь с ИИ открыто: Объясняйте суть задачи, а не диктуйте решение. Это позволяет ИИ предложить более оптимальные, современные подходы.
• Проектируйте для ИИ: Постоянно рефакторите проект, убирая неоднозначности и синхронизируя его с тем, как «думает» LLM.
• Обучение — это процесс: Нельзя за 2-3 дня создать идеальное описание проекта. Это итеративный процесс, основанный на анализе ошибок и «тупиков» ИИ.
• Скепсис — это нормально: Многие разработчики имеют негативный опыт работы со слабыми моделями прошлого. Важно обновлять не только модели, но и свой подход к взаимодействию с ними.

Выводы: Внедрение ИИ в разработку — это эволюционный, а не революционный процесс. Ключ к успеху лежит не в тотальной автоматизации написания кода, а в трансформации процессов, адаптации проектов под мышление ИИ и грамотном использовании стандартных инструментов и генераторов. Основные сложности сейчас — организационные и процессные, а не технические.