ИИ снижает стоимость создания ПО, но для получения конкурентного преимущества нужна новая операционная модель. Устойчивого эффекта скорее добьются организации, которые перестраивают работу команд, а не просто внедряют ИИ-ассистентов.
ИИ-ориентированной инженерии нужны два взаимодополняющих звена: команды приложений, близкие к клиентам и их задачам, и команды платформ или «обвязки», предоставляющие общий контекст, защитные механизмы, оценки и управление для безопасной масштабной работы людей и ИИ-агентов.
Технологическое руководство переходит от управления ресурсами разработки к проектированию самой системы разработки. Руководителям необходимо чётко определить четыре ключевых аспекта: за что отвечают команды приложений, какие контекст и средства контроля являются общими, в каких случаях действиям агентов требуется одобрение человека и как будут измеряться подтверждённые результаты обучения и польза для клиентов.
Современные инженерные практики во многом сформировались в мире, где создание ПО стоило дорого. Главный вопрос был таким: как большему числу команд выпускать больше ПО с большей предсказуемостью? Эта установка определяла структуру команд, финансирование платформ и оценку разработки. Масштабирование часто означало найм людей, а успех обычно измерялся объёмом выполненной работы.
ИИ меняет эту установку. По нашему мнению, ИИ-ориентированная инженерия — не традиционная разработка с более совершенными инструментами. Ей нужна другая операционная модель: небольшие команды приложений, близкие к задачам клиентов, при поддержке команд платформ или «обвязки». «Обвязкой» мы называем контролируемую рабочую среду, которая даёт людям и агентам контекст, инструменты, права, обратную связь и границы для безопасного применения ИИ в большом масштабе.
Для руководителей технологий и данных это важно: роста личной продуктивности недостаточно для безопасного внедрения во всей организации. Без продуманной операционной модели возникают разрозненные инструменты, дублирование решений, размытая ответственность, бесконтрольное раскрытие данных и нестабильное качество.
Компаниям нужно сменить вопрос «Как помочь инженерам использовать ИИ?» на «Как перестроить инженерную систему, чтобы люди и агенты безопасно создавали ценность в масштабах предприятия?»
ИИ позволяет инженерам исследовать больше идей, быстрее создавать прототипы и проверять больше подходов. Но больший объём работы не означает автоматически большую ценность. Без взвешенных решений, нужного контекста и действенной оценки объём работы может расти быстрее, чем организация определяет, чему доверять, что внедрять и из чего извлекать уроки.
ИИ может удешевить генерацию кода и эксперименты. Снизится ли общая стоимость ПО, зависит от оставшихся затрат на проверку, интеграцию, эксплуатацию, сопровождение и доработку.
Мы ожидаем, что преимущество в инженерии всё больше будет зависеть от четырёх способностей:
Решать, что и как создавать и как фиксировать этот выбор.
Обеспечивать людям и ИИ-системам опору на нужные знания организации.
Безопасно масштабироваться благодаря общим платформам, контролю и оценке.
Проектировать архитектуры, в которые новые инструменты и компоненты встраиваются без постоянных потрясений.
Дефицитной становится не способность производить, а способность повышать отдачу: выбирать нужные задачи, учитывать контекст, проверять работоспособность и понимать, что не стоит выпускать.
По мере удешевления экспериментов возрастает и ценность документирования принятых решений. Организациям нужно знать, что пробовали, что не сработало, чему научились и почему выбрали один путь, а не другой.
Инженерные системы должны обеспечивать быструю проверку, безопасные итерации и фиксацию полученных знаний, а не только скорость выпуска. Это меняет и роль инженера, и его команду.
Для инженеров это не столько уход от создания ПО, сколько переход к формированию, оценке и координации создаваемого.
ПО, созданное ИИ, не устраняет потребность в инженерах. Оно повышает роль людей, умеющих понимать ограничения систем, определять интерфейсы, проектировать оценки и координировать работу людей и агентов. Инженеры, сочетающие глубокие технические знания, здравое суждение, понимание продукта и навыки оценки, часто принесут больше пользы, чем специалисты только по реализации компонентов.
Раньше продуктовые команды решали, что создавать, а инженерные — как это сделать. Сегодня многие организации объединяют продуктовую работу, дизайн и разработку. ИИ меняет работу внутри команды: дешёвые прототипы позволяют пройти путь от постановки задачи до реализации и оценки за один цикл. Команды могут проверять больше вариантов, раньше отсеивать слабые идеи и доводить проверенные до внедрения.
Это даёт преимущество небольшим межфункциональным командам, где продуктовые специалисты, дизайнеры, инженеры и отраслевые эксперты работают в едином цикле обучения. Продуктовая и техническая экспертиза не сливаются в одну роль, но должны теснее взаимодействовать. Продуктовым руководителям нужно достаточно технических знаний для создания прототипов и оценки вариантов. Инженерам нужно понимать клиентов и бизнес, чтобы формулировать задачу, а не только реализовывать готовое решение.
Инженерные организации традиционно считали код главным активом. Чем проще генерировать код, тем больше долгосрочной ценности в его контексте: отраслевых знаниях, понимании клиентов, опыте эксплуатации, собственных данных, оценочных наборах, машиночитаемых правилах и истории архитектурных решений, объясняющей устройство систем.
Кодовые базы важны в том числе как воплощение с трудом полученных знаний о бизнесе и клиентах. ИИ меняет трудоёмкость создания кода, но не избавляет от усилий, нужных для получения этих знаний. Поэтому стоит смотреть шире объёма кода и вкладываться в активы с нарастающей отдачей: управляемые собственные данные, удобные системы знаний, глубокое понимание клиентов и ясные записи о решениях.
Для CIO и CDO это делает информационную архитектуру и управление данными основой инженерной эффективности. ИИ-агенты могут использовать лишь тот контекст, к которому имеют доступ и который способны интерпретировать. Разрозненные знания, неясное владение данными и несогласованные права становятся ограничениями разработки, а не только проблемами управления информацией.
Став частью рабочей системы, контекст уже не может оставаться пассивной документацией. Он становится функцией платформы.
Когда контекст, оценка и управление входят в рабочую систему, разработку с ИИ нельзя целиком отдавать отдельным командам. Но нельзя и настолько централизовать её, чтобы команды теряли связь с реальными задачами клиентов.
Федеративная модель уравновешивает эти потребности. Автономные команды приложений остаются близки к задаче. Общая платформа и обвязка дают им переиспользуемые инструменты, контролируемый доступ к контексту, шаблоны оценки, права и управление. Федерация работает лишь при ясной ответственности: команды приложений отвечают за процесс и результат; команды обвязки дают общие средства безопасной работы; службы рисков, безопасности и управления сохраняют независимый надзор.
Команды приложений и отраслевые эксперты должны определять тестовые случаи для конкретной задачи и порог приёмки. Команда обвязки должна обеспечивать инфраструктуру оценки, общие средства контроля и отчётность для единообразного проведения проверок.
Область | Команда приложения | Команда обвязки | Риски, безопасность и управление |
|---|---|---|---|
Продукт и результат | Выбирает задачу, процесс, пользовательский опыт и критерии успеха; отвечает за результат для клиентов и бизнеса | Предоставляет переиспользуемые шаблоны, инструменты и телеметрию | Задаёт ограничения для сценариев с существенным риском |
Контекст и доступ | Определяет необходимые процессу сведения и действия | Предоставляет интерфейсы контекста, идентификацию агентов и права на инструменты | Согласует доступ к конфиденциальным данным и границы контроля |
Оценка и выпуск | Определяет критерии приёмки и проверяет результаты | Поддерживает наборы тестов, журналы аудита и одобренные пути развёртывания | Согласует высокорисковые сценарии, исключения и существенные изменения |
Финансирование и ответственность | Получает финансирование под результат приложения и отвечает за него | Финансируется как общая функция; оценивается по повторному использованию, охвату и времени до безопасного запуска | Отвечает за независимый надзор и решения по контролю |
Ритм работы и обучение | Проводит итерации с отраслевыми экспертами, анализирует результаты, отмены решений и инциденты | Превращает полученные знания в новые тесты, средства контроля и переиспользуемые возможности | Рассматривает инциденты и изменения на установленных этапах согласования |
Это меняет и подход руководителей к размеру команд. Выпуск большего объёма ПО меньшими командами — не самоцель. Цель — применять человеческое суждение там, где оно полезнее всего: рядом с задачей в командах приложений и в общих средствах, позволяющих этим командам двигаться быстро, не теряя контроля.
По мере сокращения команд приложений и расширения роли ИИ организациям нужны общие средства для безопасной, стабильной разработки с чёткой ответственностью.
Традиционно платформенная инженерия повышала продуктивность разработчиков, а её основными пользователями были люди. Платформа, изначально ориентированная на ИИ, должна поддерживать и людей, и агентов.
Агент использует платформу разработки иначе, чем человек. Ему нужны машиночитаемые инструкции, доступные инструменты, явные разрешения и надёжная оценка работы. Обвязка также должна учитывать наблюдаемость, безопасность, соблюдение требований и управление знаниями. Её цель — сделать автономность полезной, задав чёткие границы и обеспечив их соблюдение.
Представим банк, внедряющий ИИ в обработку обращений по оспариванию карточных операций. Команда приложения начинает с узкой задачи: классифицировать обращение, найти нужные правила и подготовить ответ для сотрудника поддержки. Она отвечает за процесс, пользовательский опыт, пороги эскалации и критерии успеха. Она не определяет нормативные требования и не выдаёт агенту новые разрешения.
Здесь агенты могли бы помогать с реализацией, выполнять целевые тесты и готовить релиз. Развёртывание в рабочей среде по-прежнему одобряли бы люди, а результаты эксплуатации учитывались бы в следующем цикле оценки и разработки. Контроль при исполнении — отдельная задача: агент поддержки использует лишь одобренные инструменты и данные в рамках заданных прав и путей эскалации.
Контекст: агенту доступны текущее обращение, минимум данных клиента для его решения, утверждённые процедуры по продуктам и жалобам, машиночитаемые правила эскалации. Агент не имеет доступа к исходным платёжным данным и записям других клиентов, а также не может вносить изменения в систему управления обращениями.
Оценка: до релиза тесты на типичных прошлых обращениях и размеченных экспертами пограничных случаях должны подтвердить точность классификации, соблюдение правил, обоснованность отказов, отсутствие утечек персональных данных и эскалацию жалоб и финансово значимых случаев.
Согласование: за продуктовое решение отвечает команда приложения. Службы рисков, безопасности и комплаенса согласуют доступ к данным, применимость правил и путь развёртывания. Сотрудник поддержки одобряет каждое исходящее сообщение; решения, затрагивающие деньги или права клиента, агент самостоятельно не принимает.
Журнал обвязки: для каждого запуска фиксируются идентификатор агента, версия модели, полученные контекст и источники, вызовы инструментов, проверки правил, результаты оценки, правки и отмены решений человеком, инциденты. Удачные решения команда превращает в переиспользуемые интерфейсы контекста, тестовые случаи, шаблоны прав и одобренные пути развёртывания. Сбои и отмены решений становятся основой новых тестов и улучшений процесса.
Так агент получает свободу действий, но лишь через одобренные контекст и инструменты. Контроль каждой важной границы даёт свидетельства для проверки и повторного использования. Ответственность за значимые решения остаётся у людей. Со временем банк может на реальных случаях — успехах, вмешательствах людей и ошибках — улучшать процесс и решать, расширять ли полномочия агента. Именно так на практике выглядят ограниченная автономность и обучение на подтверждённых результатах.
Это разделение отражено в системах и средствах контроля, которыми управляет команда обвязки. Команды обвязки могут отвечать за:
Идентификацию агентов: создание служебных учётных записей, фиксацию владельцев и среды, учёт версий моделей, промптов и инструментов каждого агента.
Права на инструменты: области чтения и записи, границы доступа к данным, лимиты запросов, этапы согласования и запрет действий агента по умолчанию.
Интерфейсы контекста: доступ к одобренным знаниям и данным через версионируемые интерфейсы с учётом прав, указанием происхождения и актуальности.
Наборы тестов: типичные примеры, пограничные случаи, проверки безопасности и защищённости, регрессионные тесты и критерии выпуска.
Аудит и наблюдаемость: запись идентификаторов агентов, контекста, вызовов инструментов, результатов, согласований, отмен решений людьми, сбоев и инцидентов с нужными сроками хранения и контролем доступа.
Одобренные пути развёртывания: песочница, теневой режим, поэтапный и рабочий запуск с автоматическими проверками, откатом и контролем изменений.
Команда обвязки — не новое название для всех существующих платформенных функций. У команд эксплуатации машинного обучения, безопасности, управления и платформ по-прежнему свои обязанности. Команда обвязки связывает эти средства контроля с разработкой и эксплуатацией ИИ-процессов: права и согласования обеспечивают соблюдение правил, управляемые интерфейсы — контекст, тесты — оценку, журналы — аудит поведения агентов и повторное использование опыта.

Разделение инженерной работы на разработку приложений и общую инфраструктуру требует изменений в найме, руководстве и измерении результатов.
Командам приложений нужна продуктовая, инженерная и отраслевая экспертиза с глубоким пониманием задачи. Командам платформ и обвязки нужны люди, способные создавать и эксплуатировать общую среду для масштабной работы людей и агентов.
Для CTO, CDO и CIO задача — решить, какие возможности предоставлять централизованно, а какие оставить отдельным командам.
Командам приложений нужна свобода для быстрой работы и тесной связи с клиентами. Им не следует заново создавать безопасный доступ к данным, наблюдаемость, оценку и управление.
В организации, построенной вокруг ИИ, руководителям нужно частично сместить фокус с управления ресурсами разработки на проектирование её системы. Это включает:
найм и развитие людей с упором на здравое суждение и качество решений;
инвестиции в общие ИИ-платформы, оценки, защитные механизмы, одобренные пути, обмен знаниями и схемы доступа;
определение границ работы агентов, людей и совместных процессов;
измерение подтверждённых результатов обучения, надёжности, пользы для клиентов и безопасного повторного использования; а также
достаточное погружение в технологии, чтобы понимать, где ИИ действительно меняет экономику разработки.
Хорошо устроенная система упрощает доступ к нужному контексту, проверку результатов ИИ, повторное использование проверенных решений и выявление задач, требующих одобрения человека.
Многие метрики создавались, когда производство ПО было главным ограничением. Скорость команды, оценки трудоёмкости задач, пропускная способность и частота развёртываний всё ещё полезны, но сами по себе менее показательны, когда ИИ снижает трудоёмкость создания ПО.
Команда может писать больше кода и проводить больше экспериментов, но принимать плохие решения, усложнять систему или повышать риски.
Поэтому руководителям мало знать объём выпускаемого ПО и распространённость ИИ-инструментов. Нужно понимать, помогает ли ИИ быстрее учиться, улучшать результаты для клиентов и надёжно работать в согласованных границах.
Для команд приложений полезны такие показатели:
время до подтверждения гипотез;
улучшение результатов для клиентов;
созданная ценность для бизнеса;
освоение продукта и изменение поведения;
доля экспериментов, ведущих к обоснованным решениям.
Время до получения подтверждённых результатов обучения должно охватывать весь интервал — от запуска эксперимента до сбора достаточных доказательств для принятия решения. Если команда начинает работу в понедельник, выкатывает релиз в среду и приходит к обоснованному решению в пятницу, её цикл обучения составляет одну неделю, а не два дня разработки.
Для команд платформ и обвязки полезны:
повторное использование одобренных ИИ-решений;
охват и эффективность оценок;
инциденты и доработки, связанные с ИИ;
время от идеи до безопасного запуска;
наблюдаемость действий агентов;
готовность к аудиту и проверке соблюдения требований.
В затраты на каждый успешный результат нужно включать использование модели, проверку человеком, неудачные попытки, доработки и эксплуатационную поддержку.
Этим показателям всё равно нужны чёткие определения, исходные значения и методы оценки. Цель — не заменить одну универсальную систему показателей другой, а понять, даёт ли система разработки заслуживающие доверия результаты.
Разделение на приложения и обвязку — один из ответов на нынешний этап развития ИИ-ориентированной инженерии. Не стоит считать его окончательным устройством.
Базовую единицу инженерной работы могут вновь изменить:
передача агентам ответственности за процессы целиком;
появление временного ПО вместо многолетнего сопровождения;
переход пользователей от интерфейсов приложений к взаимодействию через агентов;
освоение фундаментальными моделями всё большего числа платформенных функций;
регулирование, делающее проверяемость и подотчётность главным ограничением разработки.
Это возможные сценарии, а не предрешённые исходы. Если они реализуются, даже деление на команды приложений и платформ может оказаться слишком узким.
Лучше всего к этой неопределённости подготовятся организации с гибкой операционной моделью. Их основой станут ясные принципы, качественный контекст, ограниченная автономность и быстрое обучение, а не жёсткая структура команд или набор инструментов.
ИИ не снижает важность инженерных систем. Он повышает ценность их грамотного проектирования.
По мере удешевления ПО преимущество получают организации, которые лучше принимают решения, накапливают полезный контекст и безопасно работают. ИИ-ориентированная инженерия — не просто использование ИИ-инструментов. Она перестраивается с учётом новых ограничений: качества решений, общего контекста, ограниченной автономности и быстрого обучения.
Руководители могут начать с четырёх явных решений:
Какие решения о клиентах и продукте должны оставаться за командами приложений?
Какие контекст, средства контроля и оценки должны быть общими?
Где агенты могут действовать автономно, а где нужно одобрение человека?
Какие показатели подтверждают получение проверенных результатов обучения, пользу для клиентов и безопасность работы?
Ответы на эти вопросы определят ценность внедрения ИИ сильнее, чем число ассистентов в организации.
