Эта глава подготовлена при участии
Kevin M. Storer, Ph.D. — исследователь пользовательского опыта, Google Cloud
Derek DeBellis — исследователь количественного пользовательского опыта, Google Cloud
Nathen Harvey — руководитель DORA, Google Cloud
{{cta}}
Модель AI-возможностей DORA
DORA всегда стремилась не просто описывать состояние поставки ПО, но и помогать организациям принимать решения на основе данных — особенно в условиях быстро меняющейся среды инструментов, практик и технологий.
ИИ уже радикально меняет разработку. Быстрый прогресс открывает новые возможности, но одновременно порождает вопросы о том, как должна развиваться инженерная практика, чтобы соответствовать новым условиям.
В этом году мы пошли дальше простого анализа того, кто использует ИИ и как. Мы изучили, в каких условиях команды, применяющие ИИ, получают лучшие результаты.
Результат — первая версия модели AI-возможностей DORA. Она включает семь организационных возможностей, которые усиливают пользу от внедрения ИИ. Эти возможности охватывают как технические, так и культурные аспекты. Наши данные показывают: системные инвестиции в эти области позволяют раскрыть реальный потенциал AI-инструментов.
Как и с базовой моделью DORA (DORA Core Model), работа над AI-моделью будет продолжаться. Мы будем проверять, корректировать и дополнять её новыми исследованиями — и делиться обновлениями с DORA-сообществом.
AI-возможности
Чтобы сформировать модель, команда DORA выдвинула широкий перечень организационных возможностей, которые могут усиливать эффект от внедрения ИИ. Основой стали 78 глубинных интервью, экспертные оценки и предыдущие исследования DORA.
После обсуждений и приоритизации в опрос включили 15 кандидатных возможностей. Из них семь показали устойчивое и статистически значимое взаимодействие с использованием ИИ. Когда команды сочетали эти возможности с активным применением ИИ, эффект от ИИ на ключевые результаты существенно усиливался.
Эти семь возможностей стали ядром новой модели:
- Понятная и открытая позиция компании по использованию ИИ
- Здоровая экосистема данных
- Внутренние данные, доступные для работы ИИ
- Зрелые практики контроля версий
- Работа малыми итерациями
- Фокус на пользователях
- Качественные внутренние платформы
Понятная и открытая позиция компании по использованию ИИ
Понятная и открытая позиция компании по использованию ИИ — это ясное представление сотрудников о том, как и в каких условиях им можно применять ИИ-инструменты в работе.
Эта способность строится на четырех элементах. Они отражают то, как сотрудники воспринимают:
- Насколько использование ИИ ожидаемо и поддерживается на их рабочем месте.
- Насколько организация поощряет эксперименты с ИИ.
- Насколько ясно, какие ИИ-инструменты разрешены к применению.
- Насколько политика компании по ИИ распространяется именно на их работу.
Компания с понятной позицией по ИИ создает среду, где:
- разработчики понимают, что использование ИИ — это норма и ожидаемая часть работы;
- эксперименты с ИИ поддерживаются;
- правила использования ИИ прозрачны;
- сотрудники знают, какие инструменты можно применять и как политика компании относится к их задачам.
Такой подход снижает неопределенность и помогает использовать ИИ безопасно и эффективно.
Наш анализ показывает: положительные эффекты от внедрения ИИ усиливаются только в тех организациях, где существует четкая и прозрачная позиция по использованию ИИ.
Когда такая позиция есть, с высокой степенью уверенности наблюдается:
- Рост индивидуальной эффективности сильнее.
- Рост общей результативности организации выражен сильнее.
- Нейтральный эффект ИИ на фрикцию превращается в позитивный — уровень препятствий в работе снижается.
С меньшей, но заметной степенью уверенности видно, что:
- Положительное влияние ИИ на скорость поставки ПО становится более выраженным.
По результатам интервью, разработчики регулярно отмечают, что им не хватает ясности и понимания позиции компании по использованию ИИ. Это приводит к двум противоположным эффектам:
- Часть сотрудников действует чрезмерно осторожно — использует ИИ меньше, чем могла бы, боясь нарушить правила;
- Часть — слишком свободно, применяя ИИ там, где это выходит за рамки допустимого.
Обе ситуации создают риски для организации. Поэтому мы ранее подчеркивали: четкая и открытая позиция компании по использованию ИИ помогает укреплять доверие разработчиков, снижает необоснованные опасения о приватности данных и ускоряет масштабирование ИИ-инструментов по всей организации.
Новые данные подтверждают: когда компания ясно формулирует, что разрешено, что ожидается и где существуют границы, результаты улучшаются. И важно, что эта способность описывает не содержание самой политики, а именно её понятность и прозрачность для сотрудников.
Каждая команда и организация может определить свою собственную позицию с учетом роли, индустрии и инфраструктуры данных. Но если эта позиция четко сформулирована и доведена до разработчиков, организация получает больше пользы от внедрения ИИ в процесс разработки.
«Почему я не занялся ИИ раньше? Возможно, дело в том, что я не понимал, как на это посмотрят коллеги и руководство. Об этом никто не говорил. Поэтому не было ощущения, что за это могут наказать.
Но при этом я не понимал, насколько это вообще поощряется и хотят ли, чтобы мы продолжали это использовать. Я не хотел делать это тайком. Политика по ИИ у нас есть, но она в основном про то, какие данные можно передавать с точки зрения конфиденциальности клиента. Что-то вроде этого. Думаю, если бы нас поддержали более явно, я бы использовал ИИ чаще — хотя бы для рутинных задач»
Здоровая экосистема данных
Под «здоровой экосистемой данных» понимается общее качество внутренних данных в организации. В исследовании этот показатель измеряется как единый фактор по трем критериям, отражающим восприятие сотрудников:
- качество внутренних источников данных;
- доступность этих данных;
- степень разрозненности данных между командами и системами.
Организация со здоровой экосистемой данных — это среда, где данные высокого качества, доступны и объединены.
С высокой степенью уверенности можно утверждать: положительный эффект от внедрения ИИ возрастает в тех компаниях, где экосистема данных развита. В таких условиях влияние ИИ на результаты работы заметно усиливается.
Принято говорить, что качество моделей ИИ определяется качеством данных, на которых они обучаются. В данном случае это правило работает и на уровне организации: чем лучше устроены внутренние данные, тем ощутимее эффект от ИИ.
Если компания инвестирует в развитие качественной, доступной и единой экосистемы данных, она получает значительно больший прирост эффективности, чем только от внедрения ИИ.
Внутренние данные, доступные для работы ИИ
Под этим подразумевается, насколько инструменты ИИ подключены к внутренним данным и системам компании. Показатель включает четыре аспекта:
- сотрудники видят, что инструменты ИИ имеют доступ к внутренней информации;
- ответы ИИ опираются на контекст из внутренних данных;
- разработчики регулярно передают ИИ внутренние данные в запросах;
- разработчики используют ИИ, чтобы получать внутреннюю информацию.
Компания с доступными для ИИ внутренними данными — это среда, где сотрудники понимают: ИИ видит нужные данные, может их использовать и обрабатывать.
Исследование показывает: положительный эффект от внедрения ИИ усиливается, если ИИ имеет доступ к внутренним данным. Тогда:
- ИИ заметнее повышает индивидуальную эффективность;
- ИИ сильнее улучшает качество кода.
Инструменты, обученные на общем наборе знаний, уже помогают, но реальная ценность раскрывается, когда ИИ получает доступ к данным, которые отражают контекст компании.
Из этого следует: организациям, которые подключают ИИ к своим внутренним системам, ИИ приносит больше пользы, чем тем, кто ограничивается только возможностями базовых моделей. Чтобы добиться ощутимого роста эффективности и качества, одной покупки лицензий недостаточно — нужен доступ ИИ к корпоративным данным.
По сути, это логично: если ИИ не видит данные компании, насколько он вообще может быть полезен?
«Многие мои клиенты пока не готовы к эффективному использованию ИИ. У них даже данные не упорядочены: разбросаны по всей компании, нет единого стандарта хранения. А чтобы ИИ реально заработал, нужен серьёзный объём работы по инженерии данных, чтобы привести всё в вид, который сможет потреблять модель. Большинство компаний даже не дошли до этого этапа»
{{cta}}
Зрелые практики контроля версий
Зрелые практики контроля версий — фундамент высокоэффективных команд разработки. Они дают системный способ управлять изменениями в коде и цифровых артефактах, сохраняя предсказуемость и устойчивость.
С ростом объема и скорости генерации кода с помощью ИИ значение этих практик только усиливается. Исследование показывает выраженную синергию между частыми коммитами, продуманными процессами отката и использованием ИИ: чем лучше команда управляет версиями, тем сильнее ИИ улучшает их эффективность и качество.
С высокой степенью уверенности установлено: положительный эффект ИИ усиливается, когда разработчики часто коммитят код. В таких условиях влияние ИИ на индивидуальную результативность растет.
Мы также выявили, что положительный эффект ИИ зависит от того, насколько активно команда использует механизмы отката изменений. Когда команды часто используют rollback или revert, влияние ИИ на командную результативность становится сильнее.
Ключевой элемент зрелого контроля версий — психологическая безопасность. Возможность в любой момент вернуться к стабильному состоянию позволяет командам смелее экспериментировать и внедрять идеи быстрее. Простое, быстрое и безболезненное откатывание изменений — не удобство, а необходимое условие скорости и устойчивости.
При этом важно учитывать: ИИ ускоряет создание кода, но повышает риск нестабильности. Мы предполагаем, что одна из причин — увеличение размера батчей кода, которые сложнее качественно ревьюить.
Поэтому, хотя сами по себе откаты не снижают нестабильность напрямую, их положительный эффект на производительность команд с ИИ, вероятно, связан с возможностью быстро отменить изменения при работе с большими объемами кода и возникающими из-за этого рисками.
Работа малыми итерациями
Работа малыми итерациями означает, что команда разбивает изменения на небольшие и быстро проверяемые части. В исследовании этот показатель складывается из трех наблюдений:
- сколько строк кода обычно входит в последнее изменение;
- сколько изменений объединяется в один релиз;
- сколько времени у разработчика уходит на выполнение одной задачи.
Команда, работающая малыми итерациями, фиксирует меньше строк кода за раз, объединяет меньше изменений в один релиз и выполняет задачи быстрее.
С высокой степенью уверенности видно: положительный эффект от использования ИИ усиливается, когда команда работает малыми итерациями. В таких командах:
- влияние ИИ на качество продукта растет;
- нейтральное влияние ИИ на «трение» превращается в снижение этого трения.
Есть и обратная сторона: прирост индивидуальной эффективности от ИИ немного снижается, если команда уже работает небольшими порциями. Но в целом работа малыми итерациями дает чистый положительный эффект.
Это подтверждает ключевую мысль: ИИ увеличивает ощущение личной эффективности в первую очередь за счет быстрого генерирования больших объемов кода. А работа малыми итерациями повышает качество продукта и уменьшает трение — что перевешивает возможный небольшой спад индивидуального прироста.
Фокус на пользователях
Фокус на пользователях показывает, насколько команда учитывает опыт и задачи конечных пользователей своего продукта. Этот показатель строится на трех суждениях: команда стремится создавать ценность для пользователей, ставит их опыт в приоритет и понимает, что успех бизнеса зависит от удовлетворенности пользователей.
Команды с выраженным фокусом на пользователях получают больше пользы от применения ИИ. В таких командах положительное влияние ИИ на эффективность и результаты работы заметно усиливается. Там, где эта ориентация отсутствует, эффект ИИ становится отрицательным — команда показывает худшие результаты.
Исследование подчеркивает: глубокое понимание пользователей, их целей и обратной связи усиливает эффект от ИИ, формирует единую стратегию продукта и предотвращает риски. Без этого подхода ИИ не помогает команде — он может ей навредить.
«Вот почему я здесь уже пять лет — я чувствую, что делаю что-то по-настоящему значимое и помогаю обычным людям. Даже если бы это было ради одного человека — для меня это уже многое. А здесь я работаю для миллионов. Когда случаются сложные дни или плохое настроение, мысль о том, что моя работа нужна и что даже маленькая функция поможет сотням тысяч людей в этом году, сильно поддерживает и дает силы продолжать.»
«Настоящее инсайт-момент был в том, что клиницистам не нужны новые инструменты — им нужно меньше шума. Мы думали, что ценность появится, если дать врачам больше продвинутых возможностей. Оказалось обратное: простота и незаметность технологии стали главными инновациями. Гибридная модель ИИ + человек дает более высокую точность, больше эмпатии и доверия по сравнению с полностью автоматизированным подходом»
IKS Health
Качественные внутренние платформы
Под внутренними платформами понимается набор общих возможностей, доступных разным продуктам и сервисам внутри компании. Их задача — сделать эти возможности единообразными и доступными всей организации.
Мы оцениваем качество внутренних платформ по единому индексу: респондент отмечает, сколькими из 12 ключевых характеристик обладает платформа в его компании.
С высокой степенью уверенности данные показывают: влияние ИИ на результаты зависит от качества внутренних платформ. В компаниях с сильными внутренними платформами положительный эффект ИИ на организационную эффективность усиливается.
Есть и обратная сторона: нейтральный эффект ИИ на фрикцию может стать отрицательным — люди ощущают больше препятствий при работе в организациях с качественными платформами. Однако совокупная картина остается положительной. Качественные платформы повышают индивидуальную эффективность благодаря единому стандарту возможностей, но при этом задают рамки — например, ограничивают использование инструментов через внутренние API с повышенными требованиями безопасности.
Эти платформы одновременно расширяют доступ к правильным инструментам и ограничивают доступ к нежелательным. Пока индустрия не выработала единый набор best practices для ИИ-инструментов, мы предполагаем, что сильные платформы чаще всего играют защитную роль: предотвращают некорректное использование ИИ. Это может увеличивать субъективную фрикцию для активных пользователей ИИ — но не обязательно ухудшает положение организации.
С учетом этого мы считаем: проектирование и поддержка качественных внутренних платформ — ключевая способность для компаний, которые хотят успешно развивать софт в среде, где ИИ интегрирован в рабочие процессы.
Практическое применение модели DORA AI Capabilities
Чтобы добиться реальной отдачи от ИИ в разработке, мало просто внедрить новые инструменты. Результаты главы показывают: максимальный эффект дает сочетание технических и культурных условий, которые организация должна выстроить осознанно.
Практические рекомендации на основе DORA AI Capabilities
1. Проясните и донесите политику по ИИ
Неясность в правилах использования ИИ снижает доверие и тормозит внедрение. Определите допустимые сценарии, инструменты и ограничения — и донесите их до команд. Это создаст ощущение безопасности, снизит трение и усилит эффект ИИ на эффективность и результаты.
2. Уменьшайте размер задач
ИИ помогает быстро генерировать большие объемы кода, но размер задач важнее скорости. Работа небольшими итерациями повышает качество продукта и уменьшает трение в ИИ-командах.
3. Относитесь к данным как к стратегическому активу
Эффект ИИ резко усиливается, когда внутренняя экосистема данных здорова: данные качественные, доступные и объединенные. Чем лучше ИИ может использовать внутренние данные, тем выше его ценность для бизнеса.
4. Связывайте ИИ с контекстом компании
Инструменты ИИ должны иметь доступ к внутренним документам, кодовой базе и другим данным. Это требует не просто лицензий, а интеграций и инженерных усилий. Компания-специфичный контекст делает ИИ заметно полезнее.
5. Развивайте «страховочные сетки»
ИИ увеличивает объем и скорость изменений, что повышает риск нестабильности. Практики контроля версий — ваш главный защитный механизм. Развивайте культуру частых коммитов, откатов и экспериментов — это напрямую повышает результативность команд.
6. Стройте продуктовую стратегию вокруг пользователя
ИИ может повысить индивидуальную эффективность, но без фокуса на пользователях команда может двигаться не туда. Сильная пользовательская ориентация усиливает позитивный эффект ИИ и защищает команду от ошибок в выборе целей.
7. Инвестируйте во внутренние платформы
Качественная внутренняя платформа усиливает эффект ИИ на результаты организации: задает стандарты, предоставляет единые возможности, помогает масштабировать ИИ безопасно и последовательно.
Чтобы увидеть, как платформа становится опорой для продуктивности, устойчивости и внедрения ИИ — и почему именно качество платформы определяет пределы роста организации — переходите к шестой части исследования. В ней рассказываем, как внутренние платформы трансформировались из набора инструментов в стратегический слой, который формирует опыт разработчиков, управляет рисками и раскрывает эффект от технологий нового поколения.
{{cta}}
