DORA 2025, Часть 8. Как системное внедрение ИИ усиливает продуктивность, стабильность и качество разработки программного обеспечения

Одним из самых важных результатов исследования этого года стала модель AI-возможностей DORA.

Влияние ИИ на такие показатели, как пропускная способность, качество кода, эффективность команд и результативность организации, последовательно усиливалось семью ключевыми возможностями:

Четкая и озвученная позиция компании по ИИ

Доступность внутренних данных для ИИ

Эти системные условия отражают, как организация выстраивает работу, поддерживает команды и адаптирует среду под современные практики разработки.

Именно они определяют, превращается ли использование ИИ в реальные результаты — и делают эти результаты масштабируемыми. То, что все эти возможности относятся к командному и организационному уровням, подчеркивает важность изменения подхода к роли ИИ в разработке.

Мы видим, что влияние ИИ на показатели зависит от системы, внутри которой выполняется работа. Например, зрелая экосистема данных, интегрированная с инструментами ИИ, создает условия, при которых эффект ИИ способен перейти от роста индивидуальной продуктивности к рывкам на уровне всей организации.

Без таких фундаментальных усилий по подготовке среды для работы с ИИ эффект может остановиться, остаться неравномерным или вовсе не проявиться.

Чтобы использовать этот инсайт, нужно сместить фокус: меньше внимания тому, как конкретные люди применяют ИИ, и больше — тому, как организации проектируют системы вокруг них.

Чтобы понять, что нужно для масштабирования эффекта ИИ — от повышения индивидуальной продуктивности до преимуществ на уровне всей организации, — важно мыслить системно.

Организации — это не набор отдельных людей и инструментов, а сети взаимозависимых элементов.

Работа проходит через команды, процессы, правила, инфраструктуру и общие нормы.

Индивидуальные способности важны, но итоговый результат определяется тем, как все части системы взаимодействуют друг с другом.

Этот принцип лежит в основе системного мышления — подхода, который сформировал развитие высокоэффективных организаций. У.

Эдвардс Деминг, один из основателей современного управления качеством, подчеркивал: большинство проблем с производительностью возникает не из-за людей, а из-за систем.

Как он говорил: «Плохая система победит хорошего человека в любой день».

В любой системе улучшение отдельного элемента не гарантирует улучшения результата.

Более того, локальные улучшения могут блокироваться, ослабляться или даже давать обратный эффект, если остальная часть системы не готова адаптироваться.

Этот же принцип лежит в основе теории ограничений. У любой системы есть ограничивающий фактор — то самое «узкое место», которое определяет, сколько ценности она может производить.

Фокус на чем-то другом может создавать ощущение прогресса, но реального улучшения потока ценности не произойдет. У этих идей есть прямые последствия для внедрения ИИ.

Даже если разработчики с помощью ИИ пишут код быстрее, он всё равно должен пройти тестирование, ревью, интеграцию и деплой.

Общая скорость поставки почти не изменится, пока окружающие процессы не адаптированы под новые инструменты и повысившуюся скорость работы.

Система не готова «понести» этот прирост — не говоря уже о том, чтобы его усилить.

Во время перехода в облако компании, которые просто переносили инфраструктуру без изменения архитектуры и практик разработки, получали минимальный эффект.

Настоящую ценность раскрывали те, кто перестраивал приложения, команды и процессы под cloud-native-подходы.

То же самое происходило с Agile и DevOps: они работали только тогда, когда сопровождались глубокими изменениями ролей, обратной связи и границ команд.

Новые технологии дают трансформационный эффект только тогда, когда меняется система вокруг них.

Поэтому внедрение ИИ нужно рассматривать как трансформацию.

Если организация хочет двигаться быстрее, больше экспериментировать и менять распределение времени разработчиков, ей нужно пересмотреть сам поток работы.

Готовы ли нижележащие системы — интеграция, тестирование, деплой, соответствие требованиям — работать в новом темпе?

Успевают ли управленческие структуры принимать решения с нужной скоростью?

Замотивированы ли команды делегировать задачи ИИ, проверять результаты в масштабе и обмениваться знаниями по-новому?

Без осознанных изменений в процессах, ролях, правилах и ожиданиях ИИ останется точечным ускорением внутри старой системы — упущенная возможность.

Чтобы масштабировать эффект ИИ, организация должна инвестировать в редизайн системы: найти ограничения, упростить поток и создать условия, при которых локальное ускорение превращается в общий организационный импульс.

Когда разработчики начинают использовать инструменты ИИ и ощущают рост продуктивности, но команда при этом не видит соответствующего роста пропускной способности или скорости поставки, ограничивающим фактором может быть сама система.

Усиление означает выявление и устранение этих точек трения, чтобы индивидуальное ускорение могло «протекать» дальше по потоку работы. Код-ревью и передача задач Определите, где ИИ может ускорить и упростить существующие этапы. Например, первичная проверка кода, сгенерированная ИИ, помогает быстрее находить проблемы и сокращает время на рутинные комментарии.

Если структурировать входные данные так, чтобы ИИ выделял риски или кратко описывал изменения, это делает проверку быстрее и удобнее для разработчиков.

Контуры интеграции и деплоя (CI/CD) Скорость, с которой ИИ генерирует код, повышается — успевают ли ваши процессы поставки?

Контуры CI/CD могут потребовать пересмотра, чтобы уменьшить ожидание между шагами и поддерживать более частые релизы.

Проверки качества, усиленные ИИ, можно внедрять без дополнительных ручных «ворот», сохранив поток и надежность.

Модель возможностей ИИ подчеркивает важность инвестиций в инфраструктуру данных. Во-первых, полезность ИИ для продуктивности и качества кода растет, когда модели ИИ подключены к внутренним данным — репозиториям, системам трекинга, документации и инструментам принятия решений.

Такой контекст повышает качество работы ИИ. Во-вторых, эффект ИИ на показатели организации выше, когда экосистема данных здорова: данные доступны для ИИ, точны и полны.

Протоколы безопасности и приватности Теперь, когда ИИ участвует в процессах разработки и эксплуатации, практики безопасности должны эволюционировать.

Это включает безопасное использование инструментов, обновление политик и внедрение мониторинга, учитывающего работу ИИ, — без создания узких мест.

Автоматизация части этих процессов помогает командам сохранять скорость.

Управление изменениями и культурное согласование

Как и при любой трансформации, внедрение ИИ требует видения, поддержки и ясной коммуникации — ключевых признаков трансформационного лидерства.

Руководители должны сформулировать долгосрочные цели внедрения ИИ — ускорение, инновации или повышение качества — и поддержать переход обучением, общими практиками и реалистичными ожиданиями.

Команды должны иметь возможность экспериментировать, ошибаться, нарабатывать навыки и делиться опытом.

Поощрение таких практик, как проверка работы ИИ, делегирование, настройка промптов и оркестрация агентов, формирует понимание того, что считается успехом в среде, ускоренной ИИ.

Помимо усиления существующих систем, ИИ открывает возможность создавать новые рабочие процессы — такие, которые изначально учитывают принципы работы ИИ и используют его потенциал по-новому. AI-ориентированные конвейеры доставки ИИ может непрерывно анализировать код на ошибки, уязвимости безопасности и нарушения командных стандартов.

Он предлагает тесты и даже генерирует их автоматически.

При наличии нужных данных и интеграций ИИ способен прогнозировать риски деплоя и регрессии производительности до того, как они проявятся. AI-ориентированные системы данных ИИ может поддерживать собственную среду: организовывать, помечать, очищать и анализировать данные.

Это дает более глубокие инсайты и ускоряет принятие решений на основе данных. ИИ также выявляет закономерности в работе команд, открывая новые возможности для улучшения операционных процессов. AI-ориентированная безопасность ИИ расширяет возможности команд безопасности: раньше обнаруживает угрозы, идентифицирует аномальное поведение и автоматизирует части процесса реагирования на инциденты.

Для команд, которые часто работают с нехваткой ресурсов, ИИ снижает нагрузку и ускоряет время реакции. AI-ориентированные модели совместной работы

Появляющиеся практики, такие как агентные рабочие процессы и «сворминг», начинают менять то, как люди взаимодействуют с ИИ.

Агентные процессы распределяют задачи между автономными ИИ-агентами, а сворминг позволяет людям и ИИ динамически объединяться для решения сложных задач.

Хотя эти подходы еще формируются, они указывают на появление новых адаптивных способов сотрудничества.

Появляющиеся подходы, такие как непрерывный ИИ, показывают, как AI-ориентированные рабочие процессы могут поддерживаться в долгосрочной перспективе.

Непрерывный ИИ воспринимает ИИ-систему как живую часть конвейера разработки и полноценного участника командных процессов.

Непрерывный ИИ отслеживает события в контексте проекта в режиме реального времени и, работая автономно, но согласованно с командой, помогает взаимодействию и корректирует направление работы вместе с ней.

Ключевое требование — ИИ-системы или агенты должны постоянно получать актуальный контекст и регулярно проверяться на точность, полезность и стоимость.

Это позволяет ИИ оставаться согласованным с архитектурой, практиками и приоритетами организации, которые со временем меняются, и гарантирует, что результаты работы ИИ сохраняют актуальность и качество. И при расширении существующих систем, и при создании новых, важнее всего намерение.

Само по себе внедрение ИИ-инструментов не приводит к трансформации.

Но если сочетать ИИ с прагматичными и системными изменениями, он становится катализатором, который меняет то, как программное обеспечение создается, поставляется и защищается.

Чем раньше организация начнет рассматривать внедрение ИИ как трансформацию, а не как установку отдельных инструментов, тем больше контроля она получит над тем, как эта трансформация будет развиваться.

Технологии меняются быстро, но реальное отличие между компаниями определяется тем, как они адаптируются.

Если начать до того, как старые процессы закрепятся вокруг новых инструментов, у организации появляется шанс сформировать будущее своей системы, а не унаследовать его по инерции.

Естественный первый шаг — изучить, как работа течет сейчас.

На практике это означает создать общую видимость того, как идеи проходят путь от замысла до поставки.

Этот процесс, известный как управление потоком создания ценности, помогает командам визуализировать каждый этап поставки — от написания и ревью кода до тестирования, деплоя и перехода в прод.

Когда карта потока построена качественно, она показывает, где возникают затраты на согласование, где происходят задержки и переделки, а также где система поглощает или тормозит ускорение, которое дают ИИ-инструменты.

Это помогает выявить факторы, на которые указывает

Теория ограничений — те точки, где улучшения дадут наибольший эффект.

Чтобы начать картировать поток работы, компании могут сформировать небольшие кросс-функциональные рабочие группы из практиков, которые ежедневно участвуют в процессе доставки ПО: инженеров, продуктовых менеджеров, дата-инженеров, специалистов по операциям и безопасности.

Эти группы лучше всего понимают систему «изнутри» и способны выявить разрывы в координации, узкие места и зоны, где ИИ может сыграть преобразующую роль.

Эти усилия особенно результативны, когда их поддерживает руководство.

Такая поддержка подчеркивает стратегическую важность работы, обеспечивает ей ресурсы и формирует понятный путь от исследования к действиям.

Мандат таких рабочих групп — формировать стратегические рекомендации:

Какие процессы или роли ИИ может усилить?

Какие способности нужно развивать, чтобы получить долгосрочную ценность? В некоторых случаях внешний фасилитатор или консультант может помочь ориентироваться в процессе, предложить бенчмарки и удерживать фокус на системных возможностях для широких улучшений.

Чтобы изменения закрепились, инсайты должны рождаться внутри системы.

Когда инициативу ведут практики, а лидерство берет на себя обязательство обеспечивать необходимые условия, появляется база для настоящей трансформации.

Критически важно применять системное мышление.

Как обсуждалось ранее, организации — сложные системы, и улучшение одного узла (например, ускорение генерации кода) не даст эффекта, если соседние элементы не развиваются параллельно.

Модель AI-возможностей DORA помогает понять, какие организационные интервенции усилят преимущества ИИ. Например, рабочая группа может обнаружить, что хотя ИИ-инструменты способны генерировать ценные предложения, их ответы часто упускают важный контекст: командные соглашения, архитектурную историю, прошлые инциденты.

Для многих организаций это неудивительно — такая информация обычно хранится в разрозненных системах и неформальных каналах. В ответ группа может рекомендовать структурировано и безопасно «подсвечивать» ИИ-моделям внутреннюю документацию, записи решений и исторические тикеты.

Они также могут предложить рабочие процессы, которые автоматически тегируют и извлекают этот контекст во время разработки или ревью, снижая время поиска и улучшая качество ИИ-выхода.

Либо рабочая группа может исследовать, как ИИ использовать для выявления устаревшей документации, суммирования длинных проектных обсуждений и поиска несоответствий между тем, что система делает, и тем, что написано в документации.

Такой подход помогает превратить фрагментированные знания в структурированный и применимый актив.

Помимо изменений процессов, рабочие группы могут выявить и новые потребности в навыках и ролях.

По мере того как разработчики делегируют всё больше работы ИИ-инструментам, возрастает важность задач верификации, оркестрации и проектирования рабочих процессов.

Организациям потребуется определить, как выглядят эти роли, как их поддерживать и как выстроить систему стимулов.

Это включает в себя точечное обучение не только инструментам, но и тому, как ИИ меняет характер разработки.

Ни одно из этих изменений не происходит само по себе и не внедряется одномоментно.

Они требуют намерения, участия и постоянной поддержки.

Однако им не требуется идеальность на старте.

Когда организации начинают с малого, действуют осмысленно и распределяют ответственность между ролями, они создают эффект движения.

Шаг за шагом, способность за способностью, трансформация закрепляется. «Культурная трансформация столь же важна, как и инструменты. Для успеха нужно не только внедрять автоматизацию и метрики, но и выстраивать согласованность команд вокруг общих целей и совместной ответственности».

ИИ способен менять то, как создается софт, но сам по себе не меняет организационную систему.

Его действие — в другом: он быстро и точно отражает, как эта система работает на самом деле. В хорошо согласованных командах ИИ усиливает поток. В фрагментированных — выявляет слабые места. Там, где налажены практики, гибкие процессы и общий контекст, эффект от ИИ проявляется сразу.

Там же, где успех держится на хрупких процедурах и неформальных знаниях, разрывы становятся заметнее.

Поэтому ИИ — и зеркало, и усилитель.

Он подсвечивает то, что работает, ускоряя уже движущиеся процессы, но одновременно выявляет то, что требует изменений.

Для организаций, готовых смотреть честно, это отражение превращается в дорожную карту.

Как и в других технологических сдвигах, выигрывают те, кто рассматривает внедрение ИИ как шанс изменить саму модель работы.

Именно такие организации извлекают максимальную пользу — и из инструментов, и из трансформации, которую ИИ делает возможной.

Написано при участии Matt Beane, Ph.D. — доцент

Калифорнийского университета в Санта-Барбаре, Digital Fellow

Стэнфорда и MIT, CEO и со-основатель SkillBench В разработке ПО действует тот же принцип, что и в других профессиях: экспертиза течет сверху вниз.

Сеньоры передают архитектурное мышление мидлам и джунам, а те — привносят свежие взгляды и новые навыки.

Парное программирование — не только про поиск ошибок, это способ передавать негласные знания, которые сложно формализовать. В идеале трехуровневая модель — джун, мидл, синьор — работает как единый механизм обучения через совместное решение задач. ИИ вмешивается в этот привычный цикл.

Моя многолетняя работа по изучению интеллектуальной автоматизации показывает: во многих сферах повсеместное использование ИИ ослабляет традиционную модель наставничества и сокращает количество ситуаций, где новичок может делать «настоящую работу», необходимую для роста.

Эксперты могут всё сделать сами — и делают.

Несколько джунов пробиваются благодаря настойчивости, но большинству просто не хватает участия в процессе. С 2023 года я изучаю использование ИИ в сложных инженерных задачах, и те же паттерны уже заметны и в разработке ПО.

Но есть важные исключения — и нам нужно глубже понять, как ИИ реально меняет развитие навыков.

Как и в прошлые технологические революции — от печатного станка до интернета — мы находимся в эпохе стремительных изменений и не знаем, как именно люди адаптируются к новым условиям.

Сегодня внимание компаний сосредоточено на метриках продуктивности: скорости внедрения ИИ, количестве сгенерированного кода, числе смерженных pull request'ов.

Но мы почти не измеряем то, что отражает развитие навыков: например, рост выразительности кода, разнообразие решений, сложность реализованных паттернов.

Лучшие организации умеют одновременно повышать продуктивность и развивать навыки. В части моих исследований высокая производительность появлялась только там, где развитие компетенций сотрудников было обязательной частью процесса.

Одновременное измерение и развитие обоих направлений — путь к устойчивым результатам. ИИ неизбежно становится частью будущего разработки — и это касается и обучения.

Мы можем использовать ИИ, чтобы анализировать взаимодействия «разработчик — ИИ», связывать их с историями в Git, прогрессом и результатами разработки.

Раньше такая аналитика была слишком дорогой, но стоимость API для разметки данных стремительно падает. ИИ может дать нам систему координат, по которой мы сможем перестроить работу так, чтобы сохранять и усиливать развитие навыков — индивидуально и коллективно.

Сегодняшние привычки использования ИИ дают рекордный прирост скорости — и одновременно блокируют развитие компетенций у большинства разработчиков.

Чтобы сохранить способность к инновациям, нам нужно применять ИИ не только для ускорения задач, но и для измерения, поддержки и развития инженерного мастерства.