Раскрытие потенциала ИИ в разработке программного обеспечения

Несмотря на весь технологический прогресс программного обеспечения и его кардинальные изменения за последние полвека, его огромный потенциал исторически ограничивался нехваткой квалифицированных разработчиков, ограниченными возможностями программирования и сложностью координации крупных проектов. Появление искусственного интеллекта, а в последнее время и агентного ИИ, должно было и должно преодолеть эти препятствия, приведя к неимоверно высоким показателям производительности и созданию ценности. Хотя многие организации уже видят положительные результаты от использования этих инструментов, небольшая группа компаний получает особенно большую выгоду.

Наиболее успешные организации отметили заметное влияние ИИ на четыре ключевых показателя разработки: производительность команды, пользовательский опыт и время выхода на рынок (улучшение на 16–30%), а также качество программного обеспечения (на 31–45%).

Для реализации революционного потенциала ИИ в разработке программных продуктов потребуется гораздо больше, чем просто внедрение — потребуется полная перестройка процессов, ролей и методов работы, чтобы идти в ногу с ускоряющимся развитием инструментов и моделей интеллекта.

Что отличает лидеров в области программного обеспечения для искусственного интеллекта?

Лидеры, активно способствующие внедрению зрелого ИИ в разработку программного обеспечения, добиваются существенных результатов: разрыв в производительности между лидерами и аутсайдерами составляет 15 процентных пунктов. Высокая производительность характеризуется большей согласованностью и качеством разрабатываемых продуктов, более короткими циклами спринтов, меньшими размерами команд и высокими показателями удовлетворенности клиентов.

Лучшие компании в области разработки программного обеспечения с использованием ИИ преодолевают разрыв между экспериментами и результатами, внедряя две взаимодополняющие практики на протяжении всего жизненного цикла разработки продукта (PDLC product development life cycle).

1. Приоритетное внимание следует уделять комплексной реализации вариантов использования на всех этапах жизненного цикла разработки продукта.

Лучшие компании применяют целостный подход, внедряя ИИ на протяжении всего жизненного цикла разработки, а не ограничиваясь отдельными сценариями использования. Вероятность масштабирования до четырех и более сценариев использования — от проектирования и кодирования до тестирования, развертывания и отслеживания внедрения — в шесть-семь раз выше, чем у конкурентов. Почти две трети руководителей сообщают о масштабировании до четырех и более сценариев использования, по сравнению с всего 10% компаний с наихудшими показателями.

2. Создайте роли, изначально предназначенные для ИИ, в рамках жизненного цикла разработки программного обеспечения.

Искусственный интеллект все чаще берет на себя основные инженерные задачи, такие как рефакторинг, модернизация и тестирование, — это знаменует собой эволюцию от вспомогательных средств кодирования к полностью интегрированным партнерам, расширяющимся на весь жизненный цикл разработки программного обеспечения. Более 90% команд разработчиков программного обеспечения используют ИИ для этих задач, экономя в среднем шесть часов в неделю. Однако, по мере замедления роста численности инженерного персонала, от разработчиков ожидается сочетание технической компетентности с пониманием продукта, дизайна и бизнеса. Это становится возможным благодаря более мощным инструментам с улучшенной координацией, таким как переход от базового автозаполнения к агентам, управляемым логическими рассуждениями, которые планируют задачи, опираясь на более полную контекстную информацию. Например, такие инструменты, как GitHub Copilot, Claude Code и агент Jules от Google, эволюционировали от простого автозаполнения в коде до автономного выполнения длительных задач рефакторинга и модернизации нескольких файлов.

В рамках этого процесса ключевые роли берут на себя новые, изначально связанные с ИИ обязанности. Например, менеджеры по продуктам тратят меньше времени на разработку функций и больше на проектирование, прототипирование, обеспечение качества (QAquality assurance) и ответственные методы внедрения ИИ. В свою очередь, инженеры-программисты больше сосредотачиваются на владении полным стеком технологий, структурированной передаче спецификаций и понимании архитектурных и системных компромиссов. Обе роли развивают новые навыки, специфичные для ИИ, которые дополняют их традиционные сильные стороны — навыки в таких областях, как масштабируемость, безопасность и тестирование для разработчиков, и стратегия, понимание потребностей клиентов и управление для менеджеров по продуктам. В перспективе многие команды могут выступать в роли координаторов параллельных и асинхронных агентов ИИ, назначая рабочие процессы и формируя сквозную логику, постоянно проверяя результаты. Предприятия будут все чаще создавать программное обеспечение на заказ (например, внутренние инструменты, созданные пользователями), что делает формулирование проблем и определение целей критически важными навыками и переводит организации в более продуктоориентированную модель.

Три важнейших фактора, способствующих успеху

Несмотря на всю важность этих двух практик, одних лишь изменений недостаточно для того, чтобы в полной мере использовать потенциал ИИ в разработке программных продуктов. Лучшие компании подкрепляют эти изменения тремя важнейшими факторами — повышением квалификации, измерением результатов и управлением изменениями, — которые гарантируют, что внедрение ИИ приведет к устойчивому росту производительности.

1. Повышение квалификации: Инвестируйте в персонализированное, интенсивное обучение.

Хотя большинство компаний в настоящее время предлагают курсы по запросу, те, кто инвестирует в практические семинары и индивидуальное обучение, с гораздо большей вероятностью увидят измеримые результаты — 57% лучших сотрудников против всего 20% худших. Повышение квалификации инженеров и менеджеров по продуктам в использовании ИИ — это не так просто, как предоставить им инструмент. Разбиение проблем на части для четкого общения с помощью большой языковой модели (LLM large language model) — оперативное проектирование — это лишь один из примеров сложности, требующей интенсивного обучения для повышения уровня профессионализма.

Успешные организации разрабатывают программы обучения, которые имитируют реальную работу разработчиков — интегрируя ИИ в проверку кода, планирование спринтов и циклы тестирования, — чтобы команды учились применять ИИ в реальных условиях, а не в симуляциях. Они также персонализируют учебные траектории в зависимости от роли, фокусируя разработчиков на разработке подсказок и оценке моделей, одновременно помогая менеджерам по продуктам повышать уровень знаний о поведении моделей, управлении данными и ответственном использовании.

Поскольку инструменты развиваются так быстро, обучение не может быть разовым мероприятием. Статическая документация или ежегодные сессии быстро теряют свою актуальность. Непрерывное и контекстуальное обучение, встроенное в такие ритуалы, как ретроспективы, стало ключевым конкурентным преимуществом. Некоторые ведущие компании даже создали внутренние «гильдии ИИ» или «центры развития», которые отбирают новые варианты использования, делятся передовым опытом и выступают в качестве наставников по запросу для проектных команд.

В конечном счете, производительность зависит не только от самих инструментов и технологий, но и от образа мышления и сотрудничества. Команды, которые делают обучение частью процесса разработки — рассматривая каждый спринт как возможность экспериментировать и совершенствовать — это те, кто последовательно преобразует внедрение ИИ в измеримый бизнес-эффект.

2. Измерение воздействия: отслеживайте результаты, а не только внедрение.

Успешные организации понимают, что недостаточно сосредотачиваться только на показателях внедрения, таких как частота использования инструментов или процент принятия кода. Эти лидеры отслеживают результаты — контролируют улучшение качества (79%) и увеличение скорости (57%). Привлекая команды к ответственности за результаты, ведущие организации поддерживают темп и быстро адаптируются при необходимости, в то время как отстающие фокусируются исключительно на показателях внедрения, которые сами по себе мало коррелируют с производительностью. По мере развития инструментов и расширения их возможностей (например, генерации кода из проектной документации) будут развиваться и «золотые» показатели эффективности, что заставит организации быть гибкими и адаптивными. «Слишком часто компании измеряют влияние ИИ, подсчитывая объем созданного кода, а не то, чего этот код достигает», — говорит Тарик Шаукат, генеральный директор Sonar, разработчика инструментов и решений для анализа качества кода. «Количество строк кода или процент вклада ИИ не показывают, является ли результат безопасным, удобным для сопровождения или даже полезным. Реальный прогресс достигается за счет отслеживания того, как эти инструменты помогают командам выпускать более качественное и надежное программное обеспечение, а не просто его большее количество».

Эффективная оценка влияния ИИ. Три шага помогут создать надежную систему измерения:

• Выберите значимые метрики. Определите наиболее важные результаты, такие как сокращение циклов разработки, повышение качества релизов и улучшение удовлетворенности клиентов. Избегайте слабых косвенных показателей, таких как процент кода, сгенерированного ИИ, которые мало что говорят о реальной производительности. Наложите метрики результатов (такие как производительность, скорость и качество) на входные метрики (такие как внедрение функций ИИ или обнаружение дефектов), чтобы нормализовать влияние прогресса во времени.
• Создайте интегрированную систему отслеживания. Объедините данные из инструментов планирования, репозиториев кода и журналов использования ИИ, чтобы создать согласованное представление о производительности. Интегрированное отслеживание помогает выявлять узкие места в жизненном цикле разработки и гарантирует, что команды продвигаются к достижению бизнес-целей.
• Регулярно предоставляйте аналитические данные. Постоянно делитесь результатами с руководителями продуктового, инженерного и бизнес-подразделений. Регулярная отчетность позволяет выявлять успехи, заблаговременно обнаруживать проблемы и скоординированно корректировать курс.

3. Управление изменениями: Согласуйте систему поощрений с моделями поведения, реализуемыми с помощью ИИ, которые обеспечивают достижение результатов.

Лучшие компании напрямую интегрируют внедрение ИИ в оценку эффективности работы. Почти восемь из десяти связывают цели, связанные с ИИ, как с оценками менеджеров по продуктам, так и с оценками разработчиков, по сравнению с всего 10% компаний с самыми низкими показателями для разработчиков и ни одного для менеджеров по продуктам. Согласовывая индивидуальные цели со стратегией организации в области ИИ, компании создают подотчетность и поощряют сотрудников интегрировать ИИ в свои повседневные рабочие процессы.

Ведущие организации сосредотачивают систему поощрений на поведении, которое приводит к результатам, а не просто на использовании. Цели формулируются вокруг таких достижений, как выявление возможностей автоматизации, повышение скорости работы за счет тестирования с использованием ИИ или повышение качества с помощью анализа кода с помощью моделей. Эти основанные на поведении показатели создают основу для достижения результатов, избегая при этом ловушки оценки отдельных лиц по результатам, которые они не могут полностью контролировать.

Высокоэффективные компании также ожидают от команд связи своей работы с использованием ИИ с более широкими результатами, такими как производительность, качество или клиентский опыт. Это повышает осведомленность о влиянии без привязки вознаграждения к показателям, не зависящим от индивидуальных действий. Внедрение этих ожиданий в системы оценки эффективности выводит компании за рамки разовых требований, превращая внедрение ИИ в устойчивую организационную возможность, которая постоянно стимулирует инновации и измеримую ценность.

Движение к подлинной ценности, создаваемой искусственным интеллектом.

За последние пару лет многие предприятия на собственном опыте убедились, что для получения реального финансового эффекта от внедрения ИИ в разработку программных продуктов организациям необходимо кардинально изменить свою операционную модель, внедрив новые важные практики и инструменты. Эта гибкость и способность к адаптации крайне важны, учитывая стремительное развитие экосистемы ИИ-программирования: новые инструменты появляются каждые несколько месяцев, а интеллектуальные модели быстро совершенствуются. 

Однако чистый интеллект — это лишь часть истории. Инструменты становятся все более мощными по мере их распространения по всему жизненному циклу разработки программного обеспечения. Благодаря более эффективной координации и более тесной системной интеграции они переходят от простых инструментов автозаполнения к гибридным, основанным на логическом мышлении агентам, которые могут планировать задачи, вызывать внешние инструменты и даже автоматически имитировать пользовательское тестирование с помощью браузера, и все это при поддержке более глубокого контекста.

Организации, стремящиеся идти в ногу с этими достижениями, должны также начать переосмысливать структуры и практики, необходимые для максимизации их воздействия; внедрение устойчивых организационных изменений не происходит в одночасье, даже несмотря на стремительное развитие инструментов ИИ. Программные компании, лидирующие в использовании ИИ для достижения реальных результатов, применяют смелые, комплексные решения, рассматривая ИИ как катализатор трансформации всего процесса разработки. 

В дополнение к практикам и инструментам, описанным в этой статье, эти лидеры обычно следуют трем основным шагам: 

• они ставят амбициозные цели, которые объединяют руководство и заряжают энергией организацию; 
• они разрабатывают целостный план будущей операционной модели, протестированный и доработанный в соответствии с контекстом организации; 
• они создают подробную дорожную карту, которая переопределяет структуры команд, рабочие процессы, метрики и стимулы для повышения производительности в масштабе. 

Только стратегический и всесторонний подход к ИИ позволяет командам разработчиков программного обеспечения в полной мере использовать его потенциал как движущую силу инноваций, эффективности и создания ценности в разработке программного обеспечения.

Источник

Раскрытие потенциала ИИ в разработке программного обеспечения. 3 ноября 2025 г. Статья
Шарлотта Релиа, Мартин Харриссон, Нандита Ботра, Наташа Маниар, Мэтт Линдерман, Хосе Марио Пена.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/unlocking-the-value-of-ai-in-software-development

Unlocking the value of AI in software development. November 3, 2025