Эффекты от внедрения ИИ

Лишь немногие команды разработчиков программного обеспечения видят реальный эффект от внедрения ИИ. Ключевым моментом является запуск комплексной модернизации всей системы разработки продукта с использованием ИИ, а не просто внедрение новых инструментов.

• Искусственный интеллект и агенты ускоряют разработку продуктов и программного обеспечения, но результаты в масштабах всего предприятия остаются неравномерными.
• Некоторые организации добиваются значительных успехов, получая двукратное повышение производительности труда значительной части команд, в то время как другие видят незначительный эффект или даже отрицательную отдачу.
• В организациях, стремящихся к прогрессу, выявились четыре общие темы: они перестраивают операционные модели и процессы, пересматривают роли и обязанности, создают механизмы проверки и внедряют ИИ-операции, которые соответствуют ускоренному темпу работы, а также активно управляют изменениями и инвестируют в них.
• Организации, которые откладывают переход от экспериментального подхода к ИИ, рискуют еще больше отстать, учитывая рост затрат на ИИ, усиление конкурентного давления и тот факт, что многие компании уже работают в значительно ускоренном режиме круглосуточной работы с привлечением агентов.

С тех пор как в последние годы компании-разработчики программного обеспечения начали внедрять ИИ, влияние этой технологии стало поразительным — и неравномерным. По мере того, как все больше предприятий внедряют ИИ в разработку программного обеспечения и продуктов , разрыв в результатах применения ИИ быстро увеличивается. В то время как некоторые организации создают «фабрики агентов», которые круглосуточно выпускают код, большинству организаций еще предстоит добиться существенного повышения производительности.

В нашем недавнем опросе 334 руководителей продуктовых и инженерных подразделений только 25% респондентов, занимающих руководящие должности, сообщают о значительном (или максимальном) ускорении внедрения ИИ, которое мы определяем как двукратное или более значительное повышение производительности более чем четверти их команд. Вызывает беспокойство тот факт, что 30% сообщили о снижении производительности команд.

Этот разрыв подчеркивает проблему, с которой сталкиваются организации, занимающиеся разработкой программного обеспечения при внедрении ИИ. Технология не является определяющим фактором. Лидеров отличает то, насколько эффективно они адаптируют сквозные рабочие процессы, роли, системы контроля и управление изменениями к агентному жизненному циклу разработки продукта (PDLC - product development life cycle).

Устранение этого разрыва открывает возможности на сумму почти в триллион долларов. Около 80% опрошенных нами инженеров-программистов сообщают о среднем ускорении производительности ИИ примерно на 3%. 20% лучших инженеров прогнозируют рост производительности ИИ в среднем на 55%. Если организациям удастся убедить примерно 30 миллионов инженеров по всему миру.

Что требуется для успеха агентного PDLC

При изучении организаций, опережающих конкурентов в интеграции ИИ в жизненный цикл разработки продукта, и того, что отличает их от других, выявились четыре основные темы.

Во-первых, они переосмысливают сквозные процессы и рабочие потоки, а не просто внедряют инструменты ИИ в существующие методы работы. 

Во-вторых, они меняют структуру команд, должностные роли и обязанности, чтобы сосредоточиться на человеческом суждении и замысле продукта. 

В-третьих, они создают системы верификации, контроля и измерения, которые могут идти в ногу с новыми и более быстрыми методами работы. 

Наконец, они вкладывают значительные средства в повышение квалификации персонала для стимулирования изменений и внедрения. 

Короче говоря, они используют ИИ для перепроектирования всей системы разработки продукта — и это приносит свои плоды.

Переосмысление сквозных процессов и рабочих потоков.

Согласно опросу респондентов, сообщивших о двукратном увеличении производительности хотя бы одной из своих команд, перепроектирование рабочих процессов было определено как один из двух главных факторов, способствующих внедрению ИИ.

Результаты опроса:

• Переработка рабочих процессов - 56%.
• Культура экспериментирования - 48%.
• Внедрение инструментов (масштабное развертывание) - 33%.
• Управление изменениями - 18%.
• Изменения в структуре команд - 13%.

93% ведущих компаний, занимающихся ускорением процессов (те респонденты, которые сообщили о двукратном или более значительном увеличении производительности более чем четверти своих команд), внедрили ИИ в свои рабочие процессы. Способ внедрения ИИ имел не меньшее значение: респонденты из организаций, которые перепроектировали процессы до внедрения технологии, более чем в два раза чаще сообщали о повышении производительности более чем на 20%, чем те, кто интегрировал ИИ в существующие методы работы. Напротив, организации, которые активно внедряют ИИ и следуют большинству передовых практик (включая цели, связанные с ИИ, в оценке эффективности работы и внедрение эффективных программ коучинга), но не могут комплексно перестроить рабочие процессы вокруг ИИ, как правило, упускают возможность добиться значимого результата.

Руководители компаний-разработчиков программного обеспечения утверждают, что перепроектирование рабочих процессов с использованием ИИ позволило их командам значительно повысить производительность.

Именно такой подход, ориентированный на перепроектирование сквозных рабочих процессов, а не на автоматизацию отдельных задач или чрезмерное акцентирование внимания на технологическом стеке, отличал лучшие акселераторы. Они подошли к вопросу о том, как должна выполняться работа, с чистого листа, задаваясь вопросом, что должно управляться людьми, а что — искусственным интеллектом, рефакторизировали свои программные продукты, а затем развернули агентов для обеспечения работы перепроектированных процессов.

Эти изменения становятся все более важными по мере развития и асинхронности разработки продуктов. Агенты работают независимо круглосуточно, поэтому процесс больше не должен проходить через линейную цепочку передачи задач от человека к человеку. Они могут продвигаться вперед во время «ночной смены», в то время как люди сосредотачиваются на проверке и принятии важных решений днем. Это новый способ работы, мало похожий на гибкие методологии Scrum прошлого. Простое ускорение существующих циклов не принесет существенных изменений. Чтобы идти в ногу со временем, руководителям необходимо перепроектировать методы работы, ориентируясь на асинхронное выполнение задач, управляемое агентами .

Компания Sonar, лидер в области инструментов проверки кода, применила этот подход, перестроив свой путь от анализа продукта до выпуска кода. Три ведущие команды внедрили агентов на этапах исследования, генерации идей, определения бэклога, кодирования, тестирования и исправления ошибок. Они синтезировали сигналы от клиентов и рынка, превращали результаты анализа в задачи Jira, генерировали тесты и код, а также доводили отчет об ошибке до черновика запроса на слияние. В результате продолжительность цикла запроса на слияние сократилась в 3,4 раза, пропускная способность запросов на слияние увеличилась в 2,2 раза, а производительность процессов сборки повысилась на 50–80%.

Изменение ролей в контексте человеческого суждения и намерений, связанных с продуктом.

Хотя перепроектирование процессов важно, именно перепроектирование ролей часто отличает лучшие акселераторы. Ведущие компании-разработчики программного обеспечения, как правило, трансформируют команды, роли, передачу задач и права принятия решений в отношении ИИ, прежде чем корректировать модели штатного расписания или перераспределять ресурсы.

Данные опроса подтверждают, что одних лишь изменений в рабочих процессах и интеграции инструментов недостаточно. Организации, которые внедрили ИИ, не меняя роли или методы работы (мы называем их «пользователями»), становились лидерами в 27% случаев. Те, кто внедрил некоторые инструменты ИИ, но не интегрировал их в рабочий процесс (мы называем их «экспериментаторами»), достигали этого показателя лишь в 17% случаев. Напротив, команды, которые внедрили ИИ и перепроектировали роли и работу (мы называем их «трансформаторами»), становились лидерами в 40% случаев. Изменение ролей — недооцененный рычаг. Члены команды больше ценят перестройку процессов и инструментов, но влияние, как правило, минимально, если не меняются и обязанности людей.

Меняется то, на что люди тратят время. По мере того, как ИИ и агенты берут на себя все больше рутинной, ориентированной на выполнение работы, человеческое суждение продолжает приобретать все большее значение. Командам необходимо переводить замысел продукта в исполняемые инструкции: требования, связанные с телеметрией, критерии приемки, определения готовности, ограничения на то, что могут изменять агенты, и четкую маршрутизацию к нужному рецензенту, тестировщику или контролирующему звену. Это важно, потому что в жизненном цикле разработки продукта с поддержкой ИИ неопределенность распространяется быстрее и может нанести больший ущерб: расплывчатое требование, не связанное с телеметрией, может генерировать правдоподобные, но неверные задачи, прототипы, тесты и код, прежде чем кто-либо это заметит. Спецификации и требования должны быть достаточно ясными и подробными, чтобы агент мог действовать в соответствии с ними, инженер мог оспаривать их, набор тестов мог проверять, а рецензент мог выносить суждения. Нарративы, которые опытный инженер интерпретирует в ходе разговоров и неявного контекста, могут больше не выполнять свою работу. В этой новой модели люди тратят меньше времени на самостоятельное создание каждого артефакта и больше времени на определение направления, принятие компромиссов, проверку результатов и анализ важных решений.

Эти изменения уже происходят. Менеджеры по продуктам в ведущих быстрорастущих организациях сообщают о сокращении времени, затрачиваемого на выполнение задач, на 24%, по сравнению с сокращением времени, затрачиваемого на стратегическую деятельность, на 18%. Для разработчиков разница еще более существенна: они сообщают о сокращении времени, затрачиваемого на выполнение задач, на 19% против всего 6% на стратегическую деятельность. По мере того, как ИИ поглощает рутинную работу по составлению, переводу, тестированию и документированию, человеческий труд перемещается на более высокий уровень.

Меняется и сам процесс формирования команд. В ведущих быстрорастущих организациях 79% респондентов отмечают уменьшение численности команд после внедрения ИИ, при этом средний размер команды сократился примерно с десяти до семи человек. Вероятно, это сокращение продолжится, создавая ценность за счет уменьшения передач задач, расширения ответственности и приближения процессов проверки, контроля качества, безопасности и операционной деятельности к процессу разработки. Почти 20% респондентов, занимающих руководящие должности в ведущих быстрорастущих организациях, уже работают в командах от одного до четырех человек. Всё чаще встречаются небольшие, более автономные команды.

Наконец, меняется и само определение ролей. В ведущих организациях, занимающихся ускоренным развитием технологий, большинство респондентов сообщают об изменениях, вызванных ИИ, в таких областях, как разработка программного обеспечения (93%), управление продуктами (84%), дизайн (53%) и обеспечение качества (53%). Выделяются три основных сдвига. Во-первых, повторяющаяся работа переходит от людей к агентам: документирование, генерация тестов, создание черновых вариантов и другие рутинные результаты. В ведущих акселераторах ИИ сократил время, которое разработчики тратят на написание кода, примерно на 20%, а на документирование — еще больше. Во-вторых, роли расширяются, поскольку отдельные лица берут на себя большую часть пути от замысла до выпуска и запуска. Например, инженеры все чаще переходят от проектирования решений, определения требований и обеспечения безопасности к развертыванию и эксплуатации. Во-третьих, происходит слияние ролей. Разработка продукта и проектирование сближаются для уточнения определений продукта, в то время как тестирование разделяется между агентами, которые автоматизируют его, и инженерами, которые берут на себя оставшуюся часть работы; в результате организации могут консолидировать некоторые специализированные виды деятельности по обеспечению качества. В совокупности эти изменения указывают на более широкие архетипы ролей: разработчики, которые объединяют разработку продукта и проектирование, и создатели, которые объединяют разработку, тестирование и эксплуатацию.

Эти изменения указывают на дальнейшее развитие проектирования ролей: ведущие организации начинают определять роли не только для людей, но и для агентов. Поскольку агенты выполняют всё большую часть спринтов и рабочих процессов, эти организации наделяют агентов чётко определёнными полномочиями, разрешениями, путями эскалации и ответственностью. Вместо организационной структуры, основанной на человеческом факторе, единицей проектирования всё чаще становится смешанная система людей и агентов , каждый из которых имеет определённые обязанности, организованная вокруг перепроектированного рабочего процесса.

Одна глобальная технологическая компания демонстрирует, как этот новый подход может работать на практике. Она перестроила свои команды в небольшие группы, сократив численность продуктовых групп с восьми-десяти человек до четырех-шести человек в агентских командах, где менеджеры по продукту отвечают за определение задач, разработчики — за разработку, а агенты — за задачи исследования, внедрения и запуска. Результат: не только меньшие по численности группы позволили примерно вдвое увеличить производительность и сократить циклы разработки на 50-80%, но и качество пользовательских историй — измеренное с помощью искусственного интеллекта, обученного на стандартах компании, — повысилось более чем на 45%.

Создание систем проверки, контроля и измерения, способных работать в условиях ускоренного темпа.

Поскольку искусственный интеллект ускоряет создание программного обеспечения, командам может быть сложнее надежно тестировать или контролировать результаты своей работы, что повышает риск возникновения пробелов в мониторинге. В мире, где доминируют агенты, организациям необходимы инструменты проверки и мониторинга, способные идти в ногу с новым темпом работы.

Наше исследование подчеркивает этот риск: скорость улучшается быстрее, чем качество. В различных сценариях использования, составляющих жизненный цикл разработки программного обеспечения (разработка, исследование потребностей клиентов и т. д.), респонденты сообщают о средней экономии времени в 11,8% и среднем сокращении доработок на 6,2%; разрыв еще больше в разработке, где экономия времени в среднем составляет 11,2%, а сокращение доработок — 6,8%. Если руководители ставят во главу угла скорость без достаточной прозрачности, они могут накапливать технический долг быстрее, чем команды смогут его погасить.

Внешние данные указывают в аналогичном направлении. В исследовании Доры, проведенном в 2025 году, ИИ описывается как усилитель базовой системы доставки программного обеспечения, имеющий как положительные, так и отрицательные стороны. Исследование Veracode, посвященное безопасности кода с использованием ИИ в 2025 году, показало, что 45% протестированных образцов кода, сгенерированных ИИ, не прошли проверку безопасности. Компания GitClear сообщила о резком увеличении количества дублированного кода в репозиториях, использующих функции искусственного интеллекта. Опрос Stack Overflow, проведенный в 2025 году, показал, что больше разработчиков не доверяют точности ИИ, чем доверяют ей: лишь 3,1% выразили высокое доверие к результатам работы ИИ.

Руководители понимают, что ускорение генерации повышает стандарты верификации, которые должны быть заложены в рабочий процесс, поддерживаемый ИИ. Они используют специализированные инструменты ИИ для проверки работы, которую ускоряют решения для кодирования и разработки на основе ИИ. Эти агенты генерируют тесты и сканирования безопасности, сравнивают результаты с требованиями, выявляют недостающие критерии приемки, определяют вероятные дефекты и предлагают исправления. Такие проверки интегрируются в обычный процесс выпуска, обеспечивая возможность аудита и отслеживаемость, а не становясь отдельным уровнем деятельности ИИ, который команды оценивают постфактум.

Искусственный интеллект может выявить больше проблем, чем команды могут решить, поэтому высокоэффективные организации проводят сортировку по риску и ценности. Руководители определяют, какие проблемы агенты могут исправить автоматически, какие проблемы — включая, в некоторых случаях, поведение агентов — требуют экспертной оценки, а какие проблемы следует остановить при выпуске продукта. Низкорисковые, повторяющиеся исправления можно обрабатывать с помощью автоматизации и помощи агентов. Более рискованные изменения, включая поведение клиентов, регулируемые данные, код, чувствительный к безопасности, изменения архитектуры и критические зависимости, должны требовать более веских доказательств и ответственной человеческой проверки.

Еще одним ключевым элементом является общий уровень управления операциями ИИ (AI Ops). Поскольку агенты перемещаются между задачами, репозиториями, наборами тестов, конвейерами развертывания и системами мониторинга, организациям необходимы общие средства контроля для идентификации, разрешений, доступа к инструментам, маршрутизации, оценки, ведения журналов, эскалации, обеспечения соблюдения политик и прозрачности затрат. Без этого становится сложно безопасно отслеживать и масштабировать деятельность агентов.

Результаты опроса показывают, что это имеет большое значение: многие респонденты сообщают, что в их организации есть возможности для управления операциями с использованием ИИ, но большинство из них не обеспечивают достаточного количества персонала, а ключевые решения принимаются отдельными командами на основе импровизации. Группа организаций, демонстрирующих лучшие результаты, вкладывает больше средств, рассматривая координацию и оценку как основополагающие элементы. Среди организаций, обладающих возможностями управления операциями с использованием ИИ, респонденты из тех, кто имеет пять и более задач (таких как установленные стандарты управления и мониторинг производительности агентов и платформы), сообщают о более значительном положительном влиянии на качество и экономию времени, чем те, у кого меньше задач.

Один из игроков рынка розничной торговли товарами повседневного спроса разработал уровень управления, соответствующий его новой скорости. Поскольку ИИ ускорил генерацию кода и тестов, ритейлер интегрировал верификацию непосредственно в процесс доставки, стандартизировав CI/CD (непрерывную интеграцию и непрерывную доставку) и DevSecOps (разработку, безопасность и эксплуатацию), чтобы проверка покрытия кода, стандартов разработки и готовности к выпуску осуществлялась автоматически, а не проверялась постфактум, и используя агенты для генерации тестов. Лидеры достигли увеличения скорости до 30% и сообщили о 50% снижении трудозатрат на устранение дефектов, демонстрируя, как интегрированная верификация и управление позволяют масштабировать работу быстрее без дополнительных рисков.

Вложение значительных средств в развитие искусственного интеллекта.

Большинство компаний, занимающихся разработкой программного обеспечения, понимают, что управление изменениями необходимо для получения существенной выгоды от использования ИИ, но лишь немногие в полной мере определили, что именно требуется для осуществления этого масштабного организационного сдвига.

Практическое обучение и коучинг доказали свою важность. Встроенный коучинг примерно на 30% чаще встречается в организациях с высоким темпом развития, чем в организациях с низким темпом. Команды могут испытывать трудности с освоением нюансов агентного жизненного цикла разработки программного обеспечения (PDLC) и того, что от них ожидается в абстрактном плане. Они учатся на практике, переписывая требования, анализируя результаты, сгенерированные ИИ, принимая решения о необходимости эскалации и изменяя процедуры выпуска релизов с помощью эксперта, достаточно близко расположенного к ним для консультаций. Обучение также должно быть сосредоточено на целых рабочих процессах, а не на отдельных ролях , с четким указанием того, какие шаги в процессе теперь поддерживаются ИИ, какие решения и результаты требуют участия человека и какие показатели будут отслеживаться.

Зачастую это означает, что опытные инженеры и тренеры по искусственному интеллекту должны достаточно долго работать в командах, чтобы изменить привычки. Они помогают командам адаптировать рабочие процессы, настраивать агентов и взаимодействовать с ними, анализировать результаты и корректировать процедуры. Модель смещается от разового обучения к непрерывному, интегрированному коучингу, который может масштабироваться.

Организации, лидирующие в развитии, также предоставляют командам возможности для практики. Нехватка времени на обучение и эксперименты является одним из главных препятствий на пути к реализации потенциала ИИ, о чем заявили около 38% респондентов опроса. Командам необходима защита, запланированные блоки для адаптации рабочих процессов, а также возможность тестировать новые алгоритмы, поддерживаемые агентами, повышать уверенность в проверке и систематизировать то, что работает.

Потребности в измерении также меняются. Многие организации по-прежнему полагаются на показатели внедрения, такие как количество лицензий, число ежедневно активных пользователей, объем запросов или доля кода, сгенерированного ИИ. Эти показатели демонстрируют, используют ли люди инструменты, а не то, быстрее ли, надежнее ли, безопаснее ли релизы или ценнее ли они. Организации с самым высоким темпом развития гораздо чаще измеряют качество, время выхода на рынок, безопасность, надежность, стоимость, опыт сотрудников и влияние на клиентов. Восемьдесят шесть процентов таких организаций отслеживают показатели результатов, такие как качество, производительность и скорость, в то время как организации с низким темпом развития непропорционально часто полагаются на внедрение инструментов как на свой ориентир.

Наконец, управление изменениями должно выходить за рамки команд и распространяться на руководителей, которые управляют организацией и распределяют ресурсы. По мере того, как агенты берут на себя все больше работы, расходы на токены, вычислительные ресурсы, инфраструктуру и операции с ИИ могут возрасти до 20% от существующих затрат на оплату труда. Поэтому руководителям необходимо планировать мощности, инфраструктуру и капитал в области ИИ с той же дисциплиной, которую они применяют к управлению талантами. Организации, которые добиваются успеха, — это те, которые обеспечивают поддержку, практику, измерение, финансирование и безопасное масштабирование внедрения ИИ.

Один из глобальных банков на собственном опыте убедился, насколько большую разницу может внести такой комплексный подход. После того, как первоначальное внедрение системы совместного пилота принесло лишь 10-15-процентное повышение производительности и ограниченную новую ценность, банк разработал структурированную программу изменений, основанную на включении опытных инженеров по искусственному интеллекту в команды разработчиков: ведущие и выдающиеся инженеры стали тренерами, опытные специалисты были направлены в команды для перестройки методов работы изнутри, а целевые показатели скорости и производительности были включены в цели и ключевые результаты команд. Команды, работавшие в рамках программы, добились существенных изменений в операционной модели, таких как переход к ежедневным спринтам с ночными сменами операторов. Команды достигли повышения эффективности на 40-80 процентов, при этом один из процессов модернизации устаревших систем сократил время исправления ошибок с нескольких дней до нескольких минут.

Что могут предпринять руководители организаций дальше?

Команды разработчиков программного обеспечения, стремящиеся достичь такого же эффекта от использования ИИ, как и их превосходящие конкуренты, могут рассмотреть следующие шаги, отслеживая при этом свой прогресс по включенным в список показателям.

Сосредоточьтесь на наиболее ценных рабочих процессах. Организации могут выбрать наиболее ценные бизнес-процессы и перепроектировать их от начала до конца, сопоставив каждый из них от запуска до результата: решения, роли, передачи, контрольные точки, телеметрию и обратную связь от клиентов, которые определяют, будет ли раскрыта ценность. Это позволит избежать автоматизации отдельных фрагментов, в то время как сквозной процесс останется медленным или неясным.

Показатель прогресса: вы поймете, что все работает, когда редизайн начнет самоокупаться — целые категории ручной работы (первичное исследование рынка, написание тестов, отчеты о состоянии) будут автоматизированы, а не просто ускорены, и высвобожденные ресурсы покроют затраты на токены и обучение, необходимые для внедрения изменений.

Необходимо пересмотреть роли как для людей, так и для агентов. Поскольку агенты берут на себя все больше задач по составлению, переводу, тестированию и исправлению ошибок, организации могут предоставить им более четкие роли, одновременно ясно разграничивая обязанности людей. Многие роли могут расшириться, при этом инженеры будут отвечать за большую часть пути от проектирования до выпуска, в то время как специалисты по продукту, дизайну и аналитике будут стремиться к более четким определениям и проверке результатов.

Показатель прогресса: вы поймете, что все работает, когда изменится как минимум 70% должностных инструкций (новые роли, новые названия и новые люди на этих должностях), а численность команд сократится до двух-четырех человек, работающих вместе с агентами.

Повышение стандартов. Команды могут перейти к тестируемым спецификациям, которые связывают проблему клиента, результат, ограничения, критерии приемки, риски, ограничения выпуска и показатели успеха. Спецификации должны быть пригодны для использования агентом, инженером, набором тестов и рецензентом продукта; в противном случае организация будет генерировать работу быстрее, чем сможет оценить и проверить ее.

Контрольная точка: Вы считаетесь выполнившим требования, когда их можно передать агенту, и результат будет близок к готовности к выпуску. Это означает, что намерение достаточно четко сформулировано, чтобы агент мог действовать в соответствии с ним, набор тестов мог его проверить, а рецензент мог оценить его без последующего обсуждения.

Создание системы верификации и общего уровня управления ИИ. Внедрение верификации в рабочие процессы — когда агенты генерируют тесты и сканирования, проверяют результаты на соответствие требованиям — и запуск всего этого на единой управляющей плоскости, вместо того чтобы каждая команда создавала свою собственную, может существенно изменить ситуацию. Это может включать в себя все: от идентификации, разрешений, доступа к инструментам и маршрутизации до оценки, логирования, эскалации, обеспечения соблюдения политик и прозрачности затрат. Цель состоит в том, чтобы сделать работу агентов наблюдаемой, сопоставимой и безопасной для масштабирования.

Показатель прогресса: Эффективная система может быть создана, если агенты могут работать в разных командах, использовать разные инструменты и источники знаний без необходимости создания собственной инфраструктуры, а руководители могут отслеживать активность агентов, затраты, риски и результаты через единую панель управления.

Внедрение следует рассматривать как программу изменений. Крайне важно сочетать формальное обучение под руководством инструктора с практиками, которые отличают лучшие акселераторы от остальных: коучинг, демонстрационные сессии, консультации, поощрения и наглядное моделирование поведения.

Показатель прогресса: Вы можете знать, что все работает, когда организация выглядит и ощущается заметно иначе: например, 90% команд, состоящих из людей и агентов, работают круглосуточно, проводят двухдневные (а не двухнедельные) спринты, и 100% команд отслеживают показатели результатов.

* * *

Искусственный интеллект кардинально меняет разработку продуктов и программного обеспечения. Он сокращает путь от сигнала клиента до принятия решения о продукте, от требований до кода, от дефекта до исправления и от выпуска до измеримого результата. Возможности огромны, и ведущие организации уже получают от этого непропорционально большую выгоду. Они делают это, запуская перепроектирование всей системы разработки продуктов с помощью ИИ, а не просто внедряя новые инструменты и указывая командам, как их использовать и интегрировать. Для остальных приоритетом сейчас является масштабирование ИИ во всех аспектах их организации, занимающейся разработкой программного обеспечения, достаточно быстро, чтобы этот разрыв в производительности не усугубился. Те, кто просто продолжает добавлять новые инструменты к старым процедурам, с большей вероятностью обнаружат, что отдача от ИИ остается ограниченной.

Источник

Выходя за рамки роли "второго пилота"": масштабирование жизненного цикла разработки агентных продуктов. 1 августа 2026 г. Шарлотта Релиа; Мартин Харриссон; Мэтт Линдерман; Прахар Диксит.

Beyond the copilot: Scaling the agentic product development life cycle

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/beyond-the-copilot-scaling-the-agentic-product-development-life-cycle