Сбер представил новую редакцию AI-Disrupt PDLC — методологии, посвящённой трансформации процессов разработки и управления бизнесом в условиях стремительного развития искусственного интеллекта. Обновлённый документ развивает подход, при котором человек определяет цели и правила работы, а исполнение задач берет на себя ИИ.
О ключевых изменениях в стратегии на международной промышленной выставке «Иннопром» рассказал старший вице-президент и руководитель блока «Технологии» Сбербанка Кирилл Меньшов.
Новая версия руководства предлагает по-новому взглянуть на жизненный цикл разработки. В центре внимания находятся три основных элемента: ИИ-агенты, интегрированная среда выполнения задач и подход к разработке на основе спецификаций. В документе подчёркивается, что решающую роль играет не сама модель искусственного интеллекта, а среда, в которой она работает. За человеком сохраняются постановка задач, формирование правил управления процессом и оценка конечного результата, тогда как агент реализует поставленные цели в рамках заданных условий.
Авторы также проводят параллели с Agile-подходом, отмечая его дальнейшую эволюцию. В частности, сохраняются компактные команды и двухконтурная модель работы, однако ИИ-агенты получают возможность самостоятельно искать оптимальные способы решения поставленных задач. Кроме того, в обновлённое руководство включены вопросы управления затратами на ИИ и организации его промышленного применения.
По словам Кирилла Меньшова, в будущем наибольшего успеха смогут добиться компании, которые сумеют сформировать зрелую культуру использования искусственного интеллекта, перестроить внутренние процессы и одновременно сохранить человеческую экспертизу. Он отметил, что развитие агентной разработки может стать важным фактором укрепления технологической независимости страны и повышения её конкурентоспособности на мировом рынке.
Среда выполнения важнее самой модели
Согласно исследованиям, на эффективность работы с ИИ существенно влияет именно среда выполнения агентов. Разница в результативности одного и того же специалиста, использующего одинаковую нейросеть, может достигать 22 процентных пунктов в зависимости от условий работы системы. При этом различия между лучшими и худшими моделями на одинаковых задачах обычно не превышают 1–3 процентных пункта.
Этот вывод подтверждает, что долгосрочным активом становится так называемый agentic harness — инфраструктура и среда взаимодействия с агентами. Особенно это актуально на фоне быстрого появления новых моделей и их всё более узкой специализации.
Разработка через спецификации
Одним из центральных элементов AI-Disrupt PDLC остаётся методология Specification-Driven Development. Её задача — обеспечить максимально точное взаимодействие между человеком и ИИ.
В рамках такого подхода специалист формулирует бизнес-требования в виде подробной спецификации, после чего мультиагентная система помогает уточнить детали, проверить логическую согласованность и затем самостоятельно реализует решение — от написания кода до внедрения готового продукта.
Авторы методологии считают, что такой формат позволяет быстрее проверять продуктовые гипотезы и исключать из процесса действия, которые замедляют достижение бизнес-целей.
Компактные команды и двухконтурная модель
В обновлённой концепции предлагается использовать двухконтурную модель работы. Первый контур связан с намерением: человек исследует продукт, определяет задачи и оценивает результат. Второй контур отвечает за реализацию — здесь работают ИИ-агенты, которые генерируют код, тестируют решения и устраняют ошибки на основе подготовленных спецификаций.
Связующим элементом между этими процессами выступает единая платформа разработки, обеспечивающая сохранение контекста и соблюдение корпоративных стандартов.
В Сбере также прогнозируют распространение формата Tiny Teams — небольших команд численностью от трёх до шести человек. При этом функции накопления знаний, формирования общего контекста и поддержки практик будут сосредоточены в специальных командах сопровождения — Enabling Teams.
Предполагается, что благодаря агентным системам необходимость в крупных коллективах будет постепенно снижаться. Руководители смогут уделять больше внимания развитию продукта, а инженеры — координации работы ИИ-агентов, проектированию архитектуры и проверке итоговых решений. Такой подход позволит создавать больше небольших команд и сосредоточиться на точечном улучшении продуктов.