Применение ИИ в жизненном цикле разработки (AI SDLC)

Исследование имеет следующую структуру

1. Мировая практика: существующая и предстоящая трансформация SDLC под влиянием ИИ - здесь авторы провели мета-исследование, проанализировав отчеты других уважаемых ребят (приведу ссылки ниже при описании результатов)
2. AI в SDLC в России: ландшафт рынка, сервисы, практики и ожидания по развитию - здесь авторы проанализировали публичные сервисы, доступные на рынке Росии + проанализировали крупные анонсы от игроков, даже если сами решения еще не доступны для широкого круга пользователей
3. Взгляд технологических лидеров на AI в SDLC: результаты интервью СТО / CIO и руководителей по разработке крупных компаний - здесь авторы взяли интервью с 50+ уважаемых людей в индустрии (списка этих людей я в отчете не нашел, но поверим на слово)
4. Прогнозы, выводы и рекомендации о возможностях и рисках, с которыми связано использованием AI в SDLC - мнение авторов о том, как дальше будет развиваться AI и как его интегрировать в разработку

Общемировая практика

• Рынку AI-инструментов для разработки : $6,9 млрд → $29,6 млрд к 2032 (х4). Наибольший эффект на этапах разработки и тестирования. Источник Spherical Insights
• 62% разработчиков уже используют ИИ; ещё 13,8% — в планах (по данным 2024 года). Менеджеры оценивают проникновение ниже, но тренд ускоряется. Источник StackOverflow 2024 (его разбор есть на сайте)
• Ценность смещается от личной эффективности (быстрее пишет код) к командной: сейчас +10% к скорости кодинга, в горизонте нескольких лет +25–30% к продуктивности команд при работе "ИИ-на-уровне-команд" (чтобы это ни значило). Источник Mia Platform
• Ускорение SDLC: уже 15–20% сейчас (источник: Forrester), потенциал 30–50% на среднесрочном горизонте (источник: medium статья от Сатиш Рама, Director Gen AI @ Paypal)
• Горизонт трансформации процессов - 1–3 года; у 32% техлидеров фактический эффект уже превзошёл ожидания (Источник: MIT, но конкретной ссылки на статью нет)

Отдельно авторы упоминают про исследование METR, где на сложных задачах/репозиториях ИИ может замедлять работу опытных инженеров. Разбор тоже есть на сайте, но если кратко, то видно, что само исследование задизайнено под конкретный результат + представляет очень узкий кейс.

Интересно, что авторы исследования нашли модель зрелости от министерства DEFRA правительства Великобритании "The AI-Powered SDLC: A Comprehensive Technical and Cultural Maturity Assessment Framework". Изначально не ясно как ведомство, отвечающее за охрану окружающей среды, продовльственную политику и развитие сельских регионов связано с цифровизацией, но если изучить вопрос, то ответ можно найти.

С середины 2010-х DEFRA стало одним из лидеров цифровой трансформации в британском госсекторе, во многом благодаря активному сотрудничеству с Government Digital Service (GDS) и Central Digital and Data Office (CDDO). У DEFRA тысячи источников данных (от спутников до фермерских отчетов) и огромное разнообразие пользователей. Поэтому именно здесь британское правительство активно тестирует свои AI/ML темы и агентские системы.

Если же говорить про риски AI, которые отмечают западные отчеты, то они такие

• Утечки кода/данных и проблемы с соблюдение требований комплаенса;
• Деградация компетенций инженеров и «слепое» доверие подсказкам;
• Рост техдолга и vendor lock‑in на провайдеров

В итоге, видно, что тема AI-фикации процессов разработки софта сейчас горяча как никогда. На Западе только ленивый не публикует свои отчеты/прогнозы/продукты/... и по большей части они сейчас в положительной тональности. Но многие отмечают, что скачок эффективности будет при переходе от личных копилотов к интеграции в процессы компаний.

На текущий момент в России проникновение ИИ в задачи разработчиков происходит темпами, сопоставимыми с мировыми. Однако, на российском рынке, в отличие от мирового, проблемы и вызовы изменения жизненного цикла разработки под влиянием ИИ только начинают входить в приоритеты и фокусы технологических лидеров и тимлидов. Эта цитата подкрепляется исследованием Руссофт от 2024 года, где опрос софтверных компаний показал, что 54,8% из них отметили, что они имеют экспертизу и опыт в области искусственного интеллекта и используют их в разработке новых заказных систем или собственных решений (эта чиселка отросла с 46,6% в 2023 году).

Авторы исследования дают оценку, что ИИ используют ~62% сотрудников ИТ‑команд (в 2 раза выше 2024), а к 2028 пороникновение будет ~98% (~3,22 млн пользователей). Я не смог источник, откуда взят этот прогноз (упоминается отчет Руссофта, приведенный выше, а также отчет T-Adviser про рынок труда).

Дальше авторы рассказывают про ландшафт AI инструментов в России и делятся оптимистичными цифрами

• Ассистенты разработчика: GigaCode (Сбер), Yandex Code Assistant / SourceCraft, МТС Kodify; DevSecOps: Safeliner (Т‑Банк)
• Публичные заявления о результатах применения этих инструментов навроде
  • GigaCode: до +28% к скорости разработки; −50% времени на регрессию; +30% скорость UI‑автотестов; 3× быстрее настройка конвейера; 2× быстрее онбординг DevOps;
  • 5× быстрее обработка ИБ‑уязвимостей в Safeliner от Т-Банка
  • Platform V Works (СберТех): −40% времени до прома в CI/CD; −50% времени на тестирование; +25% релизов; −20% трудозатрат
  • Альфа‑Банк: ИИ‑агенты‑тестировщики — −30% ошибок за счёт роста покрытия, до 70% быстрее генерация автотестов; масштаб на 60+ команд

Среди трендов авторы выделяют

• Встраивание AI в платформы разработки: IDE, CI/CD, DevSecOps и т.д
• Появление агентных сценариев - автогенерация тестов/кода, проведения код-ревью
• Изменение нормы эффективности и дальнейшее движение в стороны T‑shaped разработчиков

Интересно, что вызовами являются темы

• Измерений эффектов - меньше 25% компаний замеряют их, а те, кто измеряют ориентируются на TTM/Lead Time, дефекты на проде
• Регуляторика и риски качества недетерминированной работы LLM - ИБ/152‑ФЗ, качество LLM, контроль использования и «галлюцинаций»

Авторы исследования предлагают следующий план внедрения AI

• Выберите 1–2 узких сценария: юнит‑тесты, код‑ревью, ...
• Зафиксируйте базовые метрики: TTM, Lead Time, дефекты
• Примите политику ИБ: что можно/нельзя; on‑prem/cloud LLM для кода
• Встраивайте в платформу разработки/CI‑CD, а не кустарно сбоки
• Введите quality‑gate для AI‑кода% кодстайл, статанализ, обязательное ревью
• Создайте библиотеку промптов и обучите команду.
• Сравнивайте российские и зарубежные модели на своих задачах.
• Масштабируйте после 2–3 успешных пилотов с подтверждённым ROI.