State of DevOps Russia 2023

Методология

Отчёт State of DevOps Russia 2024 основан на масштабном опросе более 2037 специалистов, проведённом в России и странах СНГ в период февраль–апрель 2023.. Исследование носит одномоментный (поперечный) характер и отражает текущее состояние DevOps-практик в индустрии.

Формат исследования

• Кросс‑секционное (одноразовый срез) анкетирование за период февраль–апрель 2023.
• Объём выборки: 2037 специалистов и руководителей.

Набор респондентов

• Использована подход snowball sampling: распространение анкеты через e‑mail, соцсети и маркетинговые кампании, с просьбой делиться опросом дальше; стартовая аудитория — собственные и партнёрские контакт‑листы.

Представленность по географии

• Авторы отдельно проверяют релевантность для региона: только 3% указали, что находятся вне СНГ и работают на иностранную компанию — отчёт трактуется как отражающий ситуацию в России/СНГ.
• Юрисдикция работодателя: 86% зарегистрированы в РФ; 2,5% — в странах СНГ; 5,5% — вне СНГ; ещё часть — филиалы/дочки и фриланс.
• География респондентов: Москва и область 34,5%, Санкт‑Петербург и область 12%, Приволжье 12%, Сибирь 8%, прочие округа РФ — меньшими долями; 4% — СНГ (не РФ), 5% — вне СНГ.

Представленность по индустриям

• IT: 45,5%
• Финансы/банки/инвестиции: 15%
• Торговля: 6%
• Промышленность: 5%
• Телеком: 3%
• Госуслуги: 3%
• Энергетика/нефть и газ: 3%
• Прочее: 19,5%

Размер компаний и команд

• Размер компании: от 1–4 сотрудников (3%) до 10 000+ (17%); крупные сегменты — 100–499 (23,5%) и 500–1999 (18,5%).
• Размер команды: наиболее частые диапазоны — 4–6 человек (24%), 2–3 (18,5%), 10–15 (16%).
• Роль респондента: «специалист» 63,5%, тимлид 10%, руководитель группы/отдела 10,5%, руководитель департамента 8%, техлид 6%, директор/CEO 2%.

Как измеряли «эффективность DevOps»

• Использованы 4 «ключевые метрики» (по сути DORA‑семейство): частота развёртываний, срок поставки, время восстановления, доля неуспешных изменений.
• Для сегментации команд применён иерархический кластерный анализ (Ward); выбросы — по критерию Тьюки; далее из кластеров формируются профили эффективности (Elite/High/Medium/Low).

Результаты

1) Профили эффективности (DORA‑логика)

• Распределение команд по профилям: Elite 17%, High 45%, Medium 28%, Low 10%.
• Разрыв между «медианным» Elite и Low очень велик:
  • в 183 раза больше развёртываний ПО,
  • в 115 раз меньше срок поставки,
  • в 42 раза меньше время восстановления после инцидентов,
  • в 2 раза меньше неуспешных изменений.

2) Импортозамещение и «больные места» инструментов

• В 2022 году чаще всего замещали:
  • облачных провайдеров (37,5% отметили переход на аналоги),
  • конференц‑связь (36%),
  • операционные системы (28,5%).
• Категории, где чаще ощущают недостаток функций/качества:
  • серверное/сетевое оборудование — 27,5%,
  • информационная безопасность — 21,5%,
  • управление продуктами/проектами/задачами — 18,5%.

3) Инструменты и практики разработки/эксплуатации

• ОС на серверах (2023): Debian/Ubuntu 62%; Windows 2016/2019/2022 40%; Windows 2008/2012‑линейка 26,5%; Astra Linux 18,5%.
• План по российским ОС: 42% планируют начать/продолжить использование; лидер среди вариантов — Astra Linux (32%).
• Управление инфраструктурой: Ansible 59%, shell‑скрипты 55,5%, собственные скрипты/инструменты 50,5%, Terraform 37,5%.
• CI/CD: GitLab CI/CD 54,5%, Jenkins 31,5%; Argo CD 16,5% (рост с 5,5% до ~17% как маркер распространения GitOps); GitHub Actions 13,5%.
• Observability: Grafana 62,5%, Prometheus 53%, Elasticsearch/ELK 42,5%, VictoriaMetrics 24%, Grafana Loki 18,5%.

4) Kubernetes и оркестраторы

• Оркестраторы используют ~81% (19% не используют).
• Лидирует Kubernetes: 58% (рост с 54% в 2021).
• Самый частый сценарий — Managed Kubernetes: 33%.
• Российские Kubernetes‑дистрибутивы/платформы присутствуют, но пока нишево: например Deckhouse 6%.

5) Облака и задачи бизнеса

• 72% опрошенных компаний используют облака. По модели инфраструктуры: hybrid 31%, on‑prem 28%, one‑cloud 22%, multi‑cloud 19%.
• Задачи, которые бизнес считает актуальными сегодня:
  • хостинг веб‑приложений/e‑commerce 48%,
  • отказоустойчивость 46%,
  • управление контейнерными кластерами/Kubernetes 43%,
  • работа с данными и BI 41%,
  • Big Data 34%,
  • машинное обучение — 33%.
• PaaS‑сервисы, которые используют чаще всего: managed SQL 47%, managed‑оркестраторы 45%, CI/CD как сервис 26%, очереди 23%, мониторинг 22%, сервисы безопасности 20%.

6) Безопасность, нагрузка и дефицит компетенций

• Рост негативных событий по ИБ за год отметили 45% — безопасность становится заметным фактором нагрузки.
• Внутри компаний фиксируется дефицит знаний/опыта: Observability 31%, переход на аналоги инструментов 27%, ИБ 27%, DevSecOps 27%, SRE 26%.
• Командная нагрузка в 2022 году выросла у 63%.

Выводы

Что отчёт говорит про AI/ML (и что — не говорит)

• В данных отчёта AI/ML проявляется прежде всего как класс задач бизнеса: 33% называют «машинное обучение» актуальной задачей, а «данные/аналитика/BI» — 41%.
• При этом «готовая облачная поддержка ML» используется заметно реже: облачные сервисы для ML‑разработки — 6%, для распознавания речи — 3%. Это похоже на разрыв между интересом к ML‑кейсам и массовым потреблением специализированных managed‑ML сервисов.
• Отчёт не измеряет влияние генеративного AI (copilot‑инструменты, AIOps, LLM‑ассистенты) на скорость разработки/качество — такие вопросы в анкете явно не выделены.

Контекст, важный для внедрения AI в инженерных командах

• Инфраструктурная база для MLOps/AI‑платформ в целом выглядит «зрелой по компонентам»: широкое использование Kubernetes, CI/CD, IaC и observability. Это снижает порог для стандартизации пайплайнов (в т.ч. ML).
• Одновременно высоки риски/ограничения: рост ИБ‑инцидентов, дефицит компетенций в DevSecOps/Observability и импортозамещение критичных категорий. Для AI‑проектов это означает повышенную ценность security‑by‑design и наблюдаемости.

Ограничения интерпретации

• Выборка набиралась методом «снежного кома»: результаты хорошо описывают активную профессиональную аудиторию, но не гарантируют строгую репрезентативность «по рынку».
• Метрики и профили эффективности основаны на самоотчётах респондентов и статистической сегментации — их корректно трактовать как ориентир/бенчмарк, а не как аудит конкретных компаний.