State of DevOps Russia 2024

Методология

Отчёт State of DevOps Russia 2024 основан на масштабном опросе более 4100 специалистов, проведённом в России и странах СНГ. Исследование носит одномоментный (поперечный) характер и отражает текущее состояние DevOps-практик в индустрии.

• Размер выборки: более 4 100 респондентов.
• Целевая аудитория: специалисты и руководители, связанные с разработкой, тестированием и эксплуатацией ПО.
• Формат отбора респондентов: метод “снежного кома” — распространение опроса через email‑рассылки, соцсети, маркетинговые кампании и партнерские базы контактов; участники делились ссылкой с коллегами.
• География / “представленность по миру”: исследование фокусируется на России и СНГ; в 2024 доля респондентов, работающих в РФ, выросла до 89,4%, а доля проживающих вне СНГ снизилась до 1,7% (то есть выборка стала еще более “внутрироссийской”).
• Представленность по отраслям: лидируют ИТ (~36,2%), финансы (~12,4%) и торговля (~7,3%), но суммарная доля «прочих отраслей» выросла — DevOps активнее внедряется вне ИТ и финтеха.
• Как считали “профили эффективности” (Elite/High/Medium/Low): использовался иерархический кластерный анализ (метод Уорда) по метрикам частоты развёртываний, срока поставки и времени восстановления; статистическая значимость различий проверялась критерием Тьюки.

Результаты

1) Макротренды индустрии

• DevOps расширяется за пределы ИТ и финтеха: суммарная доля «остальных отраслей» выросла с 39,7% до 51,4%.
• Рост независимых специалистов: доля работающих на себя (фриланс/независимая экспертиза) выросла с 2,5% до 3,8%.
• Сдвиг фокуса компаний: от «стабилизации» к «развитию». Доля компаний, выбирающих цель «сохранить финансовую и операционную стабильность», снизилась (23% → 19,4%), а «продолжить развитие» и «использовать новые возможности» — выросла.

2) Эффективность DevOps и метрики

• В отчете используется набор “Accelerate‑метрик” для бенчмаркинга: частота развёртываний, срок поставки, время восстановления, неуспешные изменения.
• Ключевой вывод года: по всем профилям эффективности метрики ухудшились. В отчете предлагаются гипотезы причин: приток “новичков” из новых отраслей, смещение приоритета со скорости на надежность и качество, усиление требований регуляторов и ИБ, накопленный техдолг из‑за быстрого импортозамещения.
• Разрыв между Elite и Low увеличился (в 2024 Elite-команды заметно отрываются от Low по срокам поставки и времени восстановления).
• Распределение команд по профилям изменилось: Elite +2 п.п., Medium +5 п.п., High −6 п.п., Low −1 п.п. (относительно 2023).

3) Инструменты и стек

Импортозамещение и “пересборка” инструментов

• Серверные ОС: рост доли российских ОС (Astra Linux, РЕД ОС и др.), падение долей Debian/Ubuntu и Enterprise Linux; также сокращение использования неподдерживаемых Windows‑версий (2008–2012R2).
• Управление инфраструктурой: снижение доли Ansible и рост доли shell‑скриптов; снижение Terraform и Packer — в отчете это связывают с изменениями лицензирования (Business Source License).
• CI/CD: доля команд без CI/CD снизилась (17,2% → 13,3%); GitLab CI сохраняет лидерство и растет. Доли Argo CD и Flux CD снизились (возможные объяснения: ослабление GitOps или “приход новичков”, которые еще не дошли до GitOps).
• Observability: Zabbix и Grafana — среди лидеров. При этом доля Elasticsearch‑стека для логов заметно упала, а OpenSearch вырос — как признак завершения миграции части рынка.
• Системы для задач и знаний: доля российских SaaS и on‑prem решений выросла, зарубежные on‑prem решения снижаются; рост Open Source умеренный — авторы связывают это с функциональными ограничениями и дефицитом ресурсов на поддержку.

4) Kubernetes и оркестраторы

• В 2024 общая доля Kubernetes снизилась (58,3% → 54,4%), а доля компаний, не использующих оркестраторы, выросла (18,7% → 24%).
• При этом внутри Kubernetes‑аудитории усилился тренд на:
  • managed‑Kubernetes (56,2% → 64,7%);
  • российские дистрибутивы (например, Deckhouse и “другие российские”).
• Наиболее важные функции оркестраторов: установка в закрытый контур, централизованное управление множеством кластеров, беспростойные обновления. Ключевые факторы выбора: стоимость, стоимость эксплуатации, сложность внедрения.

5) Platform Engineering и внутренние платформы

• Доля организаций, где есть платформы, снизилась (73% → 63,8%), а доля ответов «у нас нет платформ» выросла (27% → 36,2%). При этом растет консолидация: доля единой платформы выросла (20% → 26,2%).
• Основные ценности платформ: сокращение Time‑to‑Market, снижение затрат на владение инфраструктурой и поддержку разнородных решений.
• Главные проблемы: сложность выработки единого подхода к услугам платформы; недостаток документации и примеров; дефицит обучения/тренингов.

6) AI/ML в DevOps-задачах

• 44% респондентов используют ML/AI‑инструменты для решения DevOps‑задач.
• Среди пользователей AI/ML 47% отмечают высокую важность этих инструментов для роста эффективности.
• Общая интерпретация: AI уже заметно присутствует в DevOps‑практиках (почти половина), но оценка эффекта неоднородна — рынок находится в стадии активного внедрения и поиска “лучших сценариев”.

Выводы

• Российский DevOps становится более межотраслевым: быстро растут доли компаний вне ИТ/финтеха, что влияет на средние показатели по метрикам.
• Одновременно фиксируется ухудшение ключевых метрик по всем профилям — вероятно, из‑за сочетания зрелости, новых регуляторных требований и “цены” импортозамещения (техдолг + сложные миграции).
• Импортозамещение продолжает менять стек: растет доля российских ОС и ряда прикладных инструментов; в части observability и CI/CD — заметные миграции (в т.ч. Elasticsearch → OpenSearch).
• В Kubernetes‑ландшафте важны две разнонаправленные тенденции: меньше оркестраторов в среднем по выборке, но больше managed‑и российских Kubernetes‑решений среди тех, кто Kubernetes использует.
• Platform Engineering сохраняется как стратегический подход, но идет “пересборка”: меньше организаций декларируют наличие платформ, зато растет доля единой платформы и запрос на стандартизацию.
• AI/ML в DevOps — уже массовый сигнал (44% внедрений): это один из самых перспективных векторов роста эффективности, но “польза” зависит от конкретных кейсов, зрелости процессов и качества данных/инструментов.