Уровни зрелости AI в SDLC 2026

Уровни зрелости
AI в SDLC

Поддубный Иван

CTO Вебпрактик

Кто я

15+ лет в IT. Прошёл путь fullstack → teamlead → CTO
CTO в Вебпрактик (150+)
Программный комитет: AgenticDevConf, TechLead Conf, CTO Conf, Podlodka Crew, ПыхКонф
Организатор ростовских сообществ аналитиков и разработчиков
Трансформирую SDLC процессы 1.5 года:
- Получил 100% adoption среди разработчиков ещё в 2025
- Масштабирую сквозной SDD-процесс на все команды

Ландшафт сегодня

😴

Только на старте

Чат, copy-paste,
нет системы

🚀

Уже в космосе

Агенты, облако, высокая автономность без HITL

Лидеры отрываются ещё сильнее, кто-то ещё не начинал
Одни и те же задачи решают совершенно по-разному
Много шума → трудно строить архитектурную и орг-стратегию

Как понять, где ты — и куда двигаться?

Доклад — попытка задать систему ориентиров

Понять, где ты сейчас
Увидеть, что вообще возможно — и есть ли смысл двигаться дальше
Принимать осознанные архитектурные и организационные решения

Матрица зрелости AI в SDLC 2026

Модель зрелости можно строить по разным осям

Gartner AI Maturity Model
Stanford AI adoption Model
Модель процессной и инженерной зрелости

Gartner AI Maturity Model

Awareness — знаем что AI существует
Active — эксперименты, пилоты
Operational — AI в продакшене
Systemic — AI интегрирован в процессы
Transformational — AI меняет бизнес-модель

*Фокус на бизнес-трансформации

Stanford AI Adoption Model

Ур.	Название	Описание
L0	Без AI	Инженеры пишут код самостоятельно, AI не используется
L1	Точечное использование	Личная инициатива. AI локально, в кодовой базе не отражается
L2	Систематизированное	Командный уровень. Промпты и правила версионируются
L3	Агентная поддержка	AI выполняет задачи. Скрипты и агенты в репозитории
L4	Оркестрированная агентность	AI управляет процессом. Пайплайны из нескольких AI

Модель процессной и инженерной зрелости

Основная ось: уровень автономности
Ориентирована на процесс
Сильно связана с инженерным уровнем
Должна помогать осмысленно принимать архитектурные решения на каждом уровне

0 уровень: классический процесс без AI

1 уровень: чат как внешний помощник сотрудника

2 уровень: локальные агенты

2 уровень: локальные агенты AI-ASSISTED

Claude Code, Codex
Метафора: усиливаем роли, давая экзоскелет
Человек отвечает за результат под ключ

Кто уже на 2 уровне?

Локальные агенты — Claude Code, Codex

3 уровень: ai-native, agent-first, background-agents, server runtime

Ключевое: какие-то блоки или все задачи уже могут решаться без участия человека.
В остальных случаях Human-in-the-loop. Человек по требованию.
Fallback на 2 уровень на сложных кейсах, когда агент не справляется
Автономность этого уровня может достигаться только в облаке, когда ты можешь отключать роль, не зависеть от человека и его локального ноутбука.
Поток не ограничен локальным рантаймом локальной машины инженера. Запускай сотни решений задач, ограничение в точках ревью.
Кейс: доклад на podlodka crew, коллеги за полгода ещё в конце 2025 года делали 70% задач на background-агентах, 30% — fallback на 2 уровень

Кто уже на 3 уровне?

Background-агенты, облачный runtime

Epam 2 & 3 levels

4 уровень: полная автономность, e2e решение

Метафора: темная фабрика
Некоторые компании говорят о том что этого достигли, но в массе это скорее ориентир, чем частый кейс

Стратегическое решение 2 и 3 уровень.
& or vs

Не нужна мне ваша автономность

Можно ли остановиться на 2-м уровне?

Да, на 2-м уровне (локальные агенты) можно дойти до высокого уровня автономности
Но есть потолок: фабрика не сможет работать сама. Нужен ноутбук инженера, который её будет запускать руками.
Если вы идете в small/tiny teams это ваша страховка от bus factor

2 (локальные агенты) и 3 (cloud агенты): развиваем параллельно

В подавляющем большинстве мы сейчас развиваем 2 уровень
3 уровень можно развивать параллельно, вынося часть операций в облако.
Но именно сейчас есть инструменты, которые прибивают вас гвоздями к 2 уровню, при принятии цели в 3 уровень их нужно избегать
В идеале мы должны выбирать инструменты, которые будут работать на обоих уровнях, иметь fallback

Отложенный архитектурный выбор

Есть принцип Last Responsible Moment: откладывай необратимое решение до момента, когда дальнейшая отсрочка отрезает важную альтернативу
Даже если сейчас не идёте в L3 — не закрывайте дверь: развивайте L2 на обратимых, совместимых с L3 инструментах

Last Responsible Moment — M. & T. Poppendieck, «Lean Software Development» (2003); ср. M. Fowler про обратимость архитектурных решений

Можно ли перепрыгнуть?

В большинстве случаев нет, слишком высокие риски
- Отсутствие навыка работы с агентами у ролей
- Не так просто довести 100% задач, самые сложные проще решить через fallback

Эволюция инженерных практик
2 -> 3 уровень

Практика	2 уровень локальный агент	3 уровень облачный runtime
Сквозной SDD	?	?
Quality gates перед merge	?	?
Observability трейсов	?	?
Sandbox: эфемерные окружения + изоляция	?	?
Action Policy / HITL	?	?
Evals: автотесты агентов	?	?
Resource & cost limits	?	?
Multi-agent coordination	?	?
Модельно-независимый harness	?	?
AI Gateway (LLM-прокси)	?	?
Агент с выходом на L3	?	?
Agent-first IDP (платформа)	?	?

Spec Driven Development

Типовая ошибка внедрения AI

Внедрять агентов 2/3 уровня в каждую роль без синхронизации
Чревато дублирующими и мешающими для объединения решениями
Наш опыт проектирования

Правильное решение: СКВОЗНОЙ(!!!) SDD

2 ур. фундамент 3 ур. фундамент

Берем готовый sdd фреймворк (например, openspec) или (зачем-то) пишем свой
Настраиваем на свои процессы (он гибок!)
Аналитик генерирует спеку агентом
Разработчик генерирует ADR/plan агентом
Разработчик запускает apply агентом
Разработчик/тестировщик генерирует тесты
Все в одном общем флоу с общим контекстом!

SDD: ближайшие доклады

Saint HighLoad++ 2026

СМОТРИМ В ЗАПИСИ

«Битва за урожай: внедряем Spec Driven Development без разрушения процесса»

Даниил ПодольскийYADRO

Доклад уже прошёл — смотрим в записи

Saint TeamLead Conf 2026

СЕГОДНЯ · СРАЗУ ПОСЛЕ ЭТОГО ДОКЛАДА

«Первая ступень AI-native процесса: spec-driven как фундамент для кодовых агентов»

Дмитрий ГалкинСбер · внедрение на 20+ команд

Сразу после этого доклада · Зал Зелёный

Сквозной SDD и другие AI SDLC доклады — на конференции Agentic Dev Conf → agenticdevconf.ru

Quality gates перед merge

2 ур. усиливает 3 ур. обязательно

Полный тест-сьют зелёный (включая интеграционные, возможно селективные e2e)
Linter / formatter / type-check
LLM-judge: соответствует ли патч исходной задаче, нет ли лишних изменений
Security scan (SAST, secrets, etc)

Observability

2 ур. усиливает 3 ур. обязательно

Полный трейс каждого run: промпт каждого шага, tool call, результат, итоговый артефакт
Бэкенд — LangFuse (или аналог): поиск, сравнение прогонов, метрики
Кейс на L2: прикручиваем плагин к локальным агентам разработчиков → экспорт трейсов в общий LangFuse
Уже на L2 видим, как агенты реально работают, и копим датасет для evals
На L3: трейсинг встроен в background-runtime по умолчанию

Sandbox: эфемерные окружения + изоляция

2 ур. усиливает 3 ур. обязательно

Поднимаем — эфемерное окружение:

Запускаемое окружение под задачу: приложение + зависимости + branch/seed-БД
Агент сам гоняет и проверяет результат; окружение умирает после задачи
У кого уже есть ephemeral-окружения для CI — часть пути сделана

Ограничиваем — изоляция:

Сеть закрыта, только white list
Read-only критичных файлов и директорий
Динамические секреты, ресурсные лимиты

Action Policy, правила подключения HITL

2 ур. ручной HITL 3 ур. обязательно

Любой destructive op: drop/truncate, миграции на prod-схеме, force push, удаление файлов >N строк
Установка новых зависимостей (особенно внешних)
Изменения в security-чувствительных файлах: auth-модули, миграции, .github/workflows, Dockerfile, package.json

Evals: покрываем автотестами ai агентов

2 ур. усиливает 3 ур. критично

Создаем датасет ваших типовых "золотых" задач и их решений
Если был до этого openspec SDD, задача упрощается: на вход подаем change
Измеряем качество и регрессы
- Смена системных промптов, харнеса
- Смена модели

Resource & cost limits

2 ур. собирать данные 3 ур. обязательно

Лимиты на токены/задачу на агента
Защита по таймауту на долгий run

Multi-agent coordination

2 ур. — 3 ур. обязательно

Два агента, работающие в одном репо параллельно, должны видеть друг друга (lock на ветку/задачу), иначе будут гонки и переписывание чужих изменений.

Модельно-независимый harness

2 ур. желательно 3 ур. критично

Абстракция над провайдером: смена модели = смена конфига, а не переписывание
Именно это делает evals осмысленными — один датасет гоняем на разных моделях
Защита от vendor lock-in и роста цен

AI Gateway (LLM-прокси)

2 ур. усиливает 3 ур. обязательно

Единая точка для всего LLM-трафика: общий API ко всем провайдерам
Централизованно: ключи, rate limits, бюджеты и учёт затрат
Кэш, ретраи, fallback/роутинг между моделями
Логи/трейсы запросов из коробки → стыкуется с Observability и evals
LiteLLM, OpenRouter, Portkey, Helicone, Cloudflare AI Gateway
Вместе с моделенезависимым harness даёт полную независимость от вендора

Кодовый агент с выходом на L3

2 ур. — 3 ур. обязательно

Агенту нужен headless-режим (CLI / SDK), а не только IDE-плагин
Поведение плагина и CLI/SDK совпадает 1:1 — иначе L2-настройка не переносится в фон
Плагин без (или с несовместимой) консольной/SDK-версией = тупик на пути в L3
Основные варианты
- Agent SDK (claude code cli) / Codex sdk
- pi.dev
- OpenHands — логика в дизайне, но python;
- OpenCode обещает sdk, но пока не выпустил
- Всегда можно надстроить skafolding над cli

Agent-first IDP (платформа)

2 ур. — 3 ур. критично

Gitlab duo пытается сделать ее часть (только Enterprise Edition)
Возможно когда-нибудь SourceCraft, GitVerse закроют часть пути, но я не сильно надеюсь
Большинству из нас придётся её создавать самим

Практика	2 уровень локальный агент	3 уровень облачный runtime
Сквозной SDD	фундамент	фундамент
Quality gates перед merge	усиливает	обязательно
Observability трейсов	усиливает	обязательно
Sandbox: эфемерные окружения + изоляция	усиливает	обязательно
Action Policy / HITL	ручной HITL	обязательно
Evals: автотесты агентов	усиливает	критично
Resource & cost limits	собирать данные	обязательно
Multi-agent coordination	—	обязательно
Модельно-независимый harness	желательно	критично
AI Gateway (LLM-прокси)	усиливает	обязательно
Агент с выходом на L3	—	обязательно
Agent-first IDP (платформа)	—	критично

Заходим в L3 с лёгких сценариев

Консультации по реализации — агент прорабатывает подход и варианты,
ничего не мержит
Первичное расследование инцидента — сбор логов/трейсов, локализация, гипотезы RCA
Ревьюер — авто-ревью PR: замечания и риски, решение за человеком
Починка flaky-тестов — изолированно, результат проверяется тем же тестом
Мелкие баги — с готовым репро/падающим тестом, узкий scope

Выводы

Стратегически определите, собираетесь ли идти в L2+
Если горизонт — L3/L4, решения сегодня определят: эволюция или переписывание
Внедряйте AI в SDLC сквозным образом, не пускайте на самотек в разных цехах

Пожалуйста, оставьте
свой отзыв!

Поддубный Иван

CTO Вебпрактик