Уровни зрелости внедрения AI в процессы SDLC

Кто я 👨‍💻

1. 15+ лет в IT (web). Прошел путь fullstack, teamlead
2. Работаю CTO в Вебпрактик (150+)
3. Член программного комитета:
   • TechLead Conf
   • CTO Conf
   • Podlodka Crew
   • ПыхКонф
4. Организатор Ростовского PHP сообщества (~500 человек)
5. Активно трансформирую процессы SDLC у себя в компании

О чем поговорим

1. Немного о проблемах внедрения AI в SDLC
2. Что такое модели зрелости, какие они бывают в AI SDLC
3. Попробуем оценить себя в этих моделях
4. Обсудим сложности переходов от базовых этапов до продвинутых

Проблема #1: Скорость изменений

• Технологии и инструменты меняются каждый месяц
• GPT-3 → GPT-4 → Claude|Codex → zAi
• Copilot → Cursor → Claude Code
• То, что работало вчера — устарело сегодня

Проблема #2: Непонятно что работает

• Какие практики реально дают результат?
• Много хайпа, мало проверенных кейсов
• Сложно отделить маркетинг от реальной пользы

Проблема #3: Нужны референсы

Модель зрелости подразумевает:

• Есть компании на каждом уровне
• Можно смотреть на лидеров как на референс
• Понятен путь от уровня к уровню
• Не нужно изобретать велосипед

Проблема #4: Где я сейчас?

• Понять текущий уровень развития
• Построить roadmap до следующего уровня
• Определить конкретные шаги
• Измерить прогресс

Открытые вопросы: метрики, бенчмарки, best practices

Что такое модель зрелости?

• Фреймворк для оценки текущего состояния
• Понятные уровни развития (от хаоса к совершенству)
• Референсные точки: "где мы" и "куда идём"
• Roadmap для развития

Примеры моделей зрелости

• Kanban Maturity Model — 6 уровней организационной зрелости
• DevOps Maturity Model — от ручного деплоя до GitOps
• CMMI — Capability Maturity Model Integration
• Technology Radar (ThoughtWorks) — Adopt/Trial/Assess/Hold
• Data Management Maturity — от Excel до Data Mesh

Мы научились оценивать...

• Процессы разработки (Agile, DevOps)
• Качество кода (статический анализ, code review)
• Инфраструктуру (IaC, observability)
• Команды (performance reviews, OKR)

И теперь мы должны научиться оценивать зрелость внедрения AI в SDLC?

Gartner AI Maturity Model

1. Awareness — знаем что AI существует
2. Active — эксперименты, пилоты
3. Operational — AI в продакшене
4. Systemic — AI интегрирован в процессы
5. Transformational — AI меняет бизнес-модель

*Фокус на бизнес-трансформации

SDLC AI Integration Model (custom)

1. Вне процесса — LLM-чаты отдельно от IDE
2. Точечный ассистент — автокомплит, inline-AI
3. IDE-агенты — агент выполняет задачи
4. Background-агенты — работа в фоне, CI/CD
5. Сквозные SDLC-агенты — от story до релиза

Уровень 1: Вне процесса

• Состояние: LLM-чаты живут отдельно от IDE и CI
• Инструменты: ChatGPT, Claude, Gemini (web)
• Ограничения: Нет связи с кодом, репозиториями, трекером
• Use cases: Copy-paste, "напиши функцию", объяснения

Барьер → Контекст теряется, много ручной работы

Уровень 2: Точечный ассистент

• Состояние: Автокомплит, explain/fix, генерация фрагментов
• Инструменты: GitHub Copilot, Codeium, Tabnine, встроенные чаты
• SDLC: Кодирование ускоряется, меньше boilerplate
• Use cases: Автодополнение, генерация тестов, docstrings

Уровень 3: IDE-агенты (task-level)

• Состояние: Агент понимает задачу и сам вызывает операции IDE
• Инструменты: Cursor Composer, Claude Code, Aider, Windsurf
• SDLC: Рефакторинг, фичи целиком, миграции
• Use cases: "Обнови X", "Сделай миграцию", "Добавь API"

Важно: Разработчик остаётся в цикле — ревьюит, откатывает, правит

Уровень 4: Background / remote-агенты

• Состояние: Агенты работают в фоне или удалённо
• Инструменты: Codex, Devin, OpenHands, GitHub Actions + AI
• SDLC: Массовые правки, линтинг, миграции, документация
• Интеграция: CI/CD + трекер — агент сам поднимает PR, пишет отчёты

Определенный уровень декомпозиции задач, быстрый фидбек, нагрузка на аналитиков.

Нюансы уровня 4

• Не все задачи агенты могут качественно реализовать
• Требуется более мелкое дробление задач
• Потолок у background-агента ниже, чем у локального (L3)
• Аналитики устают отвечать на уточняющие вопросы
• Ревью разработчиков остаётся обязательным

Уровень 5: Сквозные SDLC-агенты

• Состояние: Мультиагентная система на весь цикл
• Покрытие: От user story до релиза и мониторинга
• Роль человека: Задаёт цели, агенты координируются сами

Это горизонт, а не реальность сегодня

Целевое состояние индустрии, к которому движемся

Сравнение моделей, сильные и слабые стороны

• Слабые стороны обозначенных моделей
  • Модель Gartner слабо адаптирована к SDLC
  • Модели Stanford и наша SDLC AI Integration Model на первых этапах слишком инженерно интегрированы.
    В оправдание можно сказать что на 4-5 этапах они сшиваются с остальными процессами. Возможно на 2-3 этапах стоит прописать зрелость неинженерных процессов.
• Преимущество перед Capability моделями (количество автоматизированных процессов)

Что такое быть на каком-то уровне? (вопрос в зал)

1. Вне процесса — LLM-чаты отдельно от IDE
2. Точечный ассистент — автокомплит, inline-AI
3. IDE-агенты — агент выполняет задачи
4. Background-агенты — работа в фоне, CI/CD
5. Сквозные SDLC-агенты — от story до релиза

Квантовый скачок при 100% adoption

"Разница между организацией, где 90% инженеров используют AI, и организацией со 100% adoption — это не 10%, а 10x."

• Если 10% команды работает по-старому — вся организация откатывается
• Физика разработки меняется только при полном переходе

— Dan Shipper, CEO Every

Голосование: на каком вы уровне?

1. Уровень 1 — LLM-чаты вне IDE (ChatGPT, Claude web)
2. Уровень 2 — Автокомплит в IDE (Copilot, Codeium)
3. Уровень 3 — IDE-агенты (Cursor, Claude Code, Aider)
4. Уровень 4 — Background-агенты, CI/CD интеграция
5. Уровень 5 — Сквозные SDLC-агенты (пока теория)

Обсуждение кейсов

• Кто на 1/2/3/4 уровне?
• Какие сложности возникали?
• Какие проблемы при переходе на следующий уровень?

Давайте соберем реальный опыт из зала!

Выводы

• Модель зрелости помогает понять "где мы" и "куда идём"
• 5 уровней: от чатов вне IDE до сквозных SDLC-агентов
• Уровень 5 — это горизонт, уровни 3-4 — реальность сегодня
• На каждом переходе — свои барьеры и нюансы