«Где мой заказ?» Чтобы ответить на этот вопрос, оператор поддержки открывает три системы. Команда может за день собрать с помощью ИИ новый экран. Но если на нём появится вчерашний статус доставки, оператор всё равно пойдёт проверять остальные системы. Как узнать это до выпуска и что поручить агенту?

AI-Disrupt PDLC — методология разработки продуктов, которую Кирилл Меньшов и команда Сбера описали для крупных организаций. PDLC (Product Development Life Cycle) охватывает путь от исследования проблемы до эксплуатации продукта. Человек решает, чью задачу стоит решать и как оценить эффект. ИИ-агент получает спецификацию, инструменты и право выполнить определённую часть работы. Разберём этот подход на условном примере службы поддержки.

Два цикла одной задачи

В цикле намерения команда выясняет, что должно измениться у пользователя. На этапе исследования (Discovery) инженеру стоит сесть рядом с оператором и посмотреть, где уходит время. Возможно, поиск заказа занимает секунды, а задержку создают разногласия между складом и службой доставки. Тогда ещё одна строка поиска мало поможет. Полезнее договориться, какой источник считать достоверным и как показывать расхождения.

Теперь можно сформулировать проверяемую гипотезу. Допустим, если показать подтверждённый статус и время его обновления в карточке заказа, за четыре недели медианное время ответа сократится с шести до трёх минут, а доля повторных обращений останется на прежнем уровне. Это иллюстративные числа. Для своего пилота команда берёт исходные значения из статистики поддержки.

В цикле реализации агент превращает спецификацию в работающее изменение. Такой подход называют разработкой по спецификации (Specification-Driven Development, SDD). В нашем примере в ней записаны источник статуса, поведение при его недоступности и критерии приёмки. Агент в отдельной ветке меняет карточку, добавляет тесты и показывает результат на примерах заказов. Если два источника противоречат друг другу, а правило выбора не задано, вопрос возвращается владельцу продукта. Его решение пополняет спецификацию и становится новым тестом.

Команда передаёт ИИ-агентам спецификацию и получает результаты проверки

Техническая приёмка и проверка гипотезы происходят в разное время. До выпуска команда может убедиться, что карточка показывает правильные данные даже при сбое в системе доставки. Через четыре недели она проверит, стали ли операторы отвечать быстрее и не выросла ли доля повторных обращений. Расхождение между ожиданием и результатом даёт повод для следующего исследования.

Что нужно агенту, кроме модели

Заказчик знает, что значит «подтверждённый статус». Модель, получившая только текст задачи, может выбрать первое подходящее поле в базе. Поэтому одна из главных инвестиций в AI-Disrupt PDLC — рабочая среда агента, или harness. В неё входят инструкции, нужные фрагменты документации, инструменты, разрешения и обратная связь. Если договорённость о статусах изменилась, важно, чтобы следующий запуск получил актуальную версию.

Эту среду предоставляет общая платформа разработки — IDP (Integrated Development Platform). Например, она связывает версию спецификации с задачей, изменением кода, прогоном тестов и релизом. Для длинной задачи сохраняет сделанное и нерешённые вопросы, чтобы следующая сессия могла продолжить с места остановки. Удачный порядок действий команда сохраняет как шаблон для следующего проекта.

У самого агента тоже есть жизненный цикл — ADLC. Перед сменой модели, инструмента или инструкций платформенная команда прогоняет новую версию на знакомых сценариях. После выпуска следит за ошибками и может вернуть прежнюю версию. Это особенно важно, если одним агентом пользуются несколько продуктовых команд.

Как проверить результат и ограничить полномочия

В методологии через оба цикла проходят две разные проверки. Validation Spine отвечает на вопрос «Получилось ли то, о чём договорились?». Агент прикладывает к изменению пакет подтверждений (Evidence Bundle). По нему инженер видит, какую версию требования реализовали, какие случаи проверили, где тест упал и какие риски остались. По ссылке на метрику владелец продукта позже проверяет эффект релиза.

Governance Mesh отвечает на вопрос «Разрешено ли это действие здесь и сейчас?». Например, агент может читать обезличенные заказы в тестовой среде и менять код в своей ветке. Доступ к данным клиентов и выпуск в рабочую среду регулируются отдельно. Платформа проверяет правила перед действием и записывает решение в журнал. Агенты-стражи (Guardian Agents) могут наблюдать за выполнением, передавать сомнительную операцию человеку или останавливать её.

Для российской компании это ещё и вопрос маршрута данных. Команда определяет, какие сведения допустимо передавать выбранной модели, где хранятся журналы и кто может их читать. Правило можно проверить автоматически. Например, если запрос содержит персональные данные, платформа блокирует отправку во внешний сервис, которому компания их не доверила.

Какие решения остаются за командой

Одна команда может использовать сразу несколько способов работы. Для однозначного правила выбора свежей записи достаточно обычного кода. Для знакомства инженера с модулем подойдёт ИИ-помощник. Реализацию по ясной спецификации можно поручить агенту, а параллельные задачи — нескольким агентам, когда уже понятно, как сверять и объединять их результаты.

В модели Tiny Teams компактная команда из четырёх–шести человек отвечает за результат целиком. Продуктовый инженер согласует цель с заказчиком и принимает изменение. Платформенные инженеры поддерживают инструменты и шаблоны, специалисты по эксплуатации агентов следят за их поведением, а специалисты по безопасности задают ограничения. Часть этих функций может обслуживать сразу несколько команд.

Здесь легко перепутать две шкалы. R0–R5 задаёт полномочия агента для конкретной операции. На R0 он только читает, на R2 может подготовить изменение в ветке для ревью, на R3 — объединить проверенное изменение по разрешённому сценарию. R5 допускает самостоятельные эксперименты в изолированной среде. L0–L5 описывает зрелость всей команды, от первых экспериментов до координации нескольких агентов с наблюдаемыми результатами. Даже зрелая команда может оставить доступ к рабочим заказам только на чтение.

Как посчитать отдачу

Сэкономленные минуты на написании кода легко потерять в очереди на ревью. Поэтому до пилота стоит снять исходные показатели и затем сопоставлять их попарно.

Что хотим узнатьЧто измерить
Пользователю стало лучше?Время ответа оператора и долю повторных обращений по тому же заказу.
Команда быстрее выпускает изменения?Время от изменения кода до выпуска вместе с долей выпусков, потребовавших исправления или отката.
Автономия себя окупает?Затраты на модель, повторы и проверку человеком в расчёте на один принятый результат.

Последним вопросом занимается Agentic FinOps. Команда задаёт бюджет на задачу и условие остановки. Если агент раз за разом запускает один и тот же упавший тест, лимит прерывает цикл и возвращает задачу инженеру. В отчёте видны и стоимость неудачных попыток, и время, которое удалось направить на другую работу.

Как провести первые 90 дней

Руководство предлагает начинать с одной команды и одного повторяемого класса задач. Первый пилот можно провести в четыре шага.

  1. Дни 1–14. Выбрать реальную проблему, измерить исходное состояние и договориться с владельцем продукта, по какому результату он оценит изменение.
  2. Дни 15–30. Описать задачу в спецификации, отметить решения, требующие человека, и запустить агента-ревьюера в режиме наблюдения. Сравнить его замечания с тем, что находят инженеры.
  3. Дни 31–60. Дать агенту работу в отдельной ветке, собрать первый пакет подтверждений и сохранить удачные сценарии в библиотеке команды.
  4. Дни 61–90. Включить проверку перед объединением изменений. Вернуться к исходной гипотезе и выяснить, куда ушло высвободившееся время и как изменилась частота неудачных выпусков.

Пилот — первый из трёх горизонтов внедрения. На втором несколько команд используют общие шаблоны спецификаций и платформу. На третьем они координируют агентов, которым можно поручать длительные задачи. Решение о расширении стоит принимать по итогам пилота. Если операторы продолжают сверять три системы, сначала стоит выяснить, почему они всё ещё не доверяют карточке заказа.

Материалы Сбера

Автор методологии — Кирилл Алексеевич Меньшов, ПАО Сбербанк, 2026. В кратком обзоре изложены стратегия и архитектура подхода. Восемь частей полного руководства раскрывают устройство платформы, роли, эксплуатацию, экономику, метрики, внедрение и российскую специфику. Страница AI-Disrupt PDLC · Краткий обзор, PDF · Практическое руководство, версия 2.0, PDF

Для оценки всей компании Сбер предлагает отдельную модель зрелости. Она даёт профиль по восьми направлениям, от стратегии до эксплуатации и ИИ-инфраструктуры. Итоговый уровень определяет самое слабое направление. Так можно увидеть, например, что команда уже готова поручить разработку агентам, а процесс тестирования ещё требует вложений. Руководство по модели зрелости, PDF · Экспресс-оценка

Для обучения команды есть карта навыков и три открытых курса. «AI-driven PDLC» разбирает жизненный цикл продукта, «Agentic Coding. Базовый уровень» — работу инженера с агентом, а «Введение в GitVerse» знакомит с инструментами разработки. Карта навыков и курсы