Что такое AI SDLC
SDLC — жизненный цикл разработки: постановка задачи, проектирование, код, ревью, тесты, выкладка, сопровождение. В AI SDLC агенты встроены в каждый из этих шагов, и шаги связаны в один процесс. Планировщик готовит спецификацию и план, исполнитель пишет код, ревьюер проверяет его, CI прогоняет quality gates, человек принимает результат там, где цена ошибки высокая.
Большинство команд пока используют AI на одном шаге — при написании кода. Это уровень агентной разработки или его начало. Разработчик берёт Cursor или Claude Code и быстрее закрывает свои задачи. Релизы при этом ускоряются меньше, чем ожидали.
Почему релизы не ускоряются вслед за кодом
По отчёту DORA State of AI-assisted Software Development 2025, AI пользуются 90% специалистов в разработке. Главный вывод отчёта: AI усиливает то, что уже есть в организации. Сильные команды с хорошими процессами получают прирост. У команд со слабыми процессами проблемы растут.
Код пишется быстрее, и узкое место сдвигается дальше по циклу:
- растёт очередь на ревью, а ревьюеры те же;
- PR становятся крупнее, их сложнее проверить;
- агенту не хватает контекста из Jira, Confluence и голов разработчиков, и он ошибается в требованиях;
- больше времени уходит на исправления, тестирование и согласования.
AI SDLC перестраивает весь путь изменения, чтобы ускорение на шаге кода дошло до production.
Четыре уровня зрелости
Праксор выделяет четыре уровня. Большинство команд стоят на первом.
| Уровень | Что происходит | Что ускоряется |
|---|---|---|
| 1. AI-помощник | Разработчики пользуются Cursor, Claude Code и другими инструментами для кода, тестов и разовых задач. | Конкретный человек |
| 2. Агентная разработка | Агент получает задачу с контекстом и делает существенную часть изменения. Разработчик ставит задачу и принимает результат. | Реализация |
| 3. AI SDLC | Спеки, специализированные агенты и quality gates собраны в один процесс от требования до production. Человек стоит в контрольных точках. | Весь цикл |
| 4. AI во всей компании | Команды работают на общей инфраструктуре: единые знания, правила, агенты, gates и метрики. Новая команда наследует готовый процесс. | Инженерная организация |
Переход с первого уровня на третий требует смены процесса постановки и приёмки задач. Более мощная модель или новый инструмент этот переход не делают. Прыгать через уровень бесполезно.
Из чего состоит AI SDLC
Harness
Среда вокруг агентов: правила, база знаний, спецификации и quality gates. Всё версионируется в git рядом с кодом. От harness зависит, сколько изменений агент доведёт до конца без ручных правок. Подробно — в статье Harness engineering.
Спецификации
Главный документ задачи. Агенты пишут код по спеке, acceptance criteria связаны с тестами. Подробно — в статье Spec-driven development.
Правила для агентов
Файл AGENTS.md в репозитории: команды, договорённости, границы. Подробно — в статьях AGENTS.md и CLAUDE.md.
Цепочка агентов
На зрелом уровне задачу ведут несколько агентов с передачей работы друг другу. Пример из практики Праксора в крупной корпорации: Planner создаёт ветку и merge request и обновляет спеки, Coder пишет код, Reviewer проверяет код и CI. Между ними две контрольные точки, где решение принимает человек. Состояние задачи — метка MR в GitLab, возврат к агенту идёт через комментарии в том же MR. Подробнее — в статье Мультиагентная разработка.
Закрытый контур
Для компаний с требованиями ИБ модели подключают через единый LLM-шлюз: проксирование к провайдерам, логирование запросов, бюджет токенов, маршрутизация по уровню безопасности и цене. Чувствительные задачи закрывает модель, развёрнутая on-premise. Смена модели не требует переделки агентов. Подробнее — в статье LLM-шлюз и on-premise модели.
Как измерить эффект
Число сгенерированных строк и PR растёт с первого дня внедрения. Это показатель активности, эффект он не измеряет. Эффект видно в метриках релизов:
- DORA-метрики: lead time изменений, частота релизов, доля неудачных изменений, время восстановления.
- Rework: какая доля кода переписывается в первые недели после мержа.
- AI-метрики: доля решений, которые принимают агенты, и влияние этих решений на качество.
Стартовый замер делают до изменений в процессе. Через три месяца пилота метрики сравнивают с ним. Как считать метрики — в статьях DORA-метрики и Как измерить эффект AI в разработке.
С чего начать
Подробный план по неделям, чек-лист готовности и разбор частых ошибок — в гайде Как внедрить ИИ в разработку: план на 3 месяца. Коротко:
- Выбрать пилотную команду с понятным бэклогом и руководителем, который готов менять процесс.
- Зафиксировать стартовые метрики.
- Собрать минимальный harness: AGENTS.md, шаблон спеки, исполняемые проверки.
- Провести две-три реальные задачи через весь цикл: спека, генерация, проверка, выкладка.
- Каждую ручную правку после агента разбирать и превращать в изменение harness.
- Через 2–3 месяца сравнить метрики со стартом и решить, как масштабировать процесс на другие команды.
Пилот AI SDLC с Праксором
За 3 месяца выстраиваем AI SDLC на пилотной команде: диагностика, первая версия harness, воркшоп на задачах из вашего бэклога, сопровождение и ревью метрик. Следующую команду запускают уже ваши люди. Пять шагов программы
Все материалы
Вопросы
Чем AI SDLC отличается от использования Copilot или Cursor в команде?
Copilot и Cursor ускоряют работу отдельного разработчика с кодом. AI SDLC связывает агентов на всех шагах цикла общими спеками, правилами и проверками, поэтому ускоряется весь путь задачи до релиза.
Сколько времени занимает переход на AI SDLC?
Пилот на одной команде занимает около трёх месяцев. Дальше процесс масштабируют на другие команды силами внутренней AI Harness Team.
Можно ли внедрить AI SDLC без отправки кода внешним провайдерам?
Да. Модели подключают через корпоративный LLM-шлюз, а чувствительные задачи закрывает модель, развёрнутая on-premise.
Какие метрики показывают эффект AI SDLC?
DORA-метрики (lead time, частота релизов, доля неудачных изменений, время восстановления), доля rework и AI-метрики: доля решений, которые принимают агенты, и их влияние на качество.