В Новосибирске про ИИ говорили уже без восторга. Почти каждый доклад так или иначе приходил к одному выводу: код пишется быстрее, а фичи до пользователя быстрее не доходят. Ниже главное из двух дней.
Альфа-Банк: управлять можно только харнесом
Владислав Сазонов из Альфа-Банка рассказал, как банк строит свой харнес. У банка внутренний кластер, и топовых моделей в нём нет. Когда вайб-кодинг перестал работать на реальных задачах, можно было ждать модель посильнее или вложиться в обвязку. Выбрали обвязку. Формула доклада: агент — это модель плюс харнес, и влиять можно только на вторую часть. Основу сделали независимой от модели, поэтому Claude Code не подошёл: он привязан к Claude. Над основой лежат доменный слой с «харнес-чемпионами», которые не дают командам писать одно и то же, и общий слой компании с лучшими MCP к внутренним системам.
Главное различие доклада: мягкие ограничения — это то, о чём модель просят, жёсткие — то, чего ей не дают сделать. Показательный кейс: правило «перед завершением запусти проверку» лежало в AGENTS.md и месяц работало. Потом пользователь попросил побыстрее закоммитить, модель послушалась, и сборки начали падать. Модель была права, правило обошли через неё. Второй кейс — агент, который лечит уязвимости в сотне микросервисов. Поднять версию библиотеки и открыть PR он может, а статанализ, тесты и сборка делают результат проверяемым. Умнее модель от этого не становится, предсказуемее становится.
Про контекст: задача вместе с инструкциями должна занимать не больше 40% окна. Ближе к правой границе модель начинает галлюцинировать, и заявленный лимит здесь мало что значит. Инструкции тестировщиков подгружаются каскадом, до четырёх уровней вложенности. Если залить их разом, выйдет 164 тысячи токенов при окне в 200 тысяч. Для 100+ микросервисов RAG с нарезкой на чанки проиграл обычному grep и коротким MD-файлам на входе каждого репозитория.
Качество меряют своими эвалами. Модель на вопрос «ну как?» всегда ответит «7 из 10», а публичные бенчи вендоры выбирают под себя. Оценивать нужно исходы, замеры повторять, а балансирующая метрика — деньги. Экономика тоже в пользу обвязки: восемь видеокарт под одну большую модель стоят около 420 тысяч долларов и тянут примерно 30 пользователей, а четыре средние модели на том же железе держат больше сотни. И последнее: харнес постоянно обесценивается, по сути это непрерывный техдолг. Пока за него отвечают тимлиды и техлиды.
Круглый стол про ИИ в проде
Последним слотом первого дня шёл ироничный круглый стол с организационным консультантом Левоном Гончаровым и Василием Закиевым, основателем платформы «Искра». Из него я вынес три мысли. Код, написанный с ИИ, руками уже не проверить: команда выдаёт десятки тысяч строк в сутки, поэтому ревьюеров отдают самим разработчикам, а на входе в репозиторий стоит автоматическое ревью. Отговорка «агенты не договорились» не работает: водитель тоже не может сказать, что машина ехала сама. И внедрение ИИ нельзя поручать IT-департаменту, это задача директора или первого зама, потому что меняются все процессы компании.
Коронтех: ускорилась только середина
Кирилл Бобрик руководит delivery в Коронтехе и смотрел на ИИ как потребитель. Сильных инженеров ИИ ускоряет заметно: проект, который без ИИ оценили в две команды на два спринта, сделали за 12 рабочих дней. Правда, помогли ещё планирование поставки и снятие зависимостей. У рядовых инженеров почти ничего не меняется. Сильный делегирует задачу с понятным результатом и ведёт несколько параллельно, новичок использует модель как собеседника и упирается в лимиты.
Карта потока ценности показала то, что потом звучало весь второй день: ускорились разработка, ревью и тестирование, а путь от идеи до пользователя не сократился. Больше всего теряется на коммуникациях, неготовых требованиях и разной скорости соседних команд. Отдельное наблюдение про учёт потерь: их заводят задним числом и пачкой, поэтому в статистику попадает самое раздражающее, а не то, что реально тормозило. В личных задачах выигрыш кратный: обратная связь по сотруднику занимает минуты вместо часа, ресёрч конкурентов полчаса вместо нескольких дней. Результаты анализа Кирилл просит у модели в виде автономной HTML-страницы: она весит несколько килобайт и открывается у всех. Перед отправкой данных в модель он проходит личный чек-лист: можно ли связать данные с компанией, деликатны ли они, что будет, если они станут публичными. Хоть один красный флаг — делает руками.
Флант: ИИ подсвечивает бардак
Николай из «Фланта» отвечает за бэк-офис: юристов, документооборот, финансы и кадры. Исходная гипотеза «документы плюс языковая модель дают помощника без человека» провалилась полностью, и выбор модели на результат не влиял. Обсуждали в итоге не технику, а процесс, источники данных и владельцев решений. Хороший пример: бот присылал руководству остатки по счетам и через несколько дней ошибся на десятки тысяч рублей. Банк зарезервировал деньги под списание, бухгалтер это знает, а модель увидела два правильных ответа и взяла первый. Другой пример: месяц учили бота раскладывать договоры по папкам облачного диска и в итоге решили, что такого процесса быть не должно, нужна система документооборота с карточками по ИНН.
Правило выбора инструмента: чёткие правила «если — то» закрывает обычная автоматизация, понимание смысла — ИИ, серьёзное решение — человек. Человека ставят в конец воронки, в начале он становится бутылочным горлышком. Перед автоматизацией Николай задаёт пять вопросов. Нужен ли процесс вообще? Ежемесячный отчёт из пяти источников не открывали четверо из пяти получателей. Не автоматизируем ли хаос? Нужно ли в процессе думать? Один ли источник истины? Есть ли человек, который решает? Главный вывод: люди годами незаметно закрывали дыры в процессах опытом и негласными правилами, а ИИ эти дыры просто показал. И приятный побочный эффект: порядок в процессах принёс пользу ещё до того, как что-то автоматизировали.
Точка: внедрение как A/B-тест
Семён Окуньков из Точки говорил о том, как договориться о внедрении с бизнесом. Бизнесу неважно, какой у команды инструмент. Он покупает влияние на свои метрики, и разговаривать с ним надо на языке денег и рисков. Считать стоимость внедрения только по лицензиям, по его словам, враньё: к ней добавляются риски, разработка харнеса и обучение. Эффект проверяют как A/B-тест: делят команду на тестовую и контрольную группы и снимают с обеих одни и те же метрики. Это возвраты с тестирования, незакрытые баги и техдолг, сбои и сторипоинты в неделю. Калькулятор эффекта из доклада наглядно показывает, что риски двигают финмодель сильнее, чем прирост скорости. Поэтому пускать внедрение на самотёк нельзя.
Первый эксперимент в обычной кроссфункциональной команде закрыл квартальную цель по автотестам за неделю, но на метрики потока не повлиял. Новым ограничением стал контекст, размазанный по людям и системам: на одной фиче агентов запускают три человека, и при каждой передаче контекст рвётся. От оплаты за токены отказались в пользу подписок. Во втором эксперименте tiny team из двух бэкендеров и тестировщика ведёт историю целиком в одной сессии. Работа ускорилась, но на тестировании выросла очередь, и команда учит тестировщика писать бэкенд с агентом. Самым ценным результатом Семён назвал доверие, полученное ещё до первых цифр. Бизнес знает, что убыточную экономику не станут масштабировать. Команда понимает, чего от неё ждут. Люди боятся не ИИ, а непрозрачного будущего.
Личный ассистент руководителя
Доклад про личного ИИ-ассистента на готовом open-source агенте был самым честным по части граблей. Спикер подключил восемь источников: встречи, почту, календарь, Telegram-канал, Jira, Confluence, Obsidian и задачник. Сбор данных он не писал с нуля, а взял у коллег готовые утилиты для записи встреч и разбора календаря и доработал их. В Docker агент через неделю начал галлюцинировать и зацикливаться, в виртуальной машине проблемы ушли. Через два месяца выяснилось, что регулярные дайджесты тихо не собираются: агент не смог запустить задачу и молча решил её не делать. Сборку вынесли в детерминированные контейнеры с LLM сбоку, а агенту оставили то, что у него получается: поиск, подготовку к встречам, черновики писем, постановку задач и журнал по сотрудникам перед one-to-one. По его оценке, это экономит около 12 часов в неделю. Свободнее он от этого не стал, зато рутину сменили более интересные задачи. Главный совет: начинать с одной проблемы и одного-двух источников, а не строить сразу идеальный контур.
Главный зал: эмоции и «кто съел результат»
Дина рассказала об эмоциональном интеллекте лидера по научной модели Сэловея и Майера. Это навык обработки информации из эмоций, его можно измерить и развить. Из пяти практик мне больше всего пригодятся две. Первая — квадраты настроения по энергии и ощущениям: в «красном» состоянии не принимать решений, не проводить one-to-one и не давать обратную связь. Вторая — назвать эмоцию и оценить её в баллах, от этого градус падает. Ещё она напомнила, что лидер заражает настроением всю команду и отвечает за её состояние, а управление через вину ведёт к выгоранию и увольнениям.
Доклад Кирилла «ИИ есть, эффекта нет» свёл тему двух дней в одну арифметику. Работа занимает 5–25% от lead time фичи, остальное — ожидание: следующей роли, согласования, соседней команды, вендора. Если ускорить работу вдвое, фича станет быстрее на несколько процентов, а потолок для средней компании около 15%. Ускоренный этап просто переносит узкое место на следующий. Метрики по токенам вводят в заблуждение: он привёл пример Uber, где лидерборды по потраченным токенам за четыре месяца съели годовой бюджет, а денег больше не стало. Рецепт Кирилла: не ускорять узкое место, а убирать необходимость ждать. Смотреть надо на стыки между командами, ролями, а теперь и агентами. У «серых зон» нужен владелец. ИБ и архитектура должны участвовать в процессе по ходу, а не стоять шлагбаумом между этапами. Начать можно с простого вопроса команде: где последняя фича ждала дольше всего и кто за это место отвечает.
Что я забрал себе
- Скорость команды меряю по всему пути фичи. Если ускорились только разработка и ревью, ускорения нет, узкое место просто переехало.
- Важные правила для агента делаю жёсткими: проверкой в CI, а не строкой в инструкции. Просьбу модель выполнит, пока её не попросят об обратном.
- Прежде чем автоматизировать процесс, проверяю, нужен ли он и есть ли у него один источник данных и хозяин. ИИ не чинит бардак, а делает его заметным.
- Эффект от внедрения считаю с рисками и сравниваю с контрольной группой. Цифра по одним лицензиям и отчёт по токенам ничего не доказывают.
- Регулярную работу отдаю детерминированному коду с моделью сбоку, а агенту оставляю разовые задачи и поиск.