За три месяца — с января по март 2026 года — команда центра разработки «Инфосистемы Джет» закрыла 18 задач основного потока вместо запланированных 10. Средняя velocity выросла с 75 story points за спринт до 120. Параллельно та же команда закрыла ещё 13 задач по сертификации ФСТЭК, которые в основную метрику намеренно не включали. Руководитель отдела функционального тестирования Алиса Герасимова описала, как именно строился эксперимент и где ИИ не помог.
Команда разрабатывает два продукта для вендора «Лаборатория Числитель»: «Пульт» — систему мониторинга ИТ-инфраструктуры на базе Zabbix с хранилищем на ClickHouse — и «Графиню», платформу визуализации данных, позиционируемую как отечественный аналог Grafana. Оба продукта относятся к enterprise-сегменту с высокими требованиями к предсказуемости результата, что и определило подход к внедрению ИИ.
| Задача | До внедрения ИИ | После внедрения ИИ |
|---|---|---|
| Новая трансформация данных (user story + разработка + тестирование) | 2 дня | 2 часа |
| Новый плагин источника данных | 5 дней | 1 день |
Чистоту эксперимента обеспечивали намеренно: состав команды, длина спринтов и базовые процессы не менялись. Изменили только рабочие практики. Разработчики получили на выбор Cursor и Codex для рутинного кодинга — написания кода, рефакторинга, черновиков под задачу. Параллельные узкие задачи — анализ диффов, поиск по репозиториям, подбор формулировок — отдали субагентам. Человек сохранил за собой ревью и принятие решений.
Типовые задачи ускорились кратно: новый плагин источника данных — с 5 дней до 1 дня, трансформация данных — с 2 дней до 2 часов.
Одним из ключевых изменений стал переход на spec-driven development: спецификации и контракты теперь пишутся строго до начала реализации. Это ограничивает ИИ жёсткими рамками и делает результат предсказуемым — без спеки модель выдаёт код, который технически работает, но расходится с изначальными договорённостями. ИИ также подключили к Git, Jira и Confluence через MCP-интеграции, а в репозиторий вынесли правила кода, конвенции по мержу и описание предметной области. По словам Герасимовой, без этой базы первые недели ИИ был почти бесполезен.
Отдельно команда выстроила дисциплину работы с ошибками модели. Когда ИИ выдаёт неточный результат, стандартная реакция — исправить руками и забыть. Вместо этого ввели правило: каждое отклонение фиксируется как конкретное ограничение с объяснением, почему результат неверен и каким он должен быть. Ограничения уходят в общую базу скиллов и становятся контекстом для всей команды — типовые ошибки исправляются один раз.
Цифры по конкретным задачам показывают, где ИИ снял рутинный слой. Добавление новой трансформации данных с описанием user story, разработкой и тестированием сократилось с 2 дней до 2 часов. Разработка нового плагина источника данных — с 5 дней до 1 дня. В хорошо освоенных задачах разработчики переключились на ревью и edge cases, пока модель закрывала шаблонную часть.
Границы применимости команда обозначила честно. Автогенерация тестов без плотной привязки к спецификациям даёт ложные срабатывания и покрывает не те сценарии — пока это черновик, требующий ручной доработки. Сложные и незнакомые задачи ИИ не ускоряет: разработчик тратит 2 часа на промптинг, затем 2 дня на отладку — итого дороже, чем без модели. Часть разработчиков при починке багов ИИ сознательно не открывает: пофиксить по свежей памяти быстрее, чем объяснять контекст в промпте.
В планах на следующий этап — интеграция проверки соответствия спецификации и реализации в CI/CD, а также переход от модели «каждый сам договорился с моделью» к агентам как части конвейера: разбор падений пайплайна, предложение патчей под известные классы ошибок, черновики changelog из диффов и задач. Потолок по автоматизации конвейера команда признаёт нетронутым — текущие цифры получены без этого слоя.
