> For the complete documentation index, see [llms.txt](https://scrumtrek.gitbook.io/iishki-1/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://scrumtrek.gitbook.io/iishki-1/training/ai-for-developers.md). # AI-трансформация команды разработки > Программа для инженерных команд: как перестроить процесс разработки с AI на каждом этапе — от требований до production. Методика трансформации SDLC с моделью зрелости и дорожной картой. > **Кратко:** Трансформация SDLC с AI — от требований до мониторинга. Методика, а не набор инструментов. **Для кого:** CTO, VP Engineering — перестроить процесс разработки в инженерной команде. **Кто участвует:** Вся инженерная команда: разработчики, аналитики, QA, DevOps, техлиды, архитекторы. **Результат:** Команда понимает, как AI меняет каждый этап SDLC, имеет модель зрелости (L1 → L2 → L3) и дорожную карту трансформации на 90 дней. **Сроки:** 4 недели (8 сессий × 4 часа). ## Для кого **Кто заказывает:** CTO, VP Engineering, руководитель разработки **Кто участвует — вся инженерная команда:** * Разработчики (mid, senior — любой стек) * Системные и бизнес-аналитики * QA-инженеры (ручное и автоматизированное тестирование) * DevOps / SRE * Техлиды и архитекторы **Зачем вся команда, а не только разработчики:** AI трансформирует не одну роль, а весь процесс. Аналитик, который пишет спецификации для агентов, важен не меньше разработчика, который эти агенты настраивает. QA, который строит eval-систему, важен не меньше DevOps, который мониторит агентов в production. Трансформация работает только когда все говорят на одном языке. **Требования:** * Опыт в разработке (в любой роли) минимум 2 года * Базовое понимание SDLC (требования → код → тесты → деплой) * Готовность менять привычный процесс *** ## Проблема Большинство инженерных команд застряли на уровне «AI = автодополнение в IDE». Copilot установлен, 30% кода генерируется — и всё. Потенциал остаётся нераскрытым: **AI трансформирует весь SDLC, а не только кодирование.** Требования, проектирование, code review, тестирование, деплой, мониторинг — каждый этап меняется. Но курсы учат инструментам (RAG, агенты, API), а не процессу. Разработчик выходит с навыком «я умею вызвать API», но не знает, как это меняет работу его команды. **Три типичные ловушки:** * **«Pilot Forever»** — компания пилотирует AI полгода без критериев успеха. 95% пилотов не переходят в production. * **«AI Productivity Paradox»** — код генерируется быстрее, но review queue растёт, rework rate ползёт вверх. Скорость генерации обгоняет скорость верификации. * **«Automation of Chaos»** — процесс был плохой без AI, автоматизация сделала его плохим быстрее. Нужна программа, которая говорит: «вот ваш текущий SDLC → вот как AI меняет каждый этап → вот модель зрелости → вот ваша дорожная карта на 90 дней». *** ## Методическая основа: SDLC AI Playbook Программа построена на методике **SDLC AI Playbook** (ScrumTrek + KKTS.ai) — фреймворке трансформации разработки с AI. **Три оси методики:** | Ось | Что описывает | Элементы | | ------------------------------- | ---------------------------- | ------------------------------------------------------------------------------ | | **Мега-фазы** (ЧТО) | Этапы жизненного цикла | SPECIFY → BUILD → SHIP | | **Уровни зрелости** (НАСКОЛЬКО) | Глубина интеграции AI | L1 Copilot → L2 Pipeline → L3 Autopilot | | **Сквозные механизмы** (КАК) | Инфраструктура трансформации | Knowledge Base, Autonomy Ladder, Review Pipeline, Eval System, Process Metrics | Каждая сессия программы — пересечение этих осей. Участники не просто узнают «что такое RAG», а понимают: «на каком уровне зрелости моя команда сейчас, что нужно изменить, чтобы перейти на следующий, и какие механизмы для этого нужны». *** ## Программа ### 8 сессий × 4 часа = 32 часа Обычно проводится в течение 4 недель (по 2 сессии в неделю). | Сессия | Тема | Для кого особенно | Содержание | | ------ | -------------------------------------------------- | -------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | **1** | AI в SDLC: новая реальность | Все | Как AI меняет каждый этап разработки — не только кодирование. Модель зрелости L1 → L2 → L3: где ваша команда сейчас. AI Productivity Paradox: почему «больше кода» ≠ «больше ценности». Антипаттерны: Pilot Forever, Automation of Chaos, Understanding Debt. Аудит: участники оценивают зрелость своей команды по каждой фазе SDLC | | **2** | SPECIFY: от требований к спецификациям для агентов | Аналитики, PM, техлиды | Spec-Driven Development: спецификация как контракт для агента. Zero-Assumption Specification: всё неявное = несуществующее. NFR Injection: как заставить агента думать о производительности и безопасности. Практика: участники переписывают реальный тикет из Jira в машинопонятную спецификацию | | **3** | BUILD: AI-ассистированное кодирование | Разработчики, техлиды | Продвинутая работа с IDE-агентами: Cursor, Claude Code, Windsurf. Context engineering: как давать агенту правильный контекст (CLAUDE.md, .cursorrules). Правило 60/20: делегируй 60%, контролируй 100% критичного. Understanding Debt: почему бездумный autocomplete опасен. Практика: участники решают реальную задачу из своего проекта с AI-агентом | | **4** | BUILD: мультиагентные пайплайны | Архитекторы, senior-разработчики | Когда нужен второй агент (и когда не нужен — «начни с одного»). Архитектура: Planning → Coder → Reviewer → Coder → Tests. Cross-Model Review: разные модели ловят разные баги. Чистый контекст на каждом шаге: предотвращение каскада ошибок. MCP и оркестрация. Экономика: стоимость мультиагентного пайплайна (3-5× vs single-agent) | | **5** | BUILD: AI в тестировании и code review | QA, разработчики, техлиды | AI-генерация тестов: unit, integration, e2e — по спецификации, не по коду. Eval System: как отличить «работает» от «кажется, что работает». Property-based testing с AI. AI Code Review: что ловит, что пропускает, как дополняет человека. Парные метрики: скорость генерации ≤ пропускная способность верификации. Практика: участники строят eval-набор для своего проекта | | **6** | SHIP: AI в деплое и мониторинге | DevOps, SRE, техлиды | AI-assisted postmortem и runbook (L1: работает уже сегодня). Observability для агентов = как для микросервисов. «Молчаливые сбои»: правдоподобный, но неверный результат — и как его обнаружить. Canary-деплой с AI-мониторингом. Замыкание цикла SHIP → SPECIFY: от инцидента к автоматической спецификации. Практика: участники проектируют мониторинг для AI-генерированного кода | | **7** | Трансформация: роли, процессы, экономика | Все, особенно техлиды | Как меняются роли: Spec Engineer, Pipeline Engineer, Eval Specialist. Autonomy Ladder: какие решения делегировать агенту, какие — никогда. Knowledge Base как сквозной механизм: контекст для агентов. Экономика: cost-per-task, hybrid TCO, когда on-prem. On-prem: Qwen, DeepSeek, vLLM — для российского контекста. Process Metrics: DORA + AI-специфичные метрики | | **8** | Capstone: дорожная карта трансформации | Все | Каждая команда/подгруппа создаёт: (1) Оценку текущей зрелости по каждой фазе SDLC. (2) Целевой уровень на 90 дней (с обоснованием — почему не выше). (3) Топ-3 изменения в процессе (не инструменты, а процессы). (4) Критерии успеха и антиметрики. (5) Риски и план отката. Защита перед группой, обратная связь от тренера и коллег | *** ## Чем отличается от типовых курсов | | Типовой курс «AI для разработчиков» | Наша программа | | -------------------- | --------------------------------------------------- | ------------------------------------------------------ | | **Организация** | По технологиям (сессия про RAG, сессия про агентов) | По фазам SDLC (SPECIFY → BUILD → SHIP) | | **Аудитория** | Только разработчики | Вся инженерная команда: аналитики, QA, DevOps, техлиды | | **Фокус** | Инструменты и API | Трансформация процесса | | **Результат** | «Я умею вызвать API» | «Я знаю, как перестроить работу своей команды» | | **Финальный проект** | Задеплоенный pet project | Дорожная карта трансформации на 90 дней | | **Методика** | Нет (набор тем) | SDLC AI Playbook (фазы × уровни × механизмы) | *** ## Инструменты Инструменты привязаны к фазам SDLC, а не изучаются абстрактно. | Фаза | Инструменты | | ----------------------- | ---------------------------------------------------------------------------------------------------------------------------------------- | | **SPECIFY** | Claude, ChatGPT — как интервьюеры и декомпозиторы. Cursor/Claude Code — для прототипирования спецификаций. Шаблоны: what-spec + how-spec | | **BUILD: кодирование** | Cursor, Claude Code, Windsurf, GitHub Copilot. Context engineering: CLAUDE.md, .cursorrules, agents.md | | **BUILD: агенты** | Claude Code agent mode, MCP, n8n. On-prem: Qwen + vLLM, DeepSeek | | **BUILD: тестирование** | pytest + AI-генерация, property-based testing, Pydantic для structured output. Eval frameworks | | **SHIP** | OpenTelemetry, Langfuse, LangSmith. CI/CD: GitHub Actions с AI-проверками | | **Сквозные** | LLM API (OpenAI, Anthropic, Ollama), embeddings + vector DB (pgvector, Qdrant), RAG-пайплайны | *** ## Модель зрелости: что ваша команда получает на каждом уровне Программа не просто рассказывает про L1-L2-L3 — она помогает определить текущий уровень и спланировать переход. | | L1 Copilot | L2 Pipeline | L3 Autopilot | | -------------------------- | ----------------------- | ------------------------------------------------------ | --------------------------------- | | **Кто пишет код** | Человек + autocomplete | Агент по спецификации, человек ревьюит | Агент автономно | | **Кто пишет спецификации** | Человек | Агент интервьюирует, человек утверждает | Агент из инцидента/метрики | | **Кто тестирует** | Человек, агент помогает | Агент генерирует, regression прогоняется автоматически | Eval system + human при аномалиях | | **Кто деплоит** | CI/CD без AI | Агент готовит PR, человек мержит | Auto-deploy с AI-мониторингом | | **Стоимость** | $10-19/мес/чел | $500-2000/мес (активный) | Десятки тысяч $/год | | **Зрелость (2026)** | Production-ready | Ранняя зрелость | Экспериментальный | *** ## Форматы проведения ### Корпоративный (in-house) Программа проводится в вашей компании, адаптирована под стек, процессы и зрелость. * **Группа:** 10-25 человек (рекомендуем смешанный состав: разработчики + QA + DevOps + аналитики + техлиды) * **Продолжительность:** 4 недели (8 сессий × 4 часа) * **Где:** Офис или онлайн * **Адаптация:** Примеры на вашем стеке, практика на ваших проектах, on-prem если нужно * **Тренер:** 1-2 человека (инженер-практик + методолог SDLC) ### Открытый поток Сборная группа из разных компаний. Обмен опытом, более низкая стоимость. * **Группа:** 15-25 человек * **Когда:** Квартальные потоки * **Формат:** Online (2 сессии в неделю по 4 часа) *** ## Структура каждой сессии **Формат: 4 часа синхронной работы** * **30 мин:** Контекст и методика (как AI меняет конкретный этап SDLC, где вы на модели зрелости) * **60 мин:** Демонстрация + совместная практика (тренер показывает на реальном проекте, участники повторяют) * **15 мин:** Перерыв * **75 мин:** Ролевая практика (участники работают в мини-командах по ролям — как в реальном проекте) * **20 мин:** Ретро: что изменилось в понимании, что попробуем на работе завтра **Между сессиями:** * Домашнее задание: применить одну практику из сессии на реальном проекте (1-2 часа) * Slack-канал для вопросов и обмена опытом * Доступ к записям и материалам SDLC AI Playbook *** ## Результат **Для каждого участника (по ролям):** * **Разработчик:** Владеет context engineering, умеет работать с агентами на уровне выше autocomplete, понимает cross-model review и eval * **Аналитик:** Умеет писать спецификации для агентов (SDD), владеет Zero-Assumption Specification и NFR Injection * **QA-инженер:** Понимает AI-генерацию тестов, умеет строить eval-систему, знает про «молчаливые сбои» * **DevOps/SRE:** Знает, как мониторить агентов в production, понимает observability для AI-систем * **Техлид/архитектор:** Понимает модель зрелости, умеет выбирать уровень для конкретного scope, управляет Autonomy Ladder **Для команды:** * Общий язык трансформации (фазы, уровни, механизмы — все понимают одинаково) * Дорожная карта на 90 дней с конкретными шагами и критериями успеха * Понимание, какие процессы менять первыми и почему * Парные метрики (скорость + качество) с первого дня **Для CTO:** * Методика, а не хаотичное внедрение — экономия на ошибках Pilot Forever и Automation of Chaos * Модель зрелости для разных систем (КИИ на L1, внутренние инструменты на L2) * Экономическое обоснование: cost-per-task, hybrid TCO, ROI framework * Команда, которая может трансформироваться сама (а не ждёт следующий курс) *** ## Кейсы ### IBS: от AI-в-IDE к трансформации процесса **Ситуация:** Крупная системная интеграция. 40 team leads и senior разработчиков уже использовали Copilot, но дальше autocomplete не шли. **Программа:** Корпоративный формат, адаптирован под Java/Spring-стек. Фокус: SPECIFY (спецификации для агентов из Jira-тикетов) и BUILD (мультиагентный review в CI). **Результаты:** * 40 инженеров перешли от autocomplete к полноценной AI-интеграции в процесс * 5 внутренних инструментов разработаны с AI-агентами * Время разработки сократилось на 20-30% (оценка team leads) * Внедрён AI-assisted code review в CI pipeline ### EMCD: AI-агенты как новое направление бизнеса **Ситуация:** Digital-агентство. Разработчики перегружены, нужно масштабировать без найма. **Программа:** Фокус на сессиях BUILD (агенты + мультиагентные пайплайны) и SHIP (мониторинг агентов в production). **Результаты:** * Команда научилась создавать и деплоить агентов для клиентов * Агенты автоматизации запущены у 3+ клиентов * Открыто новое направление: Custom AI Agents *** ## Предпосылки **Технические:** * Опыт в разработке (в любой роли) минимум 2 года * Базовое понимание SDLC (требования → код → тесты → деплой) * Знакомство с Git, CI/CD (хотя бы на уровне пользователя) **Организационные:** * 4 часа синхронного времени, 2 раза в неделю * Доступ к IDE и облачным сервисам (или on-prem инфраструктура) * Рекомендуем: реальный проект команды для практики **Важно:** * Не нужен опыт с AI/LLM — программа начинает с основ * Не нужен Python — примеры на разных стеках, принципы универсальны * Чем больше ролей в группе — тем ценнее: команда учится работать вместе по-новому *** ## Адаптация под вашу компанию **По стеку:** * Примеры и практика на вашем стеке (Java, Python, Go, JavaScript, C++ — любой) * Если нужен on-prem: модуль по Qwen, DeepSeek, vLLM вместо облачных API **По процессам:** * Если Scrum — интегрируем AI в спринты, ревью, ретро * Если Kanban — фокус на flow efficiency и автоматизацию WIP * Если SAFe — работаем на уровне ART и Team level **По зрелости:** * Команда ещё не использует AI → больше времени на сессии 1-3 (фундамент + SPECIFY + BUILD basics) * Уже активно используют Copilot → фокус на сессии 4-8 (мультиагентность, тестирование, SHIP, трансформация) * Разная зрелость в команде → разделяем на треки с общими сессиями 1, 7, 8 **По времени:** * Классика: 4 недели, 2 сессии в неделю * Интенсив: 2 недели, 4 сессии в неделю (не рекомендуем — мало времени на практику между сессиями) * Растянуто: 8 недель, 1 сессия в неделю (подходит для распределённых команд) *** ## Место в линейке программ KKTS.ai | Программа | Аудитория | Фокус | Результат | | ------------------------------------------------------------- | ------------------------ | --------------------------------- | ---------------------------------------------- | | [Программа AI-грамотности](/iishki-1/training/ai-literacy.md) | Все сотрудники | Понимание AI, базовые инструменты | Сотрудники используют AI в повседневной работе | | **→ AI-трансформация команды разработки** | **Инженерная команда** | **Трансформация SDLC** | **Дорожная карта + новые процессы** | | [AI-чемпионы 2.0](/iishki-1/training/ai-champions.md) | Руководители направлений | Организационная трансформация | Чемпионы с работающими пилотами | | [Фабрика вайб-кодинга](/iishki-1/training/vibe-coding.md) | Менеджеры без техбэка | Создание продуктов с AI | Работающий продукт + процесс | *** ## Следующий шаг [Запишитесь на 30-минутную консультацию](https://kkts.ai/consult) — обсудим текущий уровень зрелости вашей команды, стек и процессы, и подберём оптимальную конфигурацию программы. *** *См. также:* [*AI-чемпионы 2.0*](/iishki-1/training/ai-champions.md) *(для AI-лидеров) |* [*Фабрика вайб-кодинга*](/iishki-1/training/vibe-coding.md) *(для менеджеров без техбэка) |* [*Программа AI-грамотности*](/iishki-1/training/ai-literacy.md) *(для всех сотрудников)* --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://scrumtrek.gitbook.io/iishki-1/training/ai-for-developers.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.