Что происходит с инженерными командами, когда код пишут агенты

Крупные компании исторически строили разработку как конвейер, где каждый этап поставки ценности закрывал отдельный специалист. Но когда агент способен одинаково прилично написать и фронт, и бэк, экономика специализации меняется — индустрия возвращается к модели «универсального» продуктового инженера.

1. От конвейера к универсальным инженерам

Экономика специализации меняется вместе с возможностями агентов: индустрия возвращается к модели «универсального» продуктового инженера, который ведёт фичу от идеи до продакшна.

2. Целевая архитектура команды

Идеал: продакт генерирует гипотезы и прототипы, инженер-агент доводит их до продакшна, при этом требования к безопасности, надёжности и другим «горизонтальным» политикам должны быть заранее формализованы в виде скиллов/политик.

3. Детерминированные проверки как страховка

Разница между вайб-кодингом и «AI-нативным инжинирингом» — в наборе детерминированных проверок, которые нарастают вместе с проектом. Архитектуру нужно сразу проектировать под self-healing и автоматическую проверку регресса, потому что регресс невозможно эффективно проверять руками.

4. Платформенные команды меняют профиль

В крупных компаниях появляется отдельный блок, отвечающий за AI-инфраструктуру: Model Gateway, MCP Hub, Skill Hub, sandboxing для запуска агентных сред.

5. Неравномерность внедрения

Будущее «уже наступило, но распределено неравномерно»: быстрые и смелые команды выбивают себе доступ к топовым инструментам под пилоты и вырываются вперёд, остальные довольствуются базовым уровнем платформы.

6. Spec-Driven Development и важность формализации

Интерактивная работа с агентом с постоянными уточнениями драматически снижает качество результата. Модели работают лучше, когда задача заранее разложена на спецификацию и критерии приёмки.

7. Доменная терминология важнее конкретного языка программирования

Модель даёт заметно более качественный результат, когда с ней говорят на точном внутридоменном языке проекта.

8. Легаси и внутренние форки превращаются из актива в пассив

Раньше кастомные форки были конкурентным преимуществом. Теперь агенты обучены на мейнстримных инструментах и плохо знают «местные приколы» доработанных внутренних платформ.

9. Базы знаний — нерешённая проблема

Перевести знания крупной компании в git-подобный «единый источник истины» очень тяжело: пользователи баз знаний — не только инженеры, а изменение их привычек занимает годы.

10. Как мерить эффект от AI

Три уровня метрик: проникновение — кто и как использует инструменты; время — измерение конкретных «джобов» и того, как изменения в платформе влияют на скорость их выполнения; экономика — перевод сэкономленного времени в реальный эффект.

11. Наём и обучение джунов

Классический сигнал найма обесценился — агент выдаёт правдоподобный ответ без специфического человеческого сигнала.

12. Где агенты пока слабы

Явно заданные, изолированные задачи с чистым вход/выходом агенты решают отлично. Живые системы с состоянием, легаси-миграции, распутывание «исторически сложившегося» поведения — гораздо сложнее.

---

По мотивам подкаста «Как AI изменит разработку ПО: будущее программистов, команд и IT-компаний» (Александр Поломодов).