Автоматизация разработки: как компании выстраивают зрелые пайплайны и внедряют ИИ
Что думают ИТ-директора, почему важно начинать с культуры и при чём тут разработчики-зумеры
За модными аббревиатурами вроде CI/CD, MLOps и AI-ассистентов — конкретные вопросы. Как автоматизация влияет на релизы? Где ИИ помогает, а где мешает? И как преодолеть сопротивление команд?
В рамках живого обсуждения эксперты «МТС Банка», «Ростелекома», «Детского мира» и «Рима Систем» поделились опытом: как автоматизация изменила их процессы, какие метрики действительно работают и почему обучение важнее инструментов.
Развернутый анализ с блоком Q&A от практиков и деталями программ обучения команд — читайте в полном материале в Компас CIO.
Автоматизация — новая инженерная норма
Переход от ручного деплоя к сквозным пайплайнам — это не просто обновление инструментов. Это смена всей логики разработки, где прозрачность, управляемость и предсказуемость становятся ключевыми требованиями бизнеса.
«Раньше мы вручную деплоили фичи в прод по пятницам. Сейчас — прозрачные пайплайны, контроль артефактов, автоматизированное тестирование. Это единственный способ держать нужную динамику», — отметил Дмитрий Бахтин, директор по разработке в компании «Детский мир».
Для команд это значит: вместо импровизации — последовательность, вместо героических рывков — стабильные процессы. Автоматизация охватывает не только CI/CD, но и безопасность, тестирование, ревью.
Результат виден в метриках. Time-to-market, баги, отклик на инциденты, MTTR — всё это напрямую зависит от зрелости пайплайнов. И компании всё чаще рассматривают автоматизацию как платформу для масштабирования.
Какие конкретно инструменты используют (JetBrains + Copilot, локальные модели) и как измеряют командные vs личные метрики — вы найдете в полном материале в Компас CIO.
ИИ — помощник, а не замена
ИИ помогает писать тесты, шаблонный код, документацию, а иногда и находить ошибки. Но он не заменяет разработчиков — лишь ускоряет рутину и освобождает время для сложных задач.
«Мы не пишем код “в лоб” с помощью ИИ. Мы используем модель как ускоритель — она подставляет шаблоны, подсказывает тест-кейсы, помогает с проверками. Всё это интегрировано в пайплайн, и человек остаётся в центре», — пояснил Дмитрий Мезенцев, CTO «МТС Банка».
В «Рима Систем» ИИ используется даже в 1С: разработчики проверяют и оптимизируют код, находят нужные функции и решают типовые задачи с помощью ChatGPT и других инструментов. А в «Ростелекоме» внедрён «нейрошлюз» — набор LLM-сервисов, доступных командам от анализа требований до ревью кода.
Наталья Гафурова рассказывает, как командам удаётся встроить нейросети в процесс без потери контроля:
Как работает контроль ИИ в критичных системах, почему старшие разработчики более требовательны к результатам и где остается ответственность человека — смотрите в полном материале в Компас CIO.
Меняется инженерная культура
Автоматизация разработки всё чаще выходит за рамки CI/CD. Компании внедряют MLOps и DataOps, чтобы ускорить работу с данными, повысить надёжность решений и снизить риски.
В «МТС Банке» уже действует собственная on-premise ML-платформа: она обрабатывает десятки гигабайт данных ежедневно — от скоринга и антифрода до персонализированных предложений. Такой подход позволяет контролировать качество и соответствовать требованиям к защите данных.
«Без единой ML-платформы невозможно поддерживать высокую скорость бизнес-решений — от скоринга до транзакционных продуктов», — подчёркивает Дмитрий Мезенцев.
«Проблема не в инструментах, а в коммуникации. Автоматизация работает только тогда, когда есть описанный процесс и доверие между командами», — добавляет Дмитрий Бахтин.
Автоматизация должна быть измерима
Ни в одной из компаний не изобретают «специальные метрики для ИИ»: в центре остаются привычные показатели — time-to-market, количество багов, скорость релизов, MTTR.
«Мы смотрим на командные метрики: сколько релизов, сколько инцидентов, как быстро устраняются баги. Личные показатели — вторичны. Главное — как работает команда в целом», — подчёркивает Наталья Гафурова из «Ростелекома».
Вместе с этим появляются новые ориентиры: сколько задач можно решить без привлечения синьора, сколько времени экономится при генерации автотестов, насколько быстрее проходит ревью. Это особенно помогает junior-разработчикам, которые раньше ждали помощи — а теперь получают подсказки сразу.
«Мы видим: количество автотестов растёт, время на их написание сокращается, код-ревью становится быстрее. И это уже даёт заметный прирост по всей цепочке разработки», — говорит Иван Федотов из «Рима Систем».
Автоматизация — это ещё и про людей
Когда новые ML- и AI-практики входят в команду, проблемы чаще всего начинаются не с технологий, а с коммуникаций.
Ни один инструмент не сработает, если команда не понимает, зачем он нужен. Все участники дискуссии сходятся: успех автоматизации зависит не только от технологий, но и от культуры — внутри команды и всей организации.
Молодые разработчики (20–25 лет) используют нейросети как часть повседневной практики. А вот у специалистов с большим опытом могут возникать сомнения: зачем, как работает, не заменит ли меня? Давление в таких ситуациях не помогает.
Компании выбирают добровольный формат внедрения и делают ставку на демонстрацию пользы: сколько времени экономится, какие задачи становятся проще, где можно быстрее получить результат.
***
Автоматизация стала нормой, но детали реализации определяют успех. Какие именно метрики показывают реальную эффективность команды? Как правильно координировать ML-инженеров с классическими разработчиками? Какие конкретные инструменты и методики используют МТС Банк и Ростелеком?
Эти практические детали и технические решения — основа для принятия решений в вашей компании. Все детали и полная видеозапись дискуссии доступны в Компас CIO.
