Наш эксперт,
Игорь Курочкин, принял участие в обсуждении
отчета от DORA про влияние Generative AI на Software Development в подкасте Research Insights Made Simple. Отчет про влияние Generative AI вышел в середине 2025 года и основан на
методологии и исследовании
Accelerate State of DevOps 2024, которые были дополнены серией интервью с разработчиками и исследованиями команды Engineering Productivity Research в Google. В отчете представлено текущее состояние внедрения Generative AI, анализируется влияние на разработчиков, команды и организации, предлагается фреймворк, метрики и практические рекомендации для успешной интеграции, оценки и непрерывного улучшения.
Темы, затронутые в обсуждении отчета:
- Влияние Generative AI на повседневную работу. Как рост внедрения Generative AI на 25% скажется на удовлетворенности от работы (Job Satisfaction), выгорании (Burnout), состоянии потока (Flow), продуктивности (Productivity), рутинной работе (Toilsome Work) и ценной работе (Valuable Work);
- Влияние Generative AI на командную работу и организацию. Как рост внедрения Generative AI на 25% скажется на качестве документации, качестве и сложности кода, техническом долге и координации команд;
- Влияние Generative AI на удовлетворенность от разработки. Фреймворк влияния Generative AI с разделением ценностей на утилитарную, репутационную, экономическую, внутреннюю и гедонистическую. Пять стратегий, обеспечивающих рост ценности разработчиков при использовании Generative AI;
- Формирование доверия разработчиков к Generative AI. Пять стратегий формирования доверия разработчиков к Generative AI. Практические стратегии для помощи разработчикам в освоении Generative AI и создания удобной среды для разработчиков;
- Обновленная модель исследования DORA и ключевые метрики. Структурирование модели на слои: Capabilities, Conditions, Performance и Outcomes. Разделение метрик на уровни: Individual, Team, Service, Organization;
- Практики обратной связи на индивидуальном и командном уровне: автоматизированные тесты (Automated Tests), непрерывная интеграция (Continuous Integration), регулярные опросы (Developer Surveys), ретроспективы (Retrospectives), сообщества практик (Communities of Practice), инженерная аналитика;
- Фреймворк внедрения Generative AI, который разделен на руководящие принципы (Guiding principles) и пошаговые действия для лидеров и для практиков;
- Метрики для оценки внедрения Generative AI: метрики ассистентов кода (Code assistant metrics). метрики качества обратной связи (Fast-feedback metrics), метрики командного уровня (Team-level metrics), метрики сервисного уровня (Service-level metrics), метрики организационного уровня (Organizational metrics).
Метрики ассистентов кода (Code assistant metrics):- Распределенные лицензии (Licenses allocated): какой % купленных лицензий распределен между сотрудниками?
- Ежедневные активные пользователи (Daily active users): сколько пользователей ежедневно используют инструменты Generative AI?
- Подсказки кода (Code suggestions): сколько подсказок кода генерируется?
- Обращения к чату (Chat exposures): сколько взаимодействий с AI чатом совершают сотрудники?
- Принятые подсказки кода (Code suggestions accepted): сколько подсказок кода принимается?
- Принятые строки кода (Lines of code accepted): сколько строк кода принимается?
Метрики качества обратной связи (Fast-feedback metrics):- Тесты при коммите (Tests on commit): запускает ли коммит кода серию автоматизированных тестов?
- Ежедневные тесты (Daily tests): выполняются ли автоматизированные тесты как минимум ежедневно?
- Ежедневные сборки (Daily builds): собирается ли приложение автоматически как минимум ежедневно?
- Уверенность в тестах (Test confidence): насколько команда уверена в готовности ПО к релизу, когда автоматизированные тесты проходят успешно?
- Блокировка при сбоях (Failures prevent progress): блокируют ли сбои автоматизированных тестов продвижение коммита по пайплайну?
- Приоритет успешных сборок (Prioritize successful builds): сколько времени проходит между поломкой сборки и ее исправлением коммитом, устраняющим проблему, или откатом изменения, вызвавшего поломку?
Метрики командного уровня (Team-level metrics):- Зависимость от AI в задачах (AI task reliance): насколько вы полагались на AI в различных задачах?
- Взаимодействие с AI (AI interactions): как часто вы взаимодействовали с AI?
- Продуктивность с AI (AI productivity): как AI повлиял на вашу продуктивность на работе?
- Способность писать код с AI (AI ability to write code): как AI повлиял на вашу способность писать код?
- Доверие к AI (AI trust): насколько вы доверяли качеству кода, сгенерированного AI, в рамках вашей работы по разработке?
- Доверие к организации (Organizational trust): насколько вы доверяете своей организации в вопросе прозрачности планов по использованию AI?
- Состояние потока (Flow): как часто вам удавалось достичь высокого уровня концентрации или состояния потока во время задач разработки?
- Удовлетворенность от работы (Job satisfaction): как вы относитесь к своей работе в целом?
- Продуктивность (Productivity): насколько продуктивным вы себя ощущаете на работе?
- Ценная работа (Valuable work): какую часть рабочего времени вы тратили на работу, которую считаете ценной?
- Выгорание (Burnout): каково ваше благополучие на работе?
- Культура (Culture): какая культура в вашей организации?
Метрики сервисного уровня (Service-level metrics):- Сложность кода (Code complexity): насколько сложность кода мешала вашей команде, если вообще мешала?
- Качество кода (Code quality): насколько команда удовлетворена качеством кода?
- Время ревью кода (Code review time): сколько времени занимает процесс ревью кода?
- Качество документации (Documentation quality): каково качество документации сервиса?
- Технический долг (Technical debt): насколько технический долг мешает продуктивности?
- Ориентация на пользователя (User centricity): насколько команда сфокусирована на потребностях пользователей?
- Показатели продукта (Product performance): каковы показатели продукта?
- Эффективность поставки ПО (Software delivery performance): каковы пропускная способность и стабильность изменений ПО?
Метрики организационного уровня (Organizational metrics):- Количество клиентов (Number of customers): сколько клиентов обслуживает организация?
- Доля рынка (Market share): какова доля рынка основных продуктов организации?
- Показатели организации (Performance): каковы общие показатели организации?
- Прибыльность (Profitability): какова общая прибыльность организации?
- Миссия (Mission): насколько хорошо организация достигает своих целей?
- Удовлетворенность клиентов (Customer satisfaction): насколько клиенты удовлетворены продуктами и услугами вашей организации?
- Операционная эффективность (Operating efficiency): насколько эффективно работает организация?
- Качество (Quality): каково качество продуктов или услуг организации?
Руководящие принципы (Guiding principles). Успешное внедрение AI требует общего понимания ключевых принципов:
- Ориентация на пользователя (User-centeredness): AI должен служить потребностям пользователя. Для разработчиков это означает использование AI в инструментах, которые улучшают их рабочий процесс и сокращают рутинную работу (Toil). Для конечных пользователей это означает функции на базе AI, которые улучшают опыт работы с продуктом;
- Непрерывное улучшение (Continuous improvement): внедрение AI нельзя считать разовым событием. Это непрерывный процесс экспериментов, обучения и доработки. Используйте циклы обратной связи и вносите изменения итеративно на основе данных;
- Прозрачность и коммуникация (Transparency and communication): открыто сообщайте о стратегии, целях и политиках организации в области AI. Напрямую работайте с опасениями разработчиков относительно сокращения рабочих мест. Развивайте культуру психологической безопасности, в которой разработчики чувствуют себя комфортно, экспериментируя и делясь опытом;
- Ответственное использование (Responsible use): установите четкие организационные политики использования AI. Обеспечьте ясность в вопросах этики, конфиденциальности данных и рисков безопасности. Это включает рекомендации о том, когда, где и как использовать AI, а также о снижении рисков безопасности, связанных с AI, и управлении ими;
- Измерение и итерации (Measurement and iteration): отслеживайте ключевые метрики для оценки влияния AI на команды, сервисы и организацию. Используйте эти данные для корректировки стратегии AI и подтверждения того, что она дает желаемые результаты.
Пошаговые действия для лидеров. Эти семь шагов помогают лидерам играть ключевую роль в успешном внедрении AI:
- Сформируйте видение и стратегию: определите четкую миссию и план внедрения AI, согласованные с общими целями организации. Прозрачно доносите это видение до всех сотрудников, подчеркивая совместную природу партнерства человека и AI;
- Расширьте полномочия команд: поощряйте эксперименты с инструментами AI. Выделяйте разработчикам время в рабочие часы на изучение, исследование и интеграцию AI в рабочие процессы. Это могут быть хакатоны, обучающие встречи за обедом (lunch-and-learns) или временное снижение ожиданий по продуктивности. Поддерживайте формирование сообществ практик, где разработчики могут делиться знаниями и лучшими практиками;
- Инвестируйте в обучение и ресурсы: обеспечьте доступ к инструментам AI, учебным материалам и качественной документации. Следите за тем, чтобы внутренняя документация поддерживалась в актуальном состоянии и по ней было легко искать, так как AI может использовать эту информацию для предоставления более точного контекста и поддержки;
- Пересмотрите метрики эффективности: вознаграждайте за результаты и поставленную ценность. Отработанные часы не должны быть единственным критерием. Признавайте трудозатраты на эффективную работу с AI, включая Pprompt engineering и доработку результатов, сгенерированных AI;
- Создайте среду для обучения: поощряйте непрерывное обучение и адаптацию. Представляйте AI как возможность для разработчиков приобрести новые навыки и расширить экспертизу;
- Управляйте ожиданиями: реалистично оценивайте сроки и возможные сложности внедрения AI. Подчеркивайте, что это итеративный процесс и первоначальные неудачи ожидаемы;
- Установите четкие политики: сформулируйте четкие правила использования AI, включая то, когда и где его следует использовать, а также процедуры снижения рисков безопасности и управления ими.
Пошаговые действия для практиков. Практики используют AI ежедневно и могут повысить получаемую пользу, следуя этим шагам:
- Экспериментируйте: исследуйте различные инструменты и сценарии использования AI в рамках установленных организационных правил. Сфокусируйтесь на задачах, где AI может дать немедленную ценность: генерация кода, суммаризация, объяснение незнакомого кода, ревью кода, документация и написание тестов;
- Развивайте AI грамотность (AI fluency): учитесь эффективно взаимодействовать с инструментами AI. Это включает освоение Prompt engineering, понимание ограничений AI и интеграцию AI в существующий рабочий процесс;
- Ставьте в приоритет качество и проверку: относитесь к результатам, сгенерированным AI, как к отправной точке. Готовым продуктом они не являются. Всегда проверяйте, тестируйте и дорабатывайте код и документацию, сгенерированные AI. Сохраняйте критический взгляд и опирайтесь на свою экспертизу;
- Делитесь знаниями и новыми практиками: участвуйте в сообществах практик, делитесь опытом с коллегами и вносите вклад в коллективные знания организации об AI;
- Фокусируйтесь на влиянии на пользователей: используйте AI для улучшения пользовательского опыта за счет более быстрых циклов разработки, более качественного кода или более глубокого анализа обратной связи от пользователей;
- Выступайте за ответственное использование: учитывайте вопросы этики, конфиденциальности данных и рисков безопасности. Следуйте политикам и правилам организации и сообщайте о своих опасениях.
Подробнее в записи подкаста
Research Insights Made Simple #16: