Как из AI-прототипа для гиков вырастить продукт на всю компанию? Реальный опыт Т-Банка / AI Dev Conf Podcast #3 AI ускоряет разработку, но вместе с тем в три раза растет количество багов, а код, сгенерированный нейросетями, требует двойного контроля. Как перестать «играться» с прототипами и построить промышленное решение, которое ускорит и обезопасит процесс? Как доказать его ценность в деньгах и времени, когда команды сопротивляются изменениям? В этом выпуске мы разобрали живой кейс Т-Банка: путь инструмента AI Code Review от RnD-эксперимента и изучения whitepapers до продукта, «раскатанного» на тысячи разработчиков. Таймкоды в описании 📌 Гости выпуска:— Надежда Егошина (Product Head, Т-Банк). Развивает продуктовый подход в инструментах для разработчиков.— Георгий Мкртчян (руководитель команды разработки софта для инженеров). Именно его команда сделала прототип AI-ревьюера и передала его «на вырост».— Андрей Дмитриев - партнер JUG Ru Group— Андрей Бураков - автор канала Yet Another Analyst, @another_sa. О чем поговорили (по таймкодам): 00:00:00 Про автоматизацию ревью кода 00:00:54 ИИ ускоряет разработку и меняет процессы на разных уровнях. 00:01:46 Представление гостей 00:03:40 Тренды в разработке 00:06:08 Принципы работы ИИ-ревью 00:07:56 Интеграция с системами 00:10:56 Масштаб проекта 00:11:54 Как начинался AI Code Reviewer 00:12:47 Исследование рынка и создание прототипа 00:14:23 Ожидания и реальность 00:15:21 Роль человеческого кода и ИИ 00:17:42 Проблемы с багами и уязвимостями 00:18:28 Продуктовая разработка и метрики 00:20:01 Доверие и ожидания 00:23:21 Создание фреймворка для офлайн-оценки 00:24:18 Тестирование гипотез и обратная связь 00:26:14 Переход к онлайн-оценке 00:31:21 Ключевые метрики 00:33:39 Анализ комментариев и их жизненный цикл 00:40:10 Автоматические исправления 00:42:55 Анализ метрик 00:46:19 Риски чрезмерного доверия к инструментам 00:49:07 Влияние на жизненный цикл мердж реквеста 00:50:47 Роль метрик и доверия к инструментам 00:52:30 Экосистема ИИ-агентов 00:54:27 Обучение моделей и синергия 00:56:37 Внешние решения для код ревью 01:00:09 Сопротивление изменениям 01:05:28 Слежка за рынком и конкурентами 01:07:15 Видение будущего продукта 01:14:30 Итоги и прощание Главные мысли выпуска: 1. Нельзя просто «запилить AI-бота» и встроить его в GitLab. Придется перестроить процесс код-ревью, научить команды доверять (но не слепо) и изменить культуру разработки. 2. Самое сложное в продуктовой работе — это не метрики и архитектура, а работа с сопротивлением людей. Придется постоянно доказывать пользу, собирать фидбек через опросы и амбассадоров. Что вы можете взять уже сегодня: — Рецепт, как из прототипа сделать продукт и передать в продуктовую команду (метрики, офлайн-бенчмарки). — Понимание, стоит ли покупать готовое решение (GitHub Copilot) или пилить свое, исходя из требований безопасности. — Практические советы по автоматизации тестирования и генерации unit-тестов. Пожелание от гостей: Будьте открыты к изменениям. AI уже изменил правила игры, и самое страшное, что может случиться с командой — это остаться со старыми процессами, думая, что «у нас всё и так работает». Ссылки по теме: — Veracode: отчет о безопасности кода, сгенерированного AI. https://www.veracode.com/blog/genai-code-security-report/ — Сравнение Aikido vs Coderabbit https://www.aikido.dev/comparison/aikido-vs-coderabbit — Доклад на JPoint о внедрении https://jpoint.ru/talks/20009812-ai-in-code-review-how-to-stop-tuning-prompts-and-start-building-a-system/