Как разработка с AI может вдвое повысить производительность инженерной команды
How Building with AI Can Double the Throughput of Your Engineering Team
Удвоение выпуска кода за меньше чем год, по словам авторов, достигнуто за счёт обязательного использования AI и перевода всей разработки на Claude Code.
- Измерение через изменения в коде — основной показатель команды это количество изменений в коде на одного сотрудника R&D, а опросы разработчиков служат дополнением.
- AI как требование к роли — неиспользование AI прописали в требованиях к должностям дизайнеров, продакт-менеджеров и инженеров. По словам спикера, выбор одной платформы даёт накопительный эффект, которого не получить при работе сразу с несколькими инструментами.
- Skills и hooks как общая база знаний — правила Rails, тестов и безопасности упакованы в переиспользуемые skills и hooks, которые команда дополняет после каждой ошибки агента. Пример: skill для исправления нестабильных спеков в наборе из сотен тысяч тестов.
- Автоматическое одобрение pull requests — часть изменений одобряют агенты с порогом уверенности, откалиброванным по данным, размеченным людьми. По словам спикера, это не нарушило соответствие SOC 2 и ISO 27001 при наличии аудиторских контролей, а узкое место теперь — code review.
Кому полезно: тем, кто переводит большую команду разработки на агенты для кодинга и хочет понять, как измерять эффект.
Статья по теме
Главы
Похожие доклады
Весточка из будущего: как построить AI-native компанию
AI Engineer Code 2025
Близко по содержанию
Как измерить ROI от ИИ в разработке ПО (исследование Stanford / 120 тыс. разработчиков)
AI Engineer Code 2025
Близко по содержанию
Чему мы научились, внедряя AI в инженерную организацию Bloomberg
AI Engineer Code 2025
Близко по содержанию
Состояние ИИ в разработке ПО: данные более чем 400 организаций
Близко по содержанию

