← Каталог

· AI Engineer World's Fair 2026

Как построить AI-native компанию в сфере здравоохранения

How to build an AI-Native Health Company

По опыту Maven Clinic, переход к AI-native держится на инженерах, которые сами доводят задачи с AI до релиза, и на тестах, которые прогоняются многократно.

  • Самостоятельная реализация — инженеры больше не делегируют реализацию, поэтому при найме ищут тех, кто понимает продукт и готов постоянно учиться.
  • Планирование на 2–4 недели — спринты короткие, PRD занимают одну-две страницы, а планы на три-шесть месяцев строить трудно, потому что за это время меняются модели.
  • Ревью при большом объёме кода — PR не больше 500 строк, для больших фич используют stacked PR, а инженер сам решает, нужен ли ревью; AI-ревьюеры помогают, но полностью им пока не доверяют.
  • Надёжность с галлюцинациями — допустимость ошибки задаётся для каждой функции: ошибка в одном случае из тысячи приемлема для записи на приём, а заявку на возмещение сверяют несколько моделей и при расхождении предлагают связаться с живым сотрудником поддержки. Каждый интеграционный тест прогоняют много раз и требуют стабильно около 90% успешных прогонов, а при запуске новых фич вручную проверяют 20% разговоров.

Кому полезно: тем, кто переводит команду разработки на AI-инструменты и пересматривает ревью и релизы для LLM-функций в продакшене.

Статья по теме

На какие вопросы отвечает доклад

  • Как проводить code review, если инженеры пишут тысячи строк кода в день?

    Простые PR можно мержить без ревью, но автор отвечает за результат. Для ревью ставят лимит 500 строк на PR и разбивают большие фичи на stacked PR, чтобы ревьюеры не утверждали код вслепую.

    ▶ 8:11Планирование циклов поставки длительностью от двух до четырёх недель
  • Как выбрать допустимый уровень ошибок LLM для разных функций продукта?

    Сначала определяют, какие сбои допустимы: ошибку при записи на приём можно исправить повтором, а ошибку в сумме возмещения нельзя. Для критичных сценариев модели проверяют друг друга и передают на человека при расхождении.

    ▶ 12:42Уверенность в code review и инструменты code review на базе ИИ
  • Как тестировать LLM-функции в CI, если один и тот же запрос дает разные ответы?

    Каждый тест запускают много раз и требуют стабильно высокий процент прохождения, около 90%. После запуска автоматическая оценка по рубрикам проверяет диалоги, а команда вручную просматривает выборку, для новых фич около 20%.

    ▶ 12:42Уверенность в code review и инструменты code review на базе ИИ
  • Как планировать разработку AI-продукта, если модели меняются каждые несколько месяцев?

    Планируют окна в две-четыре недели и пишут короткие документы на одну-две страницы вместо большого PRD. Цели на полгода и год рассматривают как ориентир, потому что возможности моделей через три месяца трудно предсказать.

    ▶ 8:11Планирование циклов поставки длительностью от двух до четырёх недель
  • С чего начать внедрение AI-инструментов для кодинга в команде разработки?

    Начинают с задач с низким риском, например unit-тестов и документации, где результат легко проверить. Затем на этом опыте пишут правила, skills и guardrails и переводят всю команду на инструменты для реализации задач.

    ▶ 8:11Планирование циклов поставки длительностью от двух до четырёх недель

Главы

Похожие доклады