· 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 недельКак 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 ИИКак 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 ИИКак 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 недельС 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
От хайпа к привычке: как мы строим SaaS-компанию с AI в основе и продолжаем выполнять roadmap
Deepsha Menghani, Rossella Blatt Vital
AI Engineer World's Fair 2025
Близко по содержанию
Весточка из будущего: как построить AI-native компанию
AI Engineer Code 2025
Близко по содержанию
ИИ, который приносит доход: уроки управления финансовыми потоками в здравоохранении
AI Engineer World's Fair 2025
Близко по содержанию
Как удалённая компания развивает AI-грамотность
AI Engineer World's Fair 2026
Близко по содержанию

