State of AI-assisted Software Development 2025
Отчёт DORA 2025 о влиянии генеративного AI на разработку: данные опроса о продуктивности и доверии к сгенерированному коду, влияние на качество и технический долг, условия, при которых внедрение окупается.
Практика чтения для этого источника ещё не опубликована
Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.
Открыть оригиналПосле самостоятельного разбора
Видео и редакционные разборы открываются после практики и помогают сверить ход мысли.
RIMS #16
Impact of Generative AI in Software Development
Обсуждение отчета DORA (2025) на данных опроса 2024 года: как AI влияет на индивидуальную продуктивность, delivery-процессы и инженерную культуру.
Гость
Игорь Курочкин
Фокус
DORA: AI in software development
Формат
Podcast review
Основа главы
Telegram пост #3763
Контекст выпуска и список ключевых тем обсуждения.
Основа главы
Telegram пост #3763
Контекст выпуска и список ключевых тем обсуждения.
Темы выпуска
- Введение и обзор отчета DORA
- Методика исследования и подход к анализу
- Результаты о влиянии AI на индивидуальную работу
- Специфика влияния AI на стартапы и генерацию идей
- Toil и автоматизация непродуктивной работы (опыт Google)
- Влияние AI на инженерные процессы и технический долг
- Изменения в моделях доставки, новые метрики и анализ трендов
- Ценности разработчиков и психология внедрения AI
- Продуктивность, доверие к AI и различие восприятия
- Внедрение, политика и стимулирование использования AI
- Стратегии масштабирования и связанные метрики
- Сбор и анализ обратной связи, роль фреймворка
- Развитие модели и лидерство во времена перемен
Четыре фокуса разбора
Индивидуальная продуктивность
Обсуждение, где AI реально ускоряет инженеров, и почему локальный прирост скорости не всегда сразу конвертируется в системный результат команды.
Процессы и технический долг
Разбор влияния AI на delivery-процессы: как меняются практики разработки, где растут риски rework и как контролировать накопление техдолга.
Платформы, метрики и feedback loop
Как выстроить наблюдаемость внедрения: от операционных метрик и сигналов качества до регулярного цикла обратной связи от инженерных команд.
Лидерство и масштабирование
Что нужно менять в управлении и инженерной культуре, чтобы масштабирование AI-практик шло через устойчивые механики, а не через разовые пилоты.
Практический чеклист для команд
- Разделяйте оценку AI-эффекта на три уровня: инженер, команда, продукт.
- Мерите не только скорость поставки, но и quality-сигналы: rework, дефекты, рост техдолга.
- Снижайте toil целевыми автоматизациями и фиксируйте влияние на cycle time.
- Добавляйте governance для AI-инструментов: правила использования, доверия и ревью.
- Стройте масштабирование вокруг повторяемого feedback loop, а не around ad-hoc внедрений.
Предыдущий выпуск
Методология DORA
Контекстный эпизод, где разбирались методика и рамка анализа.
Предыдущий выпуск
Методология DORA
Контекстный эпизод, где разбирались методика и рамка анализа.
В связке с предыдущим выпуском эта глава даёт полную картину: сначала методологическая основа DORA, затем интерпретация результатов и перенос выводов в практику платформенных и продуктовых команд.
Где слушать выпуск
Связанные главы
RIMS #17 - Measuring the Impact of Early-2025 AI on Developer Productivity
Продолжение темы: как интерпретировать спорные результаты AI-бенчмарков.
RIMS #18 - Review of AI in SDLC report by IT One & Skolkovo
Сравнение подходов к измерению эффекта AI на уровне инженерных организаций.
Achieving Productivity Gains with AI-based IDE features: A Journey at Google
Кейс продуктового внедрения AI-инструментов с измеримым engineering-эффектом.