Управление ИИ в нативной ИИ-разработке ПО в масштабном производстве

Последнее обновление: 7 октября 2026 г.

Эксперт-консультант: Виттеш Сахни (Vittesh Sahni), старший директор по разработке ИИ

Макс Белов, технический директор

Когда ИИ интегрируется в систему поставки программного обеспечения, темпы возрастают. Код пишется быстрее, тесты создаются автоматически, а документация обновляется. Однако базовые процессы и рабочие процессы (ретроспектива, проверка, контроль качества и соответствие требованиям), которые поддерживают написание кода, тестирование и создание документации, не были рассчитаны на скорость ИИ. Разрыв между задачами с поддержкой ИИ и традиционными системами поставки особенно заметен в сфере управления и контроля (governance). В традиционных системах управление было рассчитано на команды, работающие в человеческом темпе, но с внедрением ИИ такие защитные механизмы могут замедлить процессы или привести к тому, что команды упустят важные проблемы.

Команды, которые обходят механизмы управления, не только замедляют работу, но и теряют ответственность. Потеря скорости и ответственности может привести к дорогостоящим задержкам, растрате ресурсов и сбоям в коммуникации между командами и заинтересованными сторонами.

Чтобы преодолеть разрыв между работой, созданной ИИ, и поддерживающей системой поставки, Coherent Solutions разработала цикл непрерывной поставки (Continuous Delivery Loop, CDL). CDL — это операционный фреймворк для разработки ПО на базе ИИ; он структурирует поставку в виде непрерывных циклов обратной связи в четырех основных областях: выявление проблем, валидация и исследование, проектирование и инженерия, а также наблюдение и масштабирование. Управление встроено в эти циклы как ключевая часть процесса, а не добавляется постфактум.

В этой статье объясняется, как CDL работает на практике, рассматривается то, как CDL закладывает ответственность в инженерию на базе ИИ, и объясняется, почему подход «управление как код» помогает масштабированию.

Почему управление критически важно при масштабировании ИИ

В цифровой инженерии традиционное управление отделяет политику от процесса поставки. Политики и процессы, призванные поддерживать поставку (проверка безопасности, подтверждение соответствия требованиям, шлюзы качества), находятся у команд за пределами рабочего процесса поставки и применяются как уровень проверки в самом конце, а не интегрируются во весь жизненный цикл разработки ПО. Поскольку эти проверки появляются после того, как решения о сборке уже приняты, проблемы всплывают слишком поздно и могут привести к задержкам и несогласованности. В результате инженерным командам приходится переделывать работу, если проверка безопасности и соответствия требованиям проводится только в конце.

В недавнем отчете Forrester ссылается на канадскую компанию по управлению благосостоянием и активами, которая пропустила управление соответствием требованиям в начале своей инициативы по созданию агентного ИИ, но назвала это ошибкой, как только стали очевидны затраты на переделку. Постфактум внедрение подотчетности не просто создает пробелы в аудите; оно заставляет команды пересматривать решения, уже находящиеся в промышленной эксплуатации.

Улучшение процессов поставки с помощью ИИ заключается не только в автоматизации задач, но и в перепроектировании рабочих процессов, ролей и принципов взаимодействия команд. Управление — это ключевая область, в которой это перепроектирование либо преуспевает, либо терпит неудачу.

Поворотный момент ИИ-нативной разработки

Инженерия на базе ИИ ускоряет всю систему поставки. Если управление не успевает за этим темпом, такая скорость увеличивает риски, а не ценность. Нормативное давление создает дополнительную сложность. Поскольку ИИ выполняет все больше работы, контрольные следы, утверждения и проверки качества нельзя добавлять в конце жизненного цикла — они должны быть встроены с самого начала. Цель состоит не в том, чтобы замедлить поставку, а в том числе в том, чтобы интегрировать управление во всю систему поставки, чтобы ответственность росла вместе с результатами.

Управление как код: как CDL обеспечивает подотчетность

В CDL политики управления должны быть написаны и сохранены как исполняемые артефакты наряду с программными артефактами. Они имеют версии, подлежат тестированию и аудиту точно так же, как промышленный код. Политики управления также хранятся в «Справочнике по ИИ» (AI Playbook) — живом, управляемом источнике достоверной информации CDL, содержащем стандарты и соглашения, шаблоны оркестрации, промпты для конкретных ролей, хуки управления и проверенные архитектурные решения, к которым команды обращаются при работе с ИИ. Он управляется как промышленный код — с ветками, пулл-реквестами, ревью, версионированием и выводом из эксплуатации — евангелистами ИИ (AI Champions), которые его поддерживают. Когда правило управления изменяется, оно обновляется один раз и распространяется на каждую использующую его команду. Это делает управление активной частью системы поставки, а не просто дополнительным уровнем.

Семь точек принудительного контроля на базе CDL, где работает концепция «Управление как код»

1. Ревью кода

В фреймворке CDL команды используют ИИ для проверки изменений до того, как они попадут к проверяющим-людям. Это помогает справляться с большим объемом созданного ИИ кода при сохранении человеческого суждения. Управление устанавливает правила в отношении того, что требует эскалации, кто дает окончательное одобрение и при каких условиях. Эти правила единообразно применяются во всех командах поставки.

2. Тестирование (QA)

Вместо того чтобы добавлять тестовое покрытие в конце, CDL создает и запускает тесты при каждом изменении кода. Критерии приемки включаются с самого начала. Управление определяет, что означает «готово» до завершения каждого цикла, поэтому качество проверяется на протяжении всего процесса, а не только на финише.

Coherent применила этот подход во всем своем подразделении QA, которое насчитывало 360 инженеров в девяти странах. Команды QA использовали ИИ для редизайна рабочей документации по тестированию, регрессионному анализу и рабочим процессам анализа. В результате трудозатраты на написание тест-кейсов сократились на 50%, скорость документирования выросла на 60%, а покрытие тестами увеличилось на 35%. Инженеры сохраняли ответственность за принятие решений и валидацию на каждом этапе.

3. Безопасность

С помощью CDL проверки безопасности и цепочки поставок программного обеспечения, правила лицензирования и интеллектуальной собственности, фильтры конфиденциальных данных и ведение журнала аудита выполняются для каждого действия ИИ в рамках цикла агента — одного из ключевых циклов обратной разметки фреймворка. Это гарантирует, что важнейшие функции безопасности встроены на протяжении всего жизненного цикла, а не только на этапах развертывания и обслуживания. Такой подход также создает отслеживаемую запись, которая помогает командам быстро выявлять и устранять проблемы безопасности, избегая дорогостоящих переделок.

4. Человеческие шлюзы (Human gates)

Рабочие процессы CDL четко определяют, когда людям необходимо принимать решения. На практике эта ответственность ложится на руководителей команд, так как они ближе всего к работе и лучше всего могут оценить, какая степень автономности ИИ уместна с учетом конкретного риска и контекста. Как Coherent отмечала в недавней статье для Forbes Technology Council, технический директор может определять стратегию, инструменты, управление и общую политику, но именно руководитель команды определяет, как каждый элемент применяется в конкретной ситуации. Управление определяет, какие решения требуют одобрения человека, у кого есть такие полномочия и как они отслеживаются. Это обеспечивает прозрачность ответственности по мере того, как ИИ берет на себя все больше обязанностей.

5. Архитектура

CDL кодифицирует архитектурные стандарты и ограничения в качестве артефактов управления, благодаря чему работа, созданная ИИ, остается в рамках установленных системных границ. Там, где ревью кода работает на уровне строк, принудительное соблюдение архитектуры работает на уровне системы, гарантируя, что результаты работы ИИ соответствуют шаблонам, интеграциям и структурным решениям, которые команда уже приняла.

6. Системы

Требования и спецификации, определяющие то, что создает команда (эпики, пользовательские истории, критерии приемки и масштаб продукта), не находятся в конвейере поставки. Они существуют в системах единого источника достоверных данных, где работа определяется и отслеживается. Правила на уровне конвейера, управляющие продвижением работы по рабочему процессу, обрабатываются точками принудительного исполнения, указанными выше; данный пункт посвящен сохранению связи с тем, что должно было быть создано в результате работы. CDL связывает управление с этими системами, чтобы создаваемый продукт можно было проследить до исходных целей и масштаба продукта. Это помогает сократить разрыв между замыслом и исполнением по мере того, как искусственный интеллект ускоряет результаты.

7. Обучение

Структура цикла обратной связи CDL поддерживает непрерывное совершенствование управления. Уроки, извлеченные из каждого цикла поставки, фиксируются и возвращаются в AI Playbook, поэтому политики остаются актуальными и развиваются по мере накопления опыта команды в области доставки с использованием ИИ. Элемент обучения особенно важен для масштабируемого управления, так как он помогает снизить сложность растущей системы поставки.

Кто управляет управлением?

Политики управления надежны ровно настолько, насколько надежны люди, поддерживающие их. Чтобы помочь регулировать назначение и масштаб управления среди заинтересованных сторон и команд доставки, CDL назначает четкую ответственность для трех ключевых ролей:

• AI Council: Управляет стандартами и курирует все программы.

AI Council: Управляет стандартами и курирует все программы.

• AI Champions: Владеет Playbook и руководит исполнением на местах.

AI Champions: Владеет Playbook и руководит исполнением на местах.

• Applied AI Experts: Создает и совершенствует инструменты и методы, используемые обеими командами.

Applied AI Experts: Создает и совершенствует инструменты и методы, используемые обеими командами.

Без назначенных владельцев политики управления деградируют. Правила устаревают по мере изменения инструментов и моделей, команды по-разному интерпретируют один и тот же стандарт, и никто не несет ответственности, когда политика перестает соответствовать тому, как работа выполняется на практике, из-за чего снова возникают пробелы в аудите.

Назначение этих трех ролей позволяет поддерживать Playbook в актуальном состоянии, обеспечивает единообразие применения правил в командах доставки и дает заинтересованным сторонам четкий путь эскалации, когда правило необходимо изменить. Управление остается живой частью системы доставки, а не документом, написанным один раз и забытым.

Результат

В системе доставки с участием человека в контуре управления ИИ должен помогать людям и ИИ работать лучше, а не замедлять их. Он должен обеспечивать прослеживаемость, согласованность и четкую подотчетность, чтобы команды могли принимать уверенные решения. Когда управление встроено в постоянные циклы обратной связи, инсайты остаются надежными и согласованными по мере изменения условий. Это позволяет принимать более быстрые решения без риска для доходов, безопасности или операций.

В проектах с использованием CDL компания Coherent зафиксировала среднее увеличение эффективности доставки на 30% по сравнению с проектами без CDL. CDL обеспечивает необходимую структуру, гарантирующую, что управление встроено в систему доставки, а не добавляется позже, объединяя скорость и подотчетность. Этот совокупный эффект стимулирует долгосрочное создание цифровой ценности (Digital Value Creation), связывая ИИ с бизнес-ценностью и эффективным, масштабируемым ростом.