Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Часть 1. Рост использования не равен ускорению разработки

Значимый прорыв формирует отрасль ИИ: Eskimo 1 минуту назад Как мы внедряли ИИ на 500 инженеров, а скорость не росла. Рост использования не равен ускорению разработки 5 мин 16 Блог компании Райффайзен Банк Искусственный интеллект Управление разработкой * Agile * Управление проектами * Кейс ИИ в разработке сейчас внедряют почти все. Кто-то подключает чат, кто-то раздаёт доступ к кодинг-агентам, а кто-то обучает свои модели.

На графиках пользователи и активность растут, инженеры пробуют инструменты и привыкают к новой реальности, но при проверке метрик очень часто выясняется, что работать ничего быстрее не стало. Меня зовут Марат Киньябулатов, я эксперт по гибким практикам и отвечаю за эффективность инженерных команд в ядре банка. В этой статье расскажу, какие гипотезы мы проверяли при внедрении ИИ, почему рост использования чатов и кодинг-агентов не равен росту скорости, какие метрики помогали отделять привычку от результата и как мы пришли к идее Agentic Engineering.

Технические детали

Зачем вообще внедрять ИИ в инженерные командыПочти все организации так или иначе пробуют ИИ. В 2025 году 88% организаций внедрили хотя бы один ИИ-инструмент, но только 6% получили реальный бизнес-эффект. Это может быть эффект с точки зрения ROI, бизнес-процессов или конкретного бизнес-результата.

При этом 43% ИИ-инициатив в организациях провалились или были отменены. И проблема часто не в самих инструментах, а в том, что руководители не могут ответить на простой вопрос: зачем они это внедряют. У нас этот вопрос сформулирован довольно чётко.

Нам важно быстрее доставлять ценность клиенту. В финтехе и банковской разработке это всегда заметнее. Представьте, что приходит новое legal-требование, меняется процесс, появляется новая интеграция или вводная от регулятора.

Отраслевые последствия

Команда должна максимально быстро к этому адаптироваться. Поэтому нам близка идея Self-Driving Bank. Конечно, в большой инженерной системе это не так просто.

Но чем быстрее мы можем безопасно довести изменение до клиента, тем больше ценности доставляем. Чтобы оценивать реальное движение к этой цели, мы посмотрели на три инженерные метрики. Lead Time — это время от момента, когда команда закоммитилась что-то сделать и взяла обязательство, до релиза клиенту.

В нашем случае это ответ на вопрос, за сколько мы делаем. Throughput показывает, сколько элементов команда доставляет за определённый период. То есть сколько мы делаем.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.