AI действительно ускорил разработку в разы. Прототипы, которые раньше делались неделями, теперь можно собрать в короткие сроки.

Но возникает вопрос:

Мы реально меняем сам процесс разработки или просто быстрее проходим те же самые этапы?

Раньше всё было довольно понятно:

требования → разработка → тестирование → релиз

Код писался долго, поэтому у команды было время спокойно пройтись по всем этапам.

Сейчас ситуация меняется.

Разработка ускорилась настолько, что начинает вскрывать слабые места процесса.

И по моим наблюдениям, проблемы проявляются в двух точках.

1. Bottleneck в тестировании

Если в команде нет выстроенных процессов качества и понимания, что тестируют все, а не только QA — всё начинает ломаться.

Потому что фичи теперь появляются очень быстро.

И если они продолжают по привычке «уезжать на тестирование к QA», то быстро образуется очередь.

Например:

команда генерит 10–15 изменений в день, а QA успевает проверить 3–4.

В итоге:

— задачи ждут проверки — релизы тормозятся — команда не получает быстрый фидбек — выигрыш от ускорения разработки теряется

Bottleneck, который раньше был не так заметен, становится критичным.

2. Bottleneck в discovery

Но ещё более интересная вещь происходит раньше — на этапе discovery.

Раньше команда могла долго обсуждать:

— что делать — как это будет работать — какие сценарии покрывать

И это было нормально, потому что сама разработка занимала много времени.

Теперь всё переворачивается.

Прототип можно собрать за вечер.

И в какой-то момент команда начинает не успевать думать с той же скоростью, с которой может делать.

Главным ограничением становится уже не «успеем ли мы это сделать», а:

— успеем ли мы придумать нормальные идеи — успеем ли мы их провалидировать — понимаем ли мы вообще, что стоит делать

Идеи начинают не успевать за скоростью разработки.

Что это значит для SDLC?

SDLC никуда не исчезает. Но он перестаёт быть линейным.

Схема: идея → код → тестирование → релиз

всё чаще даёт сбои, потому что была рассчитана на мир, где разработка — самый долгий этап.

В AI-first разработке всё больше появляется короткий цикл:

— идея / гипотеза — быстрый прототип — проверка — доработка — снова проверка

На первый взгляд это очень похоже на Agile.

Те же итерации, те же гипотезы, тот же быстрый фидбек, но есть важное отличие.

Agile ускорял доставку фич, а AI-first ускоряет саму возможность их создавать.

И из-за этого радикально падает стоимость эксперимента.

Цикл сжимается с недель до часов.

Если раньше основной вопрос был:

«как быстрее разработать»

то теперь всё чаще:

— как быстрее проверить — как быстрее понять, что стоит делать — как не сломать процесс из-за скорости

В этом мире важно не скатиться в модель, где discovery заменяется A/B тестами, а обеспечение качества исключительно тестами которые генерит сама же AI.

Потому что A/B отвечает на вопрос «что лучше», но почти не отвечает на вопрос «зачем это вообще делать». А обеспечение качества далеко не ограничивается написанием тест-кейсов и автотестов.

И тут появляется следующий логичный шаг.

Если основные bottleneck теперь в проверке, валидации и discovery — и именно они начинают тормозить процесс, то логично возникает попытка их автоматизировать.

Не только писать код с помощью AI, но и:

— генерировать гипотезы — проверять их — оценивать результаты — принимать решение о следующем шаге

То есть не просто ускорять отдельные этапы, а постепенно перекладывать сам процесс на агентов.

И тогда вопрос звучит уже немного по-другому:

Кто вообще будет выполнять SDLC — люди или системы?

И если это всё ещё будет человек, то в чём тогда будет заключаться его роль?

но это уже тема для отдельной статьи.