Последние месяцы я все чаще встречаю упоминания AI-Disrupt PDLC от Сбера. Обычно в довольно восторженном контексте: новая методология, новая архитектура разработки, переход к ИИ-нативной разработке, агенты, Tiny Teams, Environment > Model и так далее.

Я открыл само руководство. Потом краткую версию. Потом снова полную.

И меня все это время не покидала одна мысль:

“Где-то я все это уже видел. Только немного по-другому”

Не в смысле “все украдено до нас”. Это как раз слишком простой и, как оказалось, неправильный ответ. Мне стало интересно другое: что именно в AI-Disrupt существовало раньше, что было адаптировано под агентную разработку, что представляет собой новую композицию известных практик, а для чего не удается найти достаточно близких предшественников.

В итоге вместо обычного разбора получилось полноценное большое исследование.

Я прошел по основным конструкциям AI-Disrupt отдельно: Discovery и PR/FAQ, Outcome Hypothesis, две петли Intent и Implementation, SDD, IDP, Golden Paths, Policy as Code, Governance Mesh, Guardian Agents, Validation Spine, Evidence Bundle, R0–R5, L0–L5, Tiny Teams, Zero Friction, Harness и Environment > Model.

Картина получилась значительно интереснее моего первоначального ощущения.

У большинства составляющих действительно есть документированные предшественники. PR/FAQ давно существует у Amazon. SDD и specification as source of truth появились до AI-Disrupt. Golden Paths пришли из platform engineering. Policy as Code, continuous validation и agent governance тоже возникли не в 2026 году. Есть даже довольно близкий предшественник самой идеи AI-driven жизненного цикла: AWS представила AI-DLC еще летом 2025 года, и авторы AI-Disrupt сами его рассматривают.

Но из этого не следует, что AI-Disrupt просто собран из чужих деталей. Его авторский вклад заметнее на другом уровне: в адаптации и композиции. Известные практики получают новые роли и связываются в общую архитектуру агентной разработки. А для некоторых конкретных конструкций, например архитектурной роли Validation Spine и восьмикомпонентного Evidence Bundle, достаточно близких предшественников в проведенном мной поиске я не нашел.

Отдельной частью исследования стала доказательная база. И вот здесь все еще интереснее.

Например, часто повторяемые результаты DeepSense 53,8% и 81,8% получены не на одной выборке: baseline включает 225 многоязычных задач, а агентный результат относится к 33 Python-задачам. Поэтому разницу между ними нельзя просто превратить в эффект среды.

Пример “20 человеко-лет против 4–6 разработчиков за три месяца” при буквальном пересчете дает не 5–10-кратное, а примерно 13,3–20-кратное сокращение трудоемкости. При этом человеко-годы вообще не позволяют вычислить сокращение календарного срока без дополнительных данных.

А перечень семи компетенций, который в AI-Disrupt представлен как исходный перечень DORA, не совпадает с официальной DORA AI Capabilities Model.

В результате мой исходный вопрос “где я все это видел?” оказался слишком узким. Гораздо интереснее другой:

Что представляет собой AI-Disrupt, если отдельно рассмотреть происхождение его составляющих, характер авторского вклада и доказательный статус основных утверждений?

Именно на него я и попытался ответить в своем исследовании.

Полная версия уже опубликована на GBAK. Там источники, генеалогия основных конструкций, сравнение с AWS AI-DLC, разбор метрик и количественных утверждений, DeepSense, DORA, Tiny Teams, шкалы автономии и зрелости и, наконец, попытка определить, чем AI-Disrupt является как профессиональный продукт.

Получилось большое и местами нудное чтение. Зато без необходимости верить мне или авторам AI-Disrupt на слово.