Помогаю руководителям получать измеримый результат от AI в разработке
Вот почему.

Для Head of AI, CTO и VP Engineering, которые решают, где применять AI в разработке и какое изменение проверить первым. Разбираю действующий процесс вместе с командой и оцениваю результат по согласованным метрикам.

  • Сравниваю ускорение разработки с затратами на инструменты, проверку и переделки.
  • Задачу описываем с критериями готовности, а агенту даём нужные документы и код.
  • Сначала согласуем задачу и ограничения, затем проверяем небольшое изменение перед выпуском.

20 минут на квалификацию → после отправляю агенду, вилку бюджета и ближайшие даты. Без обязательств.

Для обучения команды выбирайте митап или серию занятий. Если нужно изменить рабочий процесс, начните с платной диагностики; после неё можно выбрать командный AI-эксперимент или AI-ready rollout с изменениями процессов и архитектуры. Старт по согласованным окнам команды.
OpenAI Codex CLIAnthropic Claude CodeCursor IDEGitHub Copilot

Узнаёте себя в 2 из 4? Эта страница - для вас.

Copilot, Claude или Codex оплачены, но изменения выпускаются не быстрее и сбоев меньше не стало (метрики DORA).

Менее опытные инженеры предлагают изменения в коде (PR) больше чем на 2000 строк, а старшие инженеры тратят на проверку больше времени, чем потратили бы на написание кода.

Инженеры копипастят продовый код в личные ChatGPT, секьюрити-политик нет.

Ощущение, что кодовая база превращается в «легаси на стероидах»: кода всё больше, контроля всё меньше.

Если это ваша картина - дальше разберём, почему наличие AI ещё не означает AI-ready SDLC.

Несогласованное использование AI в компании: подписки есть, результата нет

AI может ускорять локальные участки работы, но без дисциплины поставки и единых правил быстро падает пропускная способность и стабильность поставки.

Разные правила у каждого инженера

У каждого свой подход: кто-то использует личные инструменты, кто-то избегает AI. Командный процесс распадается.

PR становится перегруженным

Большие диффы и лишние изменения повышают цену ревью и замедляют цикл поставки.

Недоверие к AI-коду

Команда перепроверяет всё вручную, поэтому срок выпуска изменений (lead time) не сокращается.

Shadow AI

Личные аккаунты и обход политики безопасности создают риски утечек и отсутствия аудита.

Speed vs Safety конфликт

Руководство ждёт x-кратного роста скорости, команда опасается privacy и security инцидентов.

Одна лекция не меняет delivery

Без сегментации и практики знания не переходят в устойчивое поведение команды.

Решение: единый инженерный протокол, встроенный в SDLC, с чёткими границами и проверками.

Почему «просто чат» в компаниях не работает

Для работы с AI в компании нужно подготовить доступ к данным и проверки результата.

  • Для закрытых данных и кода нужно определить, что можно передавать внешним моделям.

  • Агенту нужны результаты тестов и сведения о работе приложения после выпуска.

  • Данные о задаче, инцидентах и архитектурных решениях находятся в Jira, Confluence и чатах.

  • Доступы и аудит: нужно понимать, кто что изменил и на каком основании.

На диагностике проверяю, какие данные нужны агентам, какие действия им разрешены и как команда проверяет результат.

— Aleksei Litvinau
Что именно я внедряю

Что именно я внедряю

Качество = спецификация + ограничения + проверки + короткий цикл

  1. 01 Диагностика
  2. 02 Единая модель задач
  3. 03 Ограничения
  4. 04 Минимальные изменения
  5. 05 Верификация (gates)
  6. 06 Интеграция в SDLC
  7. 07 Рефлексия и обновление регламента работы

Управление вместо «магического общения»

Команда использует AI как управляемый инженерный инструмент, а не непредсказуемого ассистента.

Patch-мышление (малые диффы)

Работаем малыми диффами, сохраняем читаемое ревью и снижаем риск каскадных регрессий.

Явная модель контекста и границ

Фиксируем, какой контекст разрешён, что запрещено, что обязательно проверяем.

Экономика и метрики эффекта

Отделяем полезное ускорение от имитации прогресса и убираем неэффективные практики.

не обещаю

  • Не обещаю, что AI заменит команду: без сильного ведущего инженера это не работает.
  • Не обещаю «магию за один митап».

✓ обещаю

Делаем процесс, где сильные инженеры получают рычаг, а команда работает предсказуемо и по общим правилам. Я приношу каждый вариант следующего шага с ценой и заранее названным негативным сценарием, чтобы вы сравнили эту цену с ожидаемым эффектом до старта.

Артефакты на выходе:
Рабочий протокол команды: правила работы с AI, PR-политика и чеклисты.
30-дневный план внедрения: шаги по ролям и зонам ответственности.
Карта блокеров: где команда застревает и какие изменения нужны в процессе.

Principal Engineer, правая рука Head of AI и CTO

кто говорит?
Aleksei Litvinau
Aleksei Litvinau

Aleksei Litvinau

14 лет строю и масштабирую высоконагруженные системы: райд-шеринг масштаба ~1 млрд поездок в год в Lyft, финтех, платформы данных на ~40 ПБ. Экс-Head of Engineering: направление, в котором работали больше 100 инженеров. Автор книги «AI-Assisted Engineering» и открытых материалов по методике.

  • ~40 млн долларов бизнес-эффекта от внедрения ML в работающие продукты и сокращения облачных затрат.
  • Работаю с реальными репозиториями и brownfield-системами; сегодня - десятки параллельных coding-агентов на продовых задачах. Цель - больше контроля и предсказуемости у того, кто отвечает за AI перед бизнесом.
  • Говорю на языке CTO: build или buy по ключевым компетенциям, governance, evaluation, CI/CD, SDD, DORA. Не собираю полтора года своё решение там, где задача закрывается готовым продуктом.
  • Прохожу внутренние согласования, приезжаю в офис, беру retainer или оплату под результат.
Посмотреть мой инженерный бэкграунд (LinkedIn)

Форматы сотрудничества

01 · Диагностика

AI Rollout Diagnostic - платная диагностика

За 1-2 недели определяю, где AI может ускорить delivery, какие риски нужно закрыть и с какого изменения начать. Это стандартный объём: на большей области срок растёт.

Больше 10 инженерных аудитов

Ценность
4/6
Стоимость
3/6
Скорость
4/6
  • Интервью и разбор delivery-контура, блокеров и текущих AI-практик
  • Read-only доступ; разработка продолжает работать в обычном режиме
  • Команда тратит ~2 часа в неделю на интервью и сверку выводов
  • В диагностику входит один рабочий разбор до 60 минут с владельцем AI-направления по открытому решению для выбранного продукта. Я готовлю варианты и основания выбора, затем обсуждаем выводы. Новые исследования и работу вне выбранного продукта согласуем отдельно.
  • Итоговый пакет с блокерами, приоритетами, базовыми метриками и планом первого эксперимента
  • Расчёт в деньгах - сколько стоит один день работы компании, и цена каждого варианта следующего шага
  • Фиксированная стоимость и срок, названные до старта; объём и итоговый артефакт зафиксированы

Если командный эксперимент стартует в течение 30 дней, всю стоимость диагностики зачту в его оплату. Высвобождённые часы сами по себе не дают денег; результат зависит от того, куда вы их направите.

03 · AI-ready

Архитектурная подготовка и внедрение AI-ready изменений

Диагностирую delivery-контур и внедряю согласованные изменения в процессы, архитектуру взаимодействия и ответственность.

Инженерная стратегия для 220 IT-специалистов

Ценность
6/6
Стоимость
5/6
Скорость
2/6
  • Диагностика текущего состояния и описание целевого процесса
  • Изменения в правилах команд, CI/CD и ревью
  • AI-ready практики в delivery-контуре
  • Масштабирование после подтверждённого эффекта на выбранных метриках

Для расширения на несколько команд нужны владельцы бюджета и результата, доступы и согласованные ресурсы. Масштабирование начинаем после подтверждённого эффекта на выбранных метриках.

01 · Митап

Митап / открытое выступление

После выступления инженеры и руководители понимают роли AI, основные риски и следующий шаг для команды.

9 проведённых митапов на 11 сентября 2026 года

Ценность
1/6
Стоимость
1/6
Скорость
6/6
  • 60 минут выступления и 20-30 минут вопросов для вашей аудитории
  • Роли AI Engineering и границы применения
  • Риски shadow AI, перегруженных PR и недоверия к AI-коду
  • Решение о следующем шаге для команды или руководителей

Доступ к коду не нужен.

02 · Серия занятий

Серия практических занятий

3-4 занятия на реальном учебном проекте для группы инженеров.

2 запущенные корпоративные программы обучения

Ценность
3/6
Стоимость
2/6
Скорость
5/6
  • 3-4 занятия для рабочего контекста команды
  • Разбор инструментов, сценариев и инженерных ограничений
  • Практика применения AI в разработке
  • Материалы для работы между сессиями

Группа закрепляет подходы между сессиями и сверяет результаты на следующем занятии.

Доказательства

Ниже кейсы трёх видов: аудит процесса, внедрение изменений, обучение команды. В каждом указаны результат и масштаб работы.

Published methodology

Книга «AI-Assisted Engineering»

Рукопись из пяти модулей закончена. На её основе я собрал открытые материалы по методике.

Книга собирает в одну систему спецификации, governance, evaluation, agentic delivery и работу с brownfield-кодом.

Книга описывает методику, но не заменяет результаты внедрения у клиентов.

Открыть материалы книги
Full stack, solo

Telehealth-продукт end-to-end одним инженером

End-to-end: backend, frontend и Flutter для iOS и Android.

В исходной оценке проекта стояли три человека на три месяца. Один инженер сделал работу за ~2 недели - с подробными спецификациями, короткими циклами и обязательной проверкой результата.

Метрика относится к личной delivery-практике одного инженера; масштаб команды здесь не проверялся.

Enablement · senior-аудитория

От вопроса «что такое MCP» до защиты собственных планов внедрения

SaM Solutions разрабатывает enterprise-системы для внешних заказчиков. В учебную группу набрали 14-15 инженеров уровня middle+ и senior: преимущественно Java и Spring Boot, а также SAP Commerce и .NET.

На первом митапе в феврале спрашивали базовое: что такое MCP, какую подписку брать, с чего начать без ошибки. 23 вопроса, почти все про ориентацию в теме. На втором митапе я собрал в прямом эфире Spring Boot сервис feature-флагов с тестами, CI/CD и Swagger UI: полный путь от задачи до проверки, 2 010 строк Java по замеру.

К финалу каждый участник написал и защитил собственный 30-дневный план внедрения и прошёл взаимную проверку. На четвёртом занятии спрашивали уже другое: как удерживать спецификации в актуальном состоянии на большой команде, приживётся ли подход на legacy-проекте со слабой документацией и как быть, когда лицензии на AI куплены, а политик и процессов их применения нет. Третий митап прошёл уже после программы, и тема была другая - multi-agentic разработка.

Результат обучения проверяли по планам внедрения, которые участники защитили и обсудили друг с другом. Рабочие delivery-метрики команд в этот замер не входили.

Enterprise · AI-центр

AI-центр крупной геймдев-компании

Крупная геймдев-компания на несколько тысяч человек переводит одну из игр на собственный движок и хочет выстроить вокруг этого перехода единый процесс разработки с AI. Работу заказал руководитель внутреннего центра компетенций по AI.

Три платные сессии для разработчиков, тех-лидов и архитекторов. Затем я собрал ответы инженеров продуктовой команды и по ним построил программу из пяти занятий под их стек и названные ими боли.

Три сессии проведены и оплачены. На третьей самым активным участником оказался технический директор компании, а следующий заказ пришёл от него и от директора разработки продукта.

После трёх сессий началась практическая программа из пяти занятий для продуктовой команды. Этот кейс описывает обучение; изменение delivery-метрик здесь не оценивалось.

Кому это не подходит.

Дело не в размере компании. В кейсах на этой странице есть организация на 220 IT-специалистов и продуктовая компания на ~30 человек.

  • Внутри компании никто персонально не отвечает за AI и не может провести бюджет на изменения. Пока такого человека нет, мы неделями согласуем условия вместо работы.
  • Если вы зовёте советником за долю в компании, это не мой формат. Работаю по договору с оплатой - retainer или под результат.
  • Когда нужны только часы обучения для инженеров, подойдёт отдельный вход - митап или серия занятий. Диагностику такой вход не заменяет.

Частые вопросы

Delivery и диагностика
Почему AI уже есть, а delivery не ускорился?
Причину ищу по всему пути задачи. AI может сокращать время написания кода, а ожидание ревью, проверки или согласования оставлять прежним. На диагностике сопоставляю эти этапы и выбираю с командой участок, где изменение даст измеримый результат.
Как понять, что проблема у нас в процессе, а не в инструментах?
Если ваши агенты уже решают задачи, а команда получает нужный результат, дополнительная работа может не понадобиться. На диагностике я проверяю, что уже работает и где остаются задержки, доработки или ограничения доступа; затем сопоставляю ограничения инструментов, качество контекста и правила команды.
Безопасность и governance
Мы не хотим передавать код и данные во внешние модели. Это вообще возможно?
Да. Можно выстроить процесс через safe rules, маскирование, контракты на контекст, ограничения на типы данных и контролируемые сценарии использования. На практике вопрос обычно не в том, использовать AI или нет, а в том, как сделать это без появления shadow AI и неуправляемых рисков.
Запуск и ownership
С чего лучше стартовать?
Сначала платная диагностика. За 1-2 недели я разбираю, где AI ускоряет разработку, а где растит стоимость, и показываю приоритеты. По её итогам предлагаю один-три эксперимента и называю цену за каждый. Беру в план только те, где ожидаемый эффект в 3-12 раз больше стоимости моих услуг; если такого эффекта не видно, скажу об этом прямо. Дальше делаем то, о чём договорились. Если команде не хватает общего понимания темы, начинаем с митапа или серии занятий.
Кто должен быть owner изменений внутри компании?
Нужен внутренний заказчик с полномочиями: Head of AI, Head of AI CoE, VP AI, CTO, VP Engineering или Head of Engineering. И один ответственный за внедрение - тот, кто сможет протащить изменения в review, DoR/DoD, CI/CD и командные правила. Без этих двоих даже хороший эксперимент остаётся набором локальных проб.
Delivery и диагностика
Как не получить ещё больший review tax и PR больше 2000 строк?
Нужны не запреты на AI, а правила работы: спецификация задачи, ограничения по контексту, patch-thinking, лимиты на размер изменений и обязательные проверки перед merge. Тогда AI перестаёт раздувать хаос и начинает работать как управляемый инженерный инструмент.
Запуск и ownership
Что нужно с нашей стороны, чтобы эксперимент не остановился через две недели?
Нужны сильный внутренний заказчик со стороны engineering leadership, одна команда с реальными задачами, доступ к delivery-контексту и готовность менять рабочие правила. Одного нового инструмента для этого недостаточно. Без этих условий эксперимент остаётся демонстрацией и не меняет рабочую модель команды.
Как стартуем?
Intro call 20 минут → агенда и бюджет → согласование даты → запуск первого этапа.
ROI, бюджет и закупка
Как обосновать ROI и бюджет на AI перед руководством?
Через delivery-экономику, а не через хайп. Обычно имеет смысл считать размер PR, число итераций ревью, lead time, rework, дефекты и субъективную нагрузку команды. Если AI не двигает эти показатели, то подписки сами по себе ценности не создают. Если двигает - эффект можно защитить на языке бизнеса.
Как измеряется эффект?
Смотрим до/после: размер PR, итерации ревью, lead time, rework, дефекты, субъективная нагрузка команды.
Сколько стоит?
Зависит от формата, размера команды и глубины изменений. На Intro call обсудим вашу ситуацию и после этого я отправлю рекомендуемый формат, вилку бюджета и следующие шаги.
Что будет, если результат не достигнут?
Метрику результата мы выбираем на диагностике и фиксируем до старта эксперимента. Если к концу срока она не достигнута, я работаю дальше бесплатно до результата, максимум ещё четыре недели. Деньги при этом не возвращаются: я ставлю своё время, а не гонорар, поэтому мне выгодно дойти до результата быстро, а вам - получить результат, а не возврат. Работает это, пока с вашей стороны есть доступы, назначенный владелец изменений и согласованное время команды.
Как проходит оплата и документы?
Работаем через договор или инвойс в формате, который подходит под ваши procurement-требования. Если нужен NDA, согласование с юристами или закупочный контур, это можно учесть на старте.