Модель зрелости ИИ в разработке (DevAI Maturity)

Классические модели зрелости ИИ описывают использование ИИ на уровне компаний и отраслей.
Ниже предлагается модель DevAI Maturity, сфокусированная прикладном на процессе разработки ПО с помощью ИИ, с использованием готовых LLM-моделей.

Модель зрелости, определяющая способность компании создавать и обучать свои собственные LLM-модели, выходит за рамки данного документа.

Уровни зрелости (DevAI Maturity)

Уровень	Описание	Бизнес-результат
L1 — Advisor	ИИ используют вне IDE/CI для анализа и поиска решений	Быстрый доступ к знаниям, ускорение аналитики и поиска решений
L2 — Co-pilot in IDE	ИИ встроен в IDE, применяется ситуативно для локальных задач	Ускорение текущих разработчиков, снижение рутины, рост скорости
L3 — Agentized Dev	Определяются роли агентов, правила и шаблоны артефактов (начало SDD)	Расширение ресурсов за счёт AI-агентов: новые «виртуальные разработчики» с формализованными ролями и правилами
L4 — Multi-Agent System	Агенты взаимодействуют между собой и выполняют задачи полуавтономно	Автоматизация сложных задач end-to-end, масштабируемость без найма новых людей
L5 — CI/CD-Agentic	Агенты встроены в конвейеры CI/CD, готовят PR и окружения	Устойчивость к изменениям: агенты на основе спецификаций (SDD) автоматически мигрируют код, тесты и документацию при смене технологий

Детализация по уровням

L1. Advisor (Советник вне процесса)

Отличительные особенности:

ИИ используется вне IDE/CI.
Инструмент больше похож на «умного коллегу для обсуждений».
Результаты одноразовые, не встроены в систему разработки.

Инструменты:

Chat-GPT, Perplexity AI, DeepSeek, Giga Chat

Стандартизация:

Отсутствует, работа идёт ad-hoc.

Польза для бизнеса:

Быстрый доступ к экспертным знаниям.
Сокращение времени на аналитику и поиск решений.
Возможность генерировать больше идей без затрат на внешних экспертов.

Чек-лист «Мы на L1»:

Используем ИИ для поиска идей и анализа вне IDE.
Есть примеры решений, подсказанных ИИ.
Нет стандартизации, каждый использует ИИ «по-своему».

L2. Co-pilot in IDE (Локальная интеграция)

Отличительные особенности:

ИИ встроен в IDE и редакторы кода.
Используется для подсказок, генерации кода, рефакторинга.
Промпты составляются ситуативно, системности мало.

Инструменты:

VS Code + плагиры(github copilot, continue.dev)
AI-редакторы - Cursor AI, Giga IDE и другие.

Стандартизация:

Пока не применяется, но появляется «почва» для стандартизации.

Польза для бизнеса:

Ускорение работы текущих разработчиков.
Снижение рутины (генерация тестов, простые заготовки кода).
Первое снижение Time-to-Market за счёт ускорения задач.

Чек-лист «Мы на L2»:

ИИ встроен в IDE большинства разработчиков.
Используются плагины/копилоты (Copilot, Cursor, Continue).
Есть политика использования, но еще нет общей библиотеки промптов.

L3. Agentized Dev (Агенты по ролям)

Отличительные особенности:

Появляются виртуальные разработчики (AI-агенты).
Определяются роли агентов (coder, reviewer, tester и т.д.).
Используются библиотеки команд и шаблоны артефактов.

Инструменты:

Claude Code, Gemini Cli, Codex, Qwen Code, iFlow

Стандартизация:

Начало практик Spec-Driven Development.
Спецификации становятся источником для генерации кода, тестов, документации.
Библиотека команд (/generate:tests, /refactor:module) становится частью SDD.

Польза для бизнеса:

Масштабирование ресурсов: к людям добавляются агенты.
Пропускная способность команды растёт без линейного найма.
Предсказуемость и воспроизводимость результатов.

Чек-лист «Мы на L3»:

Определены роли агентов.
Есть библиотека команд и шаблонов.
Используется SDD: спецификации → артефакты.
Встроены базовые механизмы контроля рисков (RMF).

L4. Multi-Agent System (Оркестрация)

Отличительные особенности:

Агенты начинают взаимодействовать между собой.
Создаются многошаговые пайплайны (от задачи до PR).
Часть задач выполняется полуавтономно.

Инструменты:

Microsoft Autogen, Crew AI, LangChain Agents + LangGraph, Open AI Swarm

Стандартизация:

Spec-Driven Development становится основой взаимодействия агентов.
Спецификации используются для координации задач между агентами.

Польза для бизнеса:

Автоматизация комплексных end-to-end задач.
Возможность делегировать целые рабочие потоки.
Масштабируемость без увеличения штата.

Чек-лист «Мы на L4»:

Есть связка агентов (архитектор, ревьюер, тестер).
Работают пилотные multi-agent пайплайны.
Логи и трассируемость решений агентов сохраняются.
Управление рисками встроено в процесс (RMF/ISO).

L5. CI/CD-Agentic (Автономные конвейеры)

Отличительные особенности:

Агенты встроены в CI/CD-конвейеры.
Автоматически готовят PR, тесты, окружения.
Работают по правилам доступа и политике допусков.

Инструменты:

Специализированные облачные платформы

Стандартизация:

Спецификации SDD становятся основным источником истины.
При смене технологий (например, фреймворков) агенты могут автоматически мигрировать код, тесты, документацию.
Технологическая устойчивость достигается за счёт SDD.

Польза для бизнеса:

Устойчивость к технологическим изменениям.
Возможность быстро переходить на новые фреймворки и платформы.
Минимизация риска «застревания» на устаревших технологиях.

Чек-лист «Мы на L5»:

Агенты встроены в CI/CD и готовят PR.
Работает двухключевой merge (agent + human).
Есть политика доступа и контроля supply-chain.
Используются спецификации как источник истины для миграций.

Vibe coding - вне модели зрелости

Vibe coding — работа с ИИ в «свободном стиле», «на вайбе».

Vibe coding вынесен вне модели, потому что процесс развития уровней зрелости происходит внутри компании - разработчика инструмента для Vibe-кодинга, вне зоны вашего влияния.

Процесс будет двигаться одновременно в двух направлениях:

Специализация - компании будут выбирать свою нишу - прототипы интерфейсов (v0), сайты, игры, телеграмм-боты.
Стандартизация - для этих ниш компании будут проходить уровни до L5, стандартизируя подходы внутри, чтобы добиваться предсказуемых устойчивых результатов.

Итог

DevAI Maturity показывает путь развития зрелости использования готовых LLM моделей при разработке ИТ-продуктов.

Ценности от повышения уровне зрелости:

ускорение time-to-market
повышение качества
расширение ресурсов за счет AI-агентов
технологическая устойчивость и способность к безболезненным миграциям.