AI agents reshape the development cycle: where Scrum contracts, where humans remain essential

AI-агенты правда радикально сжимают привычный цикл разработки, но не отменяют его целиком. Одни этапы почти исчезают, другие превращаются в точку повышенного контроля, и всё зависит от того, с каким типом продукта работает команда.

Где цикл схлопнулся

Ещё недавно путь от идеи до рабочего кода занимал дни или недели: нужно было описать задачу, разбить её на подзадачи, передать разработчику, дождаться первой реализации и только потом собирать обратную связь. С агентами этот маршрут стал заметно короче. Черновой код, тестовые заготовки, миграции, UI-скелеты и даже базовая документация появляются за один проход, а не после нескольких итераций между людьми.

• Формулировка гипотезы быстрее превращается в прототип Черновая реализация появляется почти сразу после постановки задачи Подготовка тестовых данных и фикстур уходит из ручной рутины * Документация и технические заметки больше не ждут конца спринта Из-за этого меняется не только скорость, но и сама логика управления работой. Команда тратит меньше времени на передачу контекста и больше — на проверку того, что именно сгенерировал агент. Узким местом становится не написание кода, а подтверждение его пригодности: наблюдаемость, трассировки, продуктовые метрики, поведение на реальных сценариях. Поэтому разговор не о том, что процесс исчез, а о том, что он сместился ближе к моменту запуска и эксплуатации.

Greenfield против legacy В greenfield-проектах, где продукт создаётся

с нуля, пространство для ускорения максимальное. Там меньше исторических ограничений, проще договориться о структуре кода и легче принять подход, при котором агент генерирует большую часть стартовой реализации. В такой среде часть классических проверок действительно ослабевает: вместо тяжёлого code review команда чаще смотрит на observability, логи, алерты и то, как система ведёт себя под реальной нагрузкой. В brownfield-среде картина другая. Старый код почти всегда содержит скрытые зависимости, неявные договорённости и бизнес-логику, которая плохо читается изолированно. Агент может быстро написать патч или рефакторинг, но риск ошибки здесь выше, чем в новом сервисе. Поэтому человек не исчезает из цикла: он валидирует изменения, проверяет инварианты, сопоставляет генерацию с историей системы и решает, не сломает ли локальное улучшение соседние части продукта.

Где скорость упирается

Сильнее всего границы ускорения видны там, где много регуляторики, согласований и внешней ответственности. В финтехе, медицине, enterprise-платформах и внутренних системах крупных компаний агент действительно экономит время на подготовке черновиков, анализе требований, генерации кода и тестов. Но он не может взять на себя юридическую ответственность, пройти аудит вместо команды или гарантировать, что решение соответствует внутренним политикам и отраслевым нормам. Отсюда и главный вывод про роли. Не исчезают ни тестировщики, ни аналитики, ни тимлиды — меняется предмет их работы. QA всё меньше занят повторяемой ручной проверкой и всё больше смотрит на рискованные сценарии. Аналитик сильнее формализует требования, чтобы агент не фантазировал на неоднозначных местах. Тимлид и архитектор отвечают за границы применения AI, правила валидации и моменты, где нужен обязательный человеческий контроль.

Что это значит AI-агенты не убили

Scrum, QA и code review одним махом, как это любят описывать инфлюенсеры. Они просто неравномерно сжали цикл разработки: в новых продуктах ускорение почти взрывное, в legacy-системах полезность зависит от качества валидации, а в регулируемых средах выигрыш приходит без снятия ответственности. Побеждают команды, которые умеют не только генерировать быстрее, но и проверять умнее.