Операционный директор Napoleon IT Евгений Жорницкий рассказывает, что именно изменилось в производстве, какой эффект это дало на цифрах, где у подхода есть границы и почему мы считаем модель готовой к работе с внешними заказчиками.
Евгений, почему Napoleon IT решилась на переход к гибридной разработке? Что не устраивало в классической модели?
Классическая конвейерная модель хорошо описывает процесс, но плохо масштабируется по скорости. Проект проходит через большое число ролей, каждая передача занимает время, на каждое согласование уходит время. При росте сложности задач эти потери накапливаются.
Мы видели, что рынок меняется быстрее, чем мы успеваем реагировать в рамках старой структуры. Поэтому вопрос стоял не «хотим ли мы меняться», а «как именно перестроить производство, чтобы та же команда давала больше и быстрее».
Как выглядит внедрение ИИ в рабочий процесс изнутри?
Главное изменение произошло в модели, а не в инструментах. Мы сократили число передач между узкоспециализированными ролями и выстроили систему вокруг двух центральных фигур – это люди, усиленные агентами.
Первая фигура – аналитик, работающий с заказчиком через Discovery Kit: набор агентов и ИИ-скиллов, которые ускоряют анализ требований, проектирование и подготовку артефактов. Вторая – delivery-инженер: он ведёт создание продукта совместно с агентной инфраструктурой, но решения и ответственность за качество остаются за ним. Это принцип human-in-the-loop, и он действует на обеих ролях.
Между этими двумя ролями – интеллектуальный слой: автоматизированные цепочки для формирования требований, генерации и верификации кода, тестирования, контроля качества и деплоя.
Расскажите, на каких проектах вы тестировали гибридную модель разработки?
На трёх внутренних проектах на полном цикле: от анализа требований до деплоя. Нам было важно проверить, что эффект воспроизводится на всём производственном цикле. Стоимость снизилась на 23–56% в зависимости от проекта. Часть аналитических задач ускорилась с двух недель до двух дней. Темп релизов одного из внутренних продуктов вырос вдвое.
Вы уверены, что ускорение разработки – это не разовый эффект?
На трёх проектах доказать системность полностью нельзя, и я не буду этого утверждать. Но эффект дала не удача отдельной команды, а то, что поддаётся повторению: стандартизованный интеллектуальный слой, одни и те же агентные пайплайны и заранее заданные точки контроля. Мы получаем не «быстрее один раз», а воспроизводимый процесс с предсказуемыми контрольными точками.
Устойчивость мы как раз сейчас набираем на большей выборке проектов. Пока честнее говорить так: результат воспроизвёлся на трёх разных проектах. Это сильный сигнал, но не финальное доказательство.
Где гибридная модель не помогает или даёт сбои?
Там, где цена ошибки зависит от постановки задачи. Ошибка в требованиях теперь опаснее ошибки в коде: неверно сформулированную задачу агентный конвейер просто быстро размножит. Поэтому мы не убираем человека из ранних этапов, а наоборот усиливаем контроль требований и держим отдельный слой верификации.
Второе ограничение – ранняя проверка гипотез на моделях не заменяет проверку на реальных пользователях, она её удешевляет и сокращает. Мы относимся к этому как к фильтру плохих идей, а не как к вердикту. Инструмент, встроенный в непродуманный процесс, результата не даёт. Это мы тоже проверили.
Как вы решаете вопрос с чувствительными данными при внедрении ИИ в бизнес-процессы?
У нас есть собственное решение – «Наполеон Гейт». Мы разрабатывали его под свои нужды: это управляемый шлюз доступа к языковым моделям с единой точкой входа, логированием запросов и маршрутизацией по режимам обработки данных. Именно через него мы и решаем вопрос чувствительных данных.
Логика простая: режим определяется классом данных, а не тем, что удобнее технически. Наиболее чувствительные данные не покидают закрытый контур организации. А для задач без ограничений можно подключать ведущие мировые модели.
Поверх этого работает «Оркестр» – наш визуальный конструктор ИИ-агентов, из которого мы собираем пайплайны под конкретные задачи. Но контур безопасности данных задаёт именно «Гейт».
Что изменилось в том, как работают сами инженеры? Им пришлось переучиваться?
Да, и это, пожалуй, самое интересное изменение. Инженер теперь управляет агентами так же, как раньше управлял задачами. Это другой набор навыков: умение сформулировать задачу так, чтобы агент решил её правильно, и умение оценить результат. Разрыв между командами, которые умеют работать с ИИ, и теми, кто не умеет, растёт быстро.
Поменяется ли подход к работе с новыми клиентскими проектами?
Да. Мы готовы применять эту модель на проектах клиентов, включая формат success fee, где часть вознаграждения привязана к достигнутому результату. Это не режим по умолчанию, а вариант для проектов с измеримым экономическим эффектом: там, где эффект можно посчитать, мы готовы разделить с заказчиком риск по заранее согласованным метрикам.
Меняется сам формат: мы предлагаем не набор инструментов, а производственную систему, результат которой измерим и зафиксирован на входе.
Что дальше? Куда движется гибридная разработка как направление?
Мы убеждены, что конкуренция будущего будет определяться не числом людей в команде и не доступом к конкретным моделям. Доступ к ним перестаёт быть преимуществом. Преимущество будет за теми, у кого лучше устроена производственная система: интеллектуальный слой, агентные пайплайны, механизмы контроля.
Следующий этап для нас – перенос этой модели на проекты внешних заказчиков в рамках направления Napoleon AI. Мы хотим не просто поставлять технологию, а выстраивать гибридные производственные системы внутри компаний клиентов.
.png)
