Wes Reisz: при AI‑first доставке ПО выбор между контролируемыми и автономными агентами определяется верификацией

Wes Reisz, Technical Principal в Thoughtworks, на конференции QCon AI представил подходы к AI‑first доставке программного обеспечения и подчеркнул, что агентные рабочие процессы не подходят универсально. Выступление было ориентировано на практиков: автор описал не теорию, а конкретные критерии и рабочие практики для интеграции больших языковых моделей в реальный жизненный цикл разработки ПО (SDLC). Как рабочий пример Reisz привёл проект для «большого штата США», где команда примерно из 16 человек создаёт граф знаний, автоматически аккумулирующий правила и нормативы, чтобы системы могли взаимодействовать через современный UI/AI‑интерфейс. На проекте используют Claude Sonnet 4.5 вместе с Cursor; вся система разворачивается на инфраструктуре заказчика с планируемым её повышением (uplift) для соответствия требованиям производительности и безопасности.

Ключевым инструментом принятия решений в докладе стала двухосевая матрица — «долговечность кода» и «автоматизированная верификация». По словам Reisz, эти две оси помогают определить, когда подходят контролируемые (supervised) агенты, а когда — автономные многоагентные системы. В рассматриваемом проекте команда сделала ставку на контролируемый подход из‑за жёстких требований к верификации и необходимости поддерживать код в долгосрочной перспективе. Помимо матрицы, Reisz предложил структурированный рабочий цикл RIPER‑5 — Research, Innovate, Plan, Execute, Review — который призван поставить LLM в роль партнёра и распределять инструкции по этапам разработки. Он показал, что дисциплинированный, итеративный процесс позволяет интегрировать генеративные модели, не отказываясь от инженерных практик контроля качества и автоматизированного тестирования, и тем самым снижать риск нежелательного поведения агентов при масштабировании.

Практические выводы для разработчиков и архитекторов, озвученные в докладе: смещать AI «влево» в SDLC, но выбирать тип агента исходя из условий проекта; учитывать существующую инфраструктуру клиента и объём необходимого uplift; ориентироваться на требования к верификации и прогнозируемую долговечность кода; применять RIPER‑5 и структурированные рабочие практики, чтобы масштабирование интеграции AI оставалось более безопасным и предсказуемым.