98% против 2%: почему ИИ-разработку решает не LLM, а обвязка вокруг неё

Компании быстро подключают к разработке GitHub Copilot, Claude Code, Cursor, Codex и автономных AI-агентов. Но доступ к сильной языковой модели сам по себе ещё не создаёт управляемый инженерный процесс. ИИ ускоряет написание отдельных фрагментов кода — и одновременно увеличивает объём ревью, усложняет сопровождение, порождает новые уязвимости и делает результат заложником качества контекста. При этом само написание кода занимает лишь часть времени инженера: остаются требования, архитектура, тестирование, ревью, интеграция, эксплуатация и ответственность за результат. Тезис дискуссии: ценность даёт не модель, а всё, что построено вокруг неё. Модель — это 2%. Остальные 98% — процессы, данные, инфраструктура, quality gates и дисциплина команды. Проверяем этот тезис на прочность и спорим о том, какой техдолг мы копим прямо сейчас, пока радуемся приросту скорости. ──────────────────────────── 📌 ЧТО ОБСУДИМ - Почему доступ к сильной LLM ещё не означает успешного внедрения ИИ в разработку - Какая часть результата зависит от модели, а какая — от процессов, данных и инженерной инфраструктуры - Что обязано входить в «обвязку» вокруг AI-инструмента или агента - Какие quality gates нельзя отключать даже ради ускорения - Как измерять качество работы ИИ: объём кода, время задачи, число дефектов или стоимость сопровождения - Скрытый техдолг ИИ-кодинга: чем придётся платить через год - Кто отвечает за код, который написала модель ──────────────────────────── 🎙 УЧАСТНИКИ...