Эволюция от Agile к AIgile: теперь проблема не в скорости движения, а его направлении
Дата: 22.11.2026
Преамбула доклада «Заглянем в будущИИе корпораций — ИИ-трансформация по AI-Native SAFe®» на конференции Enterprise Agile Russia 2026.
В управлении крупными компаниями есть одна интересная закономерность: как только мы научились устранять одно ограничение, обнаруживается следующее. Причем оно обычно находится совсем не там, где мы привыкли его искать.
Кажется, сейчас мы наблюдаем очередной такой переход. Только на этот раз изменения могут оказаться гораздо масштабнее предыдущих.
Содержание
Как мы учились ускоряться
Давайте вспомним классический проектный треугольник: объем работ, сроки и ресурсы.
В традиционном проектном управлении чаще всего фиксировали объем. Мы заранее определяли, что именно нужно сделать, и дальше пытались уложиться в сроки и бюджет. Если не получалось, то сдвигали сроки, привлекали дополнительные ресурсы, перерасходовали бюджет или, что случалось особенно часто, незаметно жертвовали качеством.
Все это было следствием одной фундаментальной проблемы: заказчик не всегда способен заранее сформулировать все, что ему действительно нужно. Особенно когда речь идет о создании новых продуктов в условиях неопределенности.
Agile предложил перевернуть этот треугольник.
Мы фиксируем сроки (итерации, спринты, PI и прочие варианты фиксированных по длительности временных интервалов) и ресурсы (выделение на 100% всех необходимых специалистов — стабильные кросс-функциональные команды), но перестаем заранее фиксировать весь объем работ. Вместо этого регулярная ранняя поставка, регулярная ранняя обратная связь от потребителей и регулярный пересмотр приоритетов — мы стараемся сделать именно то, что им нужно, а не то, что однажды записали в техническое задание.
Такой подход оказался революционным. Но у него есть одно важное условие.
Чтобы регулярно менять объем работ, нужно понимать, в какую сторону мы движемся. Иначе как определить, от какой задачи отказаться, какую добавить, а какую отложить?
Нужна цель, относительно которой можно оценивать целесообразность каждой работы. Желательно не абстрактная формулировка, а измеримые результаты, позволяющие объективно понять, приближаемся ли мы к желаемому состоянию.
И вот здесь начинается самое интересное.
Теория ограничений Agile
В 2018 году Эван Лейборн опубликовал статью Evan’s Theory of Agile Constraints, в которой описал эволюцию ограничений организационной гибкости. Основная мысль: в любой организации всегда существует ограничение, которое определяет скорость движения всей системы — и когда мы устраняем одно ограничение, возникает следующее.
Исторически это выглядело примерно так.
Разработка
Когда-то время создания программных продуктов измерялось годами. Именно разработка была основным ограничением. Появление в 1990-х годах Scrum и в 2001 году Agile позволило сократить циклы обратной связи и поставлять приращение функционала за недели.
Развертывание и эксплуатация
Разработчики уже могли создавать готовые программные продукты каждые две недели, но до пользователей они доходили раз в несколько месяцев. Ограничением становились операции по развертыванию и эксплуатации. И ответом отрасли стал DevOps, появившийся в 2009 году.
Вся организация
Когда разработка за счет Agile-практик научилась поставлять изменения за недели, а за счет DevOps-практик развертывать их же за секунды, обнаружилось, что согласование бюджета занимает девять месяцев, подбор нужного специалиста — несколько месяцев, а закупка услуг поставщика требует прохождения многочисленных процедур. Ограничение переместилось в HR, финансы, закупки, проектный офис и другие функции.
Именно поэтому Лейборн говорит о необходимости искать ограничение не внутри отдельной команды, а во всей организации.
Но сегодня мы наблюдаем следующий этап этой эволюции.
AIgile = AI + Agile
Представьте, что производительность разработки вначале увеличилась на порядок, а затем еще на порядок.
ИИ (искусственный интеллект, AI, Artificial Intelligence) меняет не только написание программного кода, он помогает анализировать требования, проектировать решения, тестировать, создавать контент, обрабатывать информацию, автоматизировать операции и выполнять множество других задач.
Причем это касается не только сферы ИТ (информационных технологий). Практически любая команда в любом технологическом домене, включая нетехнологические подразделения, получает возможность существенно увеличить производительность своей работы.
ИИ-агенты постепенно берут на себя все больше задач, которые раньше выполняли люди.
Иными словами, объем работ и сроки перестают быть тем ограничением, которым они были раньше. По крайней мере, в значительной части процессов.
Но что произойдет, если мы просто начнём делать все быстрее?
- Мы сможем быстрее разрабатывать продукты, которые никому не нужны.
- Быстрее автоматизировать процессы, которые вообще не стоило бы автоматизировать.
- Быстрее выполнять задачи, не приближающие нас к стратегическим целям компании.
Возможности производить результаты (output) растут быстрее, чем способность организаций понимать, какие результаты действительно нужны. Поэтому я бы сформулировал новую проблему так: теперь вопрос не столько в том, насколько быстро мы движемся, сколько в том, правильное ли мы выбрали направление.
Если вы дочитали до этого места, значит, вам интересен полезный контент о современных методах управления. Чтобы узнавать про новые статьи, видео и бесплатные мероприятия, подписывайтесь на MAX-канал Enterprise Agile Russia.
От результатов к эффектам
До сих пор многие организации были ориентированы преимущественно на поставку результатов работы:
- разработать функциональность;
- выпустить релиз;
- запустить новый процесс;
- автоматизировать операцию;
- выполнить проект
— и т.д.
Мы научились достаточно хорошо управлять производством этих результатов. Для этого появились Agile, Scrum, DevOps, SAFe® (Scaled Agile Framework®) и множество других инструментов.
Но сам по себе факт поставки ещё ничего не говорит о том, какую пользу она принесла бизнесу:
- разработанная функциональность может не использоваться клиентами;
- автоматизированный процесс может не дать ожидаемой экономии;
- запущенный продукт может не принести дополнительной выручки.
В условиях, когда ИИ способен существенно увеличить объем производимых результатов, управление только через количества сделанной работы (output) становится еще менее эффективным. Нужно смещать фокус на outcome — бизнес-эффекты. Не просто сколько задач мы выполнили, а каких изменений в бизнесе добились. Не просто сколько функциональности поставили, а как это повлияло на клиентский опыт, выручку, затраты и другие показатели.
И это возвращает нас к исходному вопросу: как организация определяет, что именно нужно делать? Если у команды нет понятной цели, измеряемых ключевых результатов и возможности регулярно сверять с ними свою работу, повышение производительности может оказаться бесполезным. Более того, оно способно увеличить количество ненужной работы.
Поэтому сейчас начинается набирать популярность фреймворк постановки и исполнения измеримых целей — OKR (Objectives and Key Results, цели и ключевые результаты), появившийся в 1970-х годах в компании Intel.
Почему компании пока не готовы к этому переходу
В марте 2026 года RoAI Institute опубликовал исследование Economic Maturity for Artificial Intelligence, подготовленное на основе опроса 1006 руководителей из 11 стран.
В докладе на конференции Enterprise Agile Russia я привел несколько показательных результатов этого исследования:
- Нет готового фреймворка: только 11% компаний оценивают возврат инвестиций от ИИ.
- Нет стратегии: у 75% компаний отсутствует стратегия ИИ-трансформации.
- Нет компетенций: 58% компаний не обучают сотрудников работе с ИИ.
- Нет готовых данных: ИИ может использовать всего 30% имеющихся данных.
Получается интересная картина. Технологии уже позволяют существенно увеличить производительность, но организационная готовность к использованию этих возможностей отстает. И дело не только в технологиях. Необходимы стратегия, новые компетенции, готовность данных и управленческая модель, позволяющая связать внедрение ИИ с реальными результатами бизнеса. Это уже не задача исключительно ИТ-директора или подразделения, отвечающего за цифровизацию. Это задача трансформации всей организации.
Стратегия ИИ-трансформации
На мой взгляд, именно здесь начинается следующий этап эволюции Agile — AIgile (AI и Agile).
Если раньше мы учились ускорять разработку, затем поставку и, наконец, всю организацию, то теперь нам предстоит научиться управлять направлением движения в условиях практически неограниченно растущей производительности. Нужно уметь формулировать стратегические цели, выбирать наиболее перспективные направления инвестиций, связывать работу команд с измеримыми бизнес-эффектами и регулярно пересматривать приоритеты на основании полученных результатов.
Для крупных организаций одним из ответов на эту задачу становится AI-Native SAFe. Это обновление SAFe (Scaled Agile Framework), представляющее собой фреймворк ИИ-трансформации крупных организаций. В нем собраны готовые рецепты, позволяющие преодолевать основные ограничения, с которыми сталкиваются компании при внедрении ИИ: от отсутствия стратегии и компетенций до проблем с данными и измерением экономического эффекта — решение по всем ключевым препятствиям внедрения ИИ в крупной компании согласно исследованию RoAI Institute. В отличие от простого внедрения ИИ-инструментов, речь идет о перестройке операционной модели компании с учетом новых технологических возможностей.
И если у вашей компании до сих пор нет стратегии ИИ-трансформации, возможно, сейчас самое время заняться её разработкой. AI-Native SAFe может стать хорошей отправной точкой для этой работы.
Потому что в мире, где ИИ способен ускорять практически любую деятельность, конкурентное преимущество будет определяться уже не только тем, насколько быстро компания умеет работать, а тем, насколько правильно она понимает, что именно нужно делать.
