Все статьи
Конвейер инноваций с ИИ — AI-Native SAFe®
Дата: 01.09.2026
Конвейер инноваций с ИИ (AI Innovation Pipeline) в AI-Native SAFe® (Scaled Agile Framework®) помогает командам с ИИ (искусственным интеллектом), ART (Agile Release Train) и портфелям создавать продукты и решения, используя общий и многократно применимый набор возможностей. Он охватывает пять этапов продуктовой разработки, ориентированной на бизнес-эффекты: исследование, определение требований, создание, проверку и выпуск. Конвейер постоянно оптимизируется ради обучения и проверки гипотез. Благодаря этому команды могут безопасно работать со скоростью ИИ, быстро проверяя гипотезы по мере поступления новых данных.
Конвейер опирается на четыре компонента: усиленные ИИ процессы, встроенные политики, инсайты и доказательства, общие платформы. Вместе они поддерживают человеческое суждение и стратегическое мышление во всём портфеле.
Непрерывные инновации и управление созданием продуктов в ИИ-организации, вебинар AI-Native SAFe Series 12.08.2026 (русская озвучка, 25 минут)
- Конвейер инноваций с ИИ.
- Выход на рынок.
- Управление и этика с ИИ.
Мне кажется, мантра: «Двигайся быстро и ломай всё вокруг» — заслужила плохую репутацию, потому что в итоге всё действительно рушилось. Лучше сказать: «Двигайся быстро и действуй ответственно».
Содержание
Ключевые мысли:
- Конвейер инноваций c ИИ помогает командам и ART достигать бизнес-эффектов и ускорять поток работы.
- Пять этапов конвейера: исследование, определение требований, создание, проверка и выпуск.
- Возможности, лежащие в основе конвейера, включают в себя усиленные ИИ рабочие процессы, политики, инсайты и доказательства, а также общие платформы.
- Команды с ИИ (AI-Native Team) и ART могут использовать общие рабочие процессы и платформы для экспериментов и инноваций, используя встроенные политики и ограничения.
Что такое конвейер инноваций с ИИ?
В основе SAFe с ИИ (AI-Native SAFe) лежит продуктовая разработка, ориентированная на бизнес-эффекты (outcome). Она связывает ожидаемые бизнес-эффекты с результатами для клиента и бизнеса, а полученную обратную связь использует для следующих циклов. Каждый ART с ИИ (AI-Native ART) создаёт конвейер инноваций с ИИ (AI Innovation Pipeline) и управляет им. Этот конвейер превращает ожидаемые бизнес-эффекты в реализованную ценность через последовательность результатов работы, как показано на рисунке 1.
Команды с ИИ могут создавать столько типов результатов (output), сколько нужно для управления работой. Но как минимум рекомендуется различать четыре типа: эксперименты и прототипы — это результаты для обучения, а фичи и энейблеры — ценностные результаты. Такое разделение помогает осмысленно расставлять приоритеты. Конвейер ускоряет движение работы от исследования до выпуска и включает обратную связь, которую генерирует работа. Это усиливает ценность для клиента и бизнеса.
Единого жизненного цикла для всех организаций, ART и продуктов не существует. Но путь от запланированного бизнес-эффекта к реализованной ценности можно обобщить в пять этапов:
- Исследование — уточнить замысел работы: какую проблему она решает и какие бизнес-эффекты должна дать. Это может быть проверка гипотезы через эксперимент или непосредственное создание ценности через фичу.
- Определение требований — формализовать замысел: детализировать, что и как должно быть сделано, и подготовить контекст, которым воспользуются команда и ИИ-агенты.
- Создание — получить результат, определённый спецификацией: от малозатратной пробы для обучения до интегрированного результата, готового к выпуску ценности.
- Проверка — установить, соответствует ли результат своему назначению. Для прототипа это проверка допущений и гипотез. Для фичи — оценка полезности, уместности и готовности к выпуску.
- Выпуск — доставить фичи в промышленную среду и пользователям, превратив реальное использование в ценность, а телеметрию — в новое знание. Эксперименты и прототипы обычно завершаются на этапе проверки, хотя методы, например, A/B-тестирование, могут приводить к выпуску экспериментов.
Охват полного жизненного цикла создаёт основу для визуального управления работой. Команды и ART могут использовать Канбан-системы, подобные примеру на рисунке 2. В сочетании с содержательными метриками потока такая визуализация даёт критически важную обратную связь и помогает воплотить принцип SAFe 6: обеспечение потока ценности без прерываний.
Из чего состоит конвейер инноваций с ИИ?
- Усиленные ИИ процессы позволяют людям и ИИ-агентам сотрудничать, перемещая результаты через жизненный цикл.
- Встроенные политики задают границы, согласования и правила остановки. Они делают работу безопасной и обеспечивают ответственность людей и ИИ-агентов.
- Инсайты и доказательства фиксируют аудиторский след решений, действий и данных, а также инсайты о продукте и процессе его создания.
- Общие платформы дают единый технический слой, который компонует, связывает и масштабирует рабочие процессы, политики, инсайты, доказательства и выверенные данные, необходимые для продуктовой разработки.
Эти компоненты не работают изолированно. Рабочий процесс использует нужный замысел, спецификацию, контекст и выверенные данные; взаимодействует с соседними процессами и ИИ-агентами; действует внутри применимых политик; сохраняет созданные доказательства так, чтобы они могли повлиять на следующее решение. Общая платформа обеспечивает связи между всем этим. Без общей основы каждая команда строит собственные интеграции, что приводит к дублированию, отсутствию управления и хрупким связям.
Как конвейер инноваций с ИИ оптимизирует непрерывное обучение и обратную связь?
AI-Native SAFe использует два типа результатов: обучающие результаты — эксперименты и прототипы, и ценностные результаты — энейблеры и фичи, создающие ценность для клиента и бизнеса.
Как показано на рисунке 4, команды с ИИ начинают с вопроса: как лучше всего достичь ожидаемого бизнес-эффекта? Они создают набор вариантов и выбирают эксперименты и прототипы, чтобы быстро проверить востребованность, жизнеспособность, реализуемость и устойчивость и уточнить выбор. Каждая волна обратной связи помогает понять, достаточно ли уверенности, чтобы перейти к одному или нескольким ценностным результатам — фичам и энейблерам. Если уверенности не хватает, команда запускает новые направленные циклы обучения. Когда уверенность достигнута, нужные энейблеры и фичи создаются и выпускаются, чтобы реализовать ценность.
Чтобы сохранять этот поток обучения, ART с ИИ должен создать и развивать все четыре компонента конвейера. Ниже каждый компонент рассмотрен отдельно, начиная с усиленных ИИ процессов.
Если вы дочитали до этого места, значит, вам интересен полезный контент о современных методах управления. Чтобы узнавать про новые статьи, видео и бесплатные мероприятия, вступайте в сообщество SAFe® Russia.
Как усиленные ИИ процессы улучшают поток?
Общий жизненный цикл продукта даёт ART реальные преимущества: команды синхронизируются, используют общий язык работы и могут рассматривать поток на уровне ART. Но требование единственного детального способа работы даёт обратный эффект. Когда команды вынуждены следовать универсальному процессу, плохо подходящему конкретному контексту, инновационный потенциал теряется. Команды раскрывают огромный потенциал ИИ, когда у них есть пространство исследовать и улучшать способ работы с учётом своего контекста.
Рабочий процесс может быть совсем простым — например, коротким взаимодействием членов команды за утренним кофе — или сложным, как CI/CD-процесс, который интегрирует, тестирует, упаковывает и развёртывает набор продуктовых изменений.
В каждый момент команда использует разные усиленные ИИ процессы для этапов исследования, определения требований, создания, проверки и выпуска. На рисунке 5 показаны примеры процессов этапа исследования для команды, работающей над будущей фичей.
В начале команда сочетает формулирование гипотез, построение карты допущений и исследование рынка. По мере продвижения другие процессы помогают исследовать, генерировать идеи и обобщать полученные сведения. Одни процессы могут включать другие: например, сквозной процесс эмпатического интервью связывает подготовку, проведение и анализ ради более крупной цели.
Когда в такие процессы встроен ИИ, их возможности резко возрастают. Усиленный ИИ процесс снижает рутинную нагрузку, повышает качество, усиливает креативность и помогает получать более глубокие инсайты на каждом шаге.
Какими качествами должен обладать усиленный ИИ процесс?
Встраивая ИИ в процессы, команды с ИИ должны обеспечить пять качеств:
- Опирающийся на контекст и данные: процесс использует переданные замысел, спецификацию, контекст и релевантные выверенные данные, необходимые для работы.
- Связанный: процесс взаимодействует с другими ИИ-агентами, процессами и системами на общих платформах.
- Контролируемый: процесс действует в рамках применимых к нему политик.
- Аудируемый: процесс создаёт достаточно инсайтов и доказательств для выполнения правил аудита и проверки.
- Имеющий владельца: у процесса есть назначенный владелец, отвечающий за поддержку и развитие.
Контроль и аудируемость — обязательные условия ответственного использования ИИ-усиленных рабочих процессов. Потенциальная польза процесса во многом определяется тем, насколько полно он опирается на замысел, спецификацию, контекст и данные и насколько тесно связан с другими процессами.
Пример на рисунке 6 показывает все пять качеств усиленного ИИ процесса.
В этом примере процесс имеет владельца — RTE. ИИ-агент управления OKR опирается на контекст: концепцию ART, дорожную карту, ориентированную на бизнес-эффекты, бизнес-эффекты ART и текущие бизнес-эффекты PI. Ему также известны текущее состояние ключевых результатов, замысел продукта, спецификация и контекст. ИИ-агент контролируется политиками организации, закрепляющими лучшие практики работы с OKR.
ИИ-агент создаёт ценность на каждом этапе основного процесса. Когда руководство ART и представители бизнеса готовят черновик бизнес-эффектов PI, ИИ-агент использует свои знания и встроенную экспертизу. Он также опирается на данные: актуальную продуктовую телеметрию и другие выверенные данные обратной связи от клиентов, чтобы группа могла понять исходные значения предлагаемых ключевых результатов.
При переходе к ИИ-агенту настройки дашбордов ключевых результатов ART, тот подключается к нужным инструментам и помогает RTE организовать мониторинг. Поэтому у команд уже есть насыщенные данные, когда они начинают формулировать бизнес-эффекты команд. Подход также обеспечивает аудируемость измерений и позволяет заранее загрузить черновики в инструменты планирования.
Какие процессы следует включить в конвейер инноваций с ИИ?
Рабочим процессом можно поддержать любую активность: от продвижения конкретного эксперимента через этап исследования до стратегического обзора портфеля. Диапазон практически не ограничен, потому что продуктовая разработка охватывает множество продуктов, методов и контекстов.
Обычно на каждом этапе жизненного цикла есть два типа процессов: те, которые организация выполняет регулярно, и те, которые хотела бы выполнять регулярно, но часто пропускает из-за нехватки времени. В таблице 1 показано, как ART может представить это различие.
| Этап | Основные процессы | Часто пропускаемые процессы |
|---|---|---|
| Исследование |
|
|
| Определение требований |
| Моделирование угроз и анализ граничных случаев |
| Создание |
| Обновление базы знаний |
| Проверка |
| Проверка доступности интерфейса (accessibility) |
| Выпуск |
| Репетиция отката и восстановления |
Таблица 1. Примеры рабочих процессов для AI-Native ART
Почему важно формализовать процессы как усиленные ИИ?
Во многих организациях реальные процессы описаны не полностью. Люди компенсируют пробелы профессиональным суждением: обходят шаги, которые больше не подходят, и добавляют действия, которых формальное описание никогда не учитывало.
Люди справлялись с такой неоднозначностью, находя сотрудников с нужными неявными знаниями и полагаясь на их ситуационное суждение. ИИ-агенты так не умеют. Получив плохо определённый или недокументированный процесс, ИИ-агент начинает импровизировать, чтобы заполнить пробелы. Импровизация на машинной скорости создаёт несогласованность, размывает ответственность и быстро масштабирует ошибки. ИИ-агенту не хватает именно того суждения, которое удерживает неформальный процесс целостным.
Явное, контролируемое и аудируемое описание процесса закрывает этот разрыв, а активный владелец позволяет процессу развиваться. Без контроля и аудируемости ИИ нельзя доверять реальную работу. Без помощи ИИ инновации не ускорятся достаточно, чтобы выигрывать на рынке. При этом отдача асимметрична: усилия на формализацию, внедрение и развитие процесса малы по сравнению с выгодой от его многократного использования.
Как встроенные политики делают работу безопасной и подконтрольной?
Следующий компонент конвейера инноваций с ИИ — встроенные политики. Каждый рабочий процесс должен быть контролируемым и действовать в рамках применимых политик. Эти политики поддерживаются и актуализируются как часть замысла продукта, его спецификаций и контекста.
Политики делятся на три категории:
- Системные качества, которые должны быть обеспечены в решении или процессе, например, производительность и безопасность.
- Стандарты, которым они должны соответствовать: от протоколов шифрования до требований регулятора.
- Проверки, которые они должны пройти, например, определение готовности (Definition of Done, DoD) или точка обязательного согласования.
Когда политики встроены в конвейер инноваций ИИ, одни и те же ограничения управляют и действиями в процессе создания, и готовыми результатами. Вместо проверки готовой работы на контрольной точке соответствие политикам встроено в каждый шаг каждого процесса. Однажды сформулированную и переведённую в машиночитаемый вид политику можно применять ко всем усиленным ИИ процессам. Такие защитные ограничения — условие скорости, а не тормоз: благодаря им люди могут доверять ИИ-агентам значимую работу.
Не все решения следует полностью передавать агентам. В режиме «человек в контуре» (Human-In-The-Loop, HITL) человек активно участвует в принятии решения: работа останавливается и продолжается только после его утверждения. В режиме «человек над контуром» (Human-On-The-Loop, HOTL) работа идёт в заданных границах, а человек наблюдает и может вмешаться. Выбор зависит от масштаба последствий: чем серьёзнее и необратимее решение, тем важнее человек в контуре; чем действие рутиннее и легче обратимо, тем чаще достаточно человека над контуром.
Полномочия ИИ-агента выдаются, ограничиваются и заслуживаются. Каждый ИИ-агент работает под конкретной учетной записью, которая определяет, что он может делать, какими инструментами пользоваться, сколько тратить и когда его доступ заканчивается. ИИ-агент начинает с минимально необходимого объёма прав. Доказательства надёжной работы позволяют расширять права, а сбои приводят к их сужению или отзыву. Пока ИИ-агент действует в границах, человек остаётся над контуром. Правила остановки включают постановку на паузу, переход к резервному сценарию или откат в безопасное состояние. Для продуктов с ИИ эти границы распространяются и на промышленную среду.
Как инсайты и доказательства создают доверие и обратную связь?
Следующий компонент конвейера инноваций с ИИ — инсайты и доказательства. Доказательства — это аудиторский след действий людей и ИИ-агентов, которые продвигают работу по конвейеру или используют созданные им продукты. Усиленные ИИ процессы опираются на доказательства и одновременно создают новые. Благодаря этому работа полностью поддаётся аудиту с разных точек зрения.
К доказательствам относятся модель, промпт, инструменты и версия использованных данных, полученных в результате оценки качества ИИ (AI evals) и автоматических проверок решений людей и ИИ-агентов. Результаты работы тоже создают доказательства. Эксперимент даёт данные о проверенных гипотезах и полученных результатах, а фича в промышленной среде — операционную и пользовательскую телеметрию.
Доверие и доказательства неразрывно связаны. Возможность не только наблюдать поведение системы, но и быстро проводить глубокий анализ первопричин и реагировать на проблемы позволяет принимать рассчитанный риск, необходимый для инноваций с ИИ.
Если доказательство — запись о том, что произошло, то инсайт — ценность, которую можно извлечь из анализа этой записи. Инсайт может выявить первопричину, подтвердить или опровергнуть гипотезу, либо показать узкое место, препятствующее потоку. Каждый инсайт улучшает последующие решения. Инсайты возвращаются в замысел и контекст, на основании которых специфицируется следующий результат работы, и помогают ART с ИИ развивать сам конвейер инноваций с ИИ.
Как общие платформы создают возможности и усиливают эффект?
Общие платформы — последний компонент конвейера инноваций с ИИ. Они образуют управляющий слой: он определяет, настраивает и координирует выполнение работы. По сути, общие платформы создают совместно используемые возможности, которые открывают ценность, усиливают эффект и поддерживают работу команд, ART и портфеля.
Основные функции общих платформ:
- соединять команды с ИИ, ART с ИИ, руководство портфеля и ИИ-агентов с усиленными ИИ процессами;
- обеспечивать управление процессами через соответствующие встроенные политики;
- маршрутизировать работу от одного усиленного ИИ процесса к следующему;
- повышать эффективность процессов, предоставляя нужные инсайты;
- сохранять выполненные шаги и принятые решения как доказательства для будущей работы.
В этом смысле общие платформы объединяют три других компонента конвейера инноваций с ИИ, как показано на рисунке 7.
- Масштабирование и распространение. Платформа действует на нескольких уровнях: одна и та же возможность может обслуживать отдельного человека, команду, ART или весь портфель. Проверенные процессы, ИИ-агенты и политики распространяются сверху вниз, обеспечивая единообразие и предотвращая дублирование. Локальные улучшения движутся снизу вверх: если адаптация процесса, созданная командой, доказала ценность и применима шире, её поднимают на следующий уровень и включают в общую основу.
- Общий характер платформы. Когда она обслуживает все команды и ART, управление, маршрутизация и фиксация истории не создаются заново в каждой команде.
- Общие активы и локальные улучшения. Команды используют процессы и ИИ-агентов из разных источников. Часть из них — общие активы, которые организация создаёт и поддерживает для всех. Например, подразделения общих сервисов, в том числе по практикам дизайна, всё чаще предоставляют ИИ-агентов как сервис первой линии. Подразделения, отвечающие за управление и контроль, создают стандартные процессы аудита и проверки, которые помогают выстраивать управление и снижать риски. Одновременно команды продолжают локально экспериментировать, создавая собственные процессы и ИИ-агентов.
- Техническая основа. Чтобы добавить новый процесс или ИИ-агента на платформу, команда должна обеспечить соответствие общим техническим стандартам и открыть интерфейсы для взаимодействия с другими частями платформы. Взамен платформа даёт основные сервисы: аутентификацию, обмен сообщениями, проверку, поставку и восстановление, а также разрешённый доступ к моделям, данным и контексту. Благодаря этому хорошие практики становятся удобным вариантом по умолчанию, не подавляя локальные инновации.
- Сквозные сценарии. Отдельные процессы уже могут приносить существенную пользу, но их ценность возрастает, когда они объединяются в сложные сквозные сценарии. Общие сервисы платформы и связанность данных позволяют комбинировать процессы под разные виды работы и контексты, создавая уникальные сквозные решения.
- Передача контекста. Чтобы цепочка не распалась, контекст должен переходить вместе с работой из одного процесса в другой: исходный замысел, текущая версия, уже принятые решения и собранные доказательства. Человек при передаче работы коллеге несёт значительную часть понимания неявно. У ИИ-агентов нет неявных знаний, поэтому платформа должна явно сохранять и передавать этот контекст.
- Инсайты. Платформа также показывает нужные инсайты: историю, текущие сигналы и закономерности прошлой работы, которые помогают команде и её ИИ-агентам принять более качественное решение на каждом шаге. Команда действует на основе лучшего доступного понимания, а не начинает каждую задачу с нуля.
- Доказательства. По мере выполнения работы платформа сохраняет доказательства: выполненные шаги, принятые решения, данные, на которых они основывались, и того, кто действовал — человек или ИИ-агент. Доказательства накапливаются в ходе работы и доступны для анализа, улучшения и аудита.
- Общие платформы масштабируют инновации. Для организации, стремящейся стать ИИ-организацией, это может стать кардинальным преобразованием. Единообразие позволяет крупной организации двигаться быстро, не теряя контроль, а локальная свобода становится источником улучшений и новых идей.
