AI уже став частиною сучасної engineering-реальності, але в production highload-системах усе значно складніше. GenAI добре працює в демо та copilots, проте чи готовий він до real-time processing, великих навантажень і критичних production-сценаріїв? На панельній дискусії поговоримо про те, чому AI досі майже не став стандартом для highload-архітектур, де проходить межа між ML та GenAI, чому inference коштує дорого, а FinOps стає новим болем engineering-команд. Обговоримо on-prem vs cloud для AI workloads, реальні production-обмеження.

Практико-орієнтована архітектурна доповідь про інтеграцію AI-агента в операційний workflow highload data pipeline. Розглянемо сценарій каскадного збою: у пайплайн потрапляють пошкоджені дані, зависають черги Kafka, зростає навантаження на storage, тисячі Kubernetes pod’ів починають падати та пересоздаватися, деградує etcd, а PostgreSQL стає додатковою точкою навантаження. Також покажемо, як AI-агент, побудований на базі AWS Bedrock AgentCore, LangChain та MCP/Gateway, може виявляти ранні сигнали інцидентів, ізолювати corrupted messages, пропонувати human-approved remediation steps, захищати стабільність кластера та перетворювати noisy telemetry на конкретні кроки для відновлення системи.

Ще вчора AI був просто “помічником”, а сьогодні — впливає на найм, зарплати, кар’єрний ріст і саму роль developer-а. Junior-позиції зникають, code generation стає дешевшим, а компанії все частіше оцінюють не роки досвіду, а швидкість адаптації та вміння працювати з AI. На панельній дискусії поговоримо без рожевих окулярів: чи справді AI забирає роботу, чому senior-досвід більше не гарантує перевагу, хто виграє в новій AI-гонці — engineers чи prompt-native спеціалісти — та чи не перетворюється software engineering на зовсім іншу професію. Обговоримо, що буде цінуватись у developer-а через 2–3 роки, чи стане middle новим junior та чи встигає український IT-ринок адаптуватися до змін швидше за світ.

Що варто делегувати AI вже зараз, а що все ще потребує людини? На прикладі стрімінгового продукту поговоримо, як за допомогою AI-copilots оптимізувати QA-командам технічну рутину, масштабувати тестування, пришвидшувати релізи та залишати людям простір для дослідження продукту, UX і складних користувацьких сценаріїв

Нещодавно Superhuman (раніше Grammarly) запустила Superhuman Go — AI-асистента, який працює поруч із вами на кожній платформі. Щоб його створити, нам було потрібне масштабоване рішення, яке підтримує необмежену кількість агентів, динамічно формує інтерфейс користувача та виглядає однаково на всіх підтримуваних десктопних і мобільних платформах. Приєднуйтеся, щоб дізнатися, як ми знайшли рішення для цього інноваційного продукту

Про що: - Які growth-челенджі визначатимуть 2026 рік. - Як AI змінює швидкість запуску MVP і продуктових експериментів — і чому швидкість без стратегічного фокуса не створює sustainable growth. - Чому для масштабування вже недостатньо CRO та performance-маркетингу. - Як використовувати AI для research, прототипування, продуктових драфтів і швидшого запуску рішень.

У цій доповіді Владислав розповість про його шлях приборкання AI: від простого Plan Mode в Cursor/Claude до складних систем документування. Він розбере, чому GitHub Spec Kit виявився занадто важким, як ADR (Architecture Decision Records) допомагають агентам не «губити» контекст між сесіями і чому OpenSpec від Y Combinator (Fission-AI, W26) став золотою серединою. Ключова теза: якість коду на виході = якість специфікації на вході. Разом поміркуємо про трансформацію ролі розробника — від «кодера» до «архітектора специфікацій».

Що якщо інженер отримує не задачу, а вже готовий PR з контекстом і пропозицією рішення? У Wix ми будуємо remote agents — автономні агенти, які тригеряться зовнішніми подіями (Jira, Slack), виконують задачу у фоні без участі людини і повертають результат як контекст для розробника. У доповіді я розберу: що таке remote agents, як вони влаштовані архітектурно, і як впровадити такого агента у себе в системі. Поділюсь реальними цифрами — success та failure кейси з нашого досвіду. Окремо — про неочевидне: де агенти ламаються, чому spec-driven підхід критичний для їх роботи, і що змінюється в процесах команди, коли частину роботи робить агент. Доповідь буде корисна тим, хто вже працює з AI-інструментами і думає над наступним кроком — від copilot до автономії.

Vibecoding — один із найефективніших інструментів для product-менеджера сьогодні. Він дозволяє не лише використовувати готові сервіси для пришвидшення роботи, а й створювати власні інструменти під конкретні задачі — з урахуванням контексту продукту і процесів. Це зменшує кількість зайвих дій і повернень до одних і тих самих задач вручну. У великих командах це про персональну ефективність і автоматизацію роботи. На етапі R&D — про можливість самостійно зібрати MVP, отримати перший фідбек від користувачів і лише після цього передати рішення в розробку. У доповіді Максим розкаже, як він використовує vibecoding у роботі product-менеджера: від MVP до створення власних інструментів.