Розробка ПЗ переходить від агентів, які допомагають писати код, до автономних систем, що беруть затверджену вимогу, пишуть код і самі перевіряють результат майже без нагляду людини, — software factories. Підхід новий, але OpenAI, Anthropic, Stripe, Uber та інші компанії вже публічно описали свої фабрики. У кожної — власний шлях, проте через усі ці історії проходять спільні принципи: що фабриці дозволено будувати, як вона доводить, що результат правильний, наскільки можна довіряти її агентам і як зробити, щоб вона окупалася. У доповіді я розбираю ці принципи й пояснюю, навіщо потрібен кожен, спираючись на публічні описи та на фабрики, які будую в Dev AI Consulting. Мірило успіху — фабрика, чиєму «готово» можна вірити.

Нашою метою на 2026 рік було підвищити ефективність роботи команди на 15–20%... а ми досягли 30–50%. Цикл розробки програмного забезпечення (SDLC) з використанням ШІ перетворився на цикл, повністю заснований на ШІ, де люди працюють разом з агентами з чітким розподілом обов’язків: люди — за логіку та контроль, агенти — за рутинні завдання. Ми використовуємо підхід «human-in-the-loop» та експериментуємо з циклами агентів. Чи можна це розглядати як «фабрику програмного забезпечення на базі ШІ»? Давайте разом поміркуємо... Я продемонструю, як ми працюємо, на прикладі одного з наших найбільших рішень, що складається зі 152 проєктів із 2,5 млн рядків вихідного коду та 18,7 млн токенів для опису спільного контексту. Як ми це підтримуємо? Як ми долаємо обмеження розміру вікна контексту? Побачимося на події!

В доповіді розберемо, що відбувається із software engineering, коли твій продукт є частиною державної цифрової інфраструктури. Мільйони громадян, державні реєстри, критична інфраструктура, персональні дані, десятки інтеграцій і високі вимоги до безпеки змінюють звичні правила розробки. Те, що легко працює у приватному секторі, в GovTech може вимагати зовсім іншого підходу. Пройдемо шлях від ідеї до production: принципи побудови SuperApp, product discovery та специфіку SDLC, on-premise та cloud, безпеку і захист інформації. Окремо розберемо AI у GovTech - від збору та підготовки даних для власних моделей до розробки AI-компонентів та їх інтеграції у державні продукти. Покажемо, як поєднати обмеження з сучасними підходами і при цьому зберегти здатність швидко створювати та масштабувати цифрові сервіси.

Що насправді відбувається з аутсорс-компанією в еру AI? Клієнти перестали питати «скільки це займе» — вони приходять з власною оцінкою. Вони переоцінили нас без нашої обіцянки й без нашої згоди. Довгострокове планування зламалось, а з ним — фінансова модель і ієрархія позицій. Доповідь про те, як ми через це проходимо — на двох конкретних кейсах. Перший: клієнт попросив ×10 продуктивності з наступного спринту. Ми не пообіцяли, що ручна робота зникне — пообіцяв інший вендор. Клієнт зняв 6 із 10 наших інженерів і замінив їх «рієм агентів». Розберемо, як той рій влаштований, чому фічі не доїжджали до продакшену і чому інженерів зараз повертають. Другий: ми поставили ту саму ставку самі — максимальний AI у власному експерименті. 2.5 місяця замість одного, одна з чотирьох фіч переписана після релізу, сотні багів. І те, що з цього вийшло корисного: як ми знайшли, що реальний блокер делівері — це піари, як влаштований наш PR-класифаєр, у якому порядку працюють Claude, класифаєр і розробники, і правило 80%. Плюс відповідь на питання, яке стосується кожної аутсорс-компанії: та сама фіча — менше годин при схожому рейті. Клієнт платить менше, а ми маємо частіше не помилятись.

Розповідь про шлях створення та розвитку найбільшого військового застосунку, особливості айтішної служби і погляд на плюси, мінуси і підводні камені процесу