Что действительно ускоряет разработку с ИИ: новая модель, толпа субагентов или правильно собранная обвязка? Разбираем процесс AI-кодинга — от постановки задачи и подготовки контекста до тестирования, code review и ответственности за результат в продакшне. Говорим с Алексеем Ярошевичем — руководителем команды Яндекс Банка и ex-CTO Яндекс Образования — о harness и скиллах для кодинговых агентов, spec-driven development, изменении ролей в продуктовой команде и образовании в мире, где инструменты устаревают быстрее учебных программ. В ЭТОМ ВЫПУСКЕ — Интуиция при работе с моделями — Почему качество AI-разработки сегодня сильнее зависит от harness и контекста, чем от очередной модели — Когда skills экономят время, а когда ухудшают результат — Почему многоэтажная оркестрация агентов накапливает ошибки и расходует слишком много токенов — Как применять spec-driven development, тесты и контракты при работе с микросервисами — Что делать, когда модель не справилась: исправлять, декомпозировать или начинать заново — Как AI смещает узкие места разработки от написания кода к проверке качества и согласованию решений — Почему QA, ответственность и инженерная экспертиза остаются критически важными — Как меняются роли продакта, дизайнера и разработчика, когда прототип можно собрать за несколько минут — Чему учиться, если конкретные инструменты и навыки быстро устаревают — Как использовать модели для структурирования данных, анализа продукта и управления организацией — Какие рабочие роли и процессы, возможно, уже стали лишними, хотя компании пока этого не осознали ТАЙМКОДЫ 00:00 — Хайлайты выпуска 00:33 — Знакомство с гостем 02:10 — Алексей — AI-энтузиаст или скептик? 03:33 — Остался ли кайф от программирования вручную 05:35 — Почему всё упирается в harness, контекст и предсказуемость 07:59 — Рабочий баланс: написать самому, поручить модели или доработать вместе 10:38 — Cursor, Claude Code и постоянно меняющаяся обвязка 12:33 — Skills как новые CLI-утилиты и проблема публичных инструкций 18:36 — Почему Алексей пока не верит в оркестраторов и толпы субагентов 22:12 — Практический процесс: от задачи и контекста до готового кода 25:12 — Что делать, когда модель не справилась 28:00 — Spec-driven development, тесты и контракты микросервисов 30:31 — Несколько AI-сотрудников, ручная оркестрация и ответственность человека 36:53 — Модели вышли на плато? Где искать следующий скачок 39:31 — Как AI-разработка работает в реальной продуктовой команде 42:19 — Продакт, дизайнер и разработчик: прототип вместо идеи 46:00 — От тикета до pull request: когда задача действительно решается за 15 минут 48:35 — Почему стартап может выпускать AI-код без проверки, а enterprise — нет 55:47 — Кто должен проверять сгенерированный код и почему QA всё ещё нужен 59:23 — Главный затык AI-разработки: harness или мышление людей 59:57 — Как искусственный интеллект меняет образование 01:05:02 — Устаревают ли знания быстрее, чем человек успевает их получить 01:15:24 — Недооценённый сценарий LLM: структурирование данных 01:22:33 — Персональный AI-помощник для проектов, чатов и домашней жизни 01:28:10 — Какие люди и рабочие процессы уже могут быть не нужны. Итоги ССЫЛКИ ГОСТЯ • Telegram-канал • GitHub О ПОДКАСТЕ Telegram-канал — https://t.me/devspotting Чат сообщества — https://t.me/grinenko_pro Сайт — https://grinenko.pro
