AI-native SDLC перестает быть красивой схемой из презентаций: когда агент пишет код за минуты, очередь внезапно появляется не у IDE, а у ревьюера, безопасника и релизного инженера. The New Stack 12 сентября разобрал свежий плейбук Anthropic и сделал неприятный для команд вывод: одного универсального процесса для разработки с ИИ не хватит.
Поводом стала публикация Anthropic AI-Native SDLC Playbook от 21 августа 2026 года. В ней компания утверждает, что написание кода больше не главный тормоз поставки софта. Если раньше весь SDLC был собран вокруг дорогой и долгой фазы реализации, то теперь агенты вроде Claude Code сжимают именно этот участок. Остальные этапы — планирование, дизайн, тестирование, ревью, деплой и сопровождение — остаются на человеческой скорости. Получается знакомая инженерная картина: ускорили один участок трубы, давление выросло в соседних.
Anthropic описывает шесть стадий SDLC и предлагает заменить часть устных договоренностей машинно-читаемыми артефактами. На входе появляется intent.md или spec.md, затем план реализации в plan.md, дальше код, тесты, ревью и эксплуатационные сигналы, которые возвращаются обратно в процесс. CLAUDE.md в репозитории должен хранить контекст для агента: команды сборки, соглашения проекта, архитектурные ограничения и типичные ошибки. Идея простая: если агент участвует в разработке, знания команды должны лежать не только в головах, вики и старых тикетах.
The New Stack соглашается с базовым тезисом Anthropic, но добавляет важную поправку: AI-native SDLC не может быть одним линейным процессом для всех изменений. Исправление текста в интерфейсе, миграция платежной логики и изменение авторизации не должны проходить одинаковые ворота. Если заставить каждую правку идти через полный набор ручных проверок, выигрыш от агентного кодинга исчезнет. Если, наоборот, пропускать все быстрее, команда получит в десять раз больше изменений с тем же или худшим качеством и без нормального способа понять, какие из них опасны.
Именно здесь старая модель ревью начинает трещать. Ручной просмотр каждой строки имел смысл, когда строк было сравнительно мало и их писал человек. В агентной разработке объем диффов растет, а часть логики появляется быстрее, чем команда успевает ее обсудить. Человек остается в контуре, но его роль смещается: он проверяет не каждое движение агента, а спецификацию, границы задачи, результаты тестов, риск изменения и то, прошла ли правка нужные контрольные точки.
Для разработчиков это означает менее романтичную, но более полезную версию «ИИ пишет код». Главный навык — не просто попросить модель реализовать фичу, а подготовить хорошую спецификацию, дать агенту обратную связь и встроить проверку в цикл работы. Anthropic прямо предлагает давать Claude возможность самому прогонять тесты, сборку или визуальные проверки до того, как результат увидит человек. Отдельный проверяющий агент или свежий контекст для финальной валидации помогает не повторять предположения, на которых был написан код.
Для платформенных команд и DevOps вывод еще жестче. Если агенты создают больше PR, инфраструктура контроля должна масштабироваться вместе с ними. Нужны автоматические проверки политик, CI-задания для агентных evals, песочницы для неинтерактивного запуска, короткоживущие токены, запрет прямого пуша в main и четкие правила, где агент может только читать, а где имеет право открыть PR с исправлением. Деплой тоже становится частью этой картины: агент может помогать с changelog, анализом упавшей сборки или rollback-планом, но доступ к продакшену должен быть выдан как ограниченный инструмент, а не как шелл с секретами.
Бизнесу придется принять менее приятную часть истории. Покупка лицензий на AI coding assistant сама по себе не превращает компанию в быструю инженерную организацию. Если требования по-прежнему живут в разрозненных документах, security review собирается раз в неделю, а критерии приемки обсуждаются после готового диффа, агент просто быстрее принесет хаос к тем же воротам. Производительность начнет расти там, где процесс станет исполняемым: спецификации версионируются, политики выражены в проверках, инциденты превращаются в регрессионные evals, а риск изменения определяет маршрут ревью.
Самый интересный сдвиг здесь не в том, что ИИ научился писать еще один слой CRUD. Команды начинают проектировать процесс разработки так, будто его участником является не только человек, но и машина, которой нужны явные правила, проверяемые артефакты и быстрый сигнал об ошибке. Следующий спор в инженерных организациях будет не о том, можно ли доверять агентам код, а о том, какие изменения заслуживают автопилота, какие требуют человеческого допуска и кто отвечает за карту этих маршрутов.