У Snowflake уже 97% инженеров еженедельно работают с coding agents, а полный цикл валидации релиза за год сократился с 15 дней до одного. Для тех, кто смотрит на AI-кодинг не как на игрушку для демо, а как на производственный процесс, это важный сигнал: выигрывают не команды с самым громким пилотом, а те, кто успел превратить хаос экспериментов в понятные правила.
Об этом сообщает Stack Overflow Blog со ссылкой на беседу с Vivek Raghunathan, SVP of engineering в Snowflake, записанную 2 июля 2026 года на Snowflake Summit в Сан-Франциско. По его словам, компания шла к нынешней модели 12-24 месяца и сначала сознательно выбрала режим «пусть хаос правит». Инженерам разрешили пробовать любые инструменты, а руководство следило не за строками кода и не за PR-метриками, которые легко накрутить, а за простым показателем: люди вообще пользуются агентами каждый день или хотя бы каждую неделю. На этом этапе, говорит Рагхунатан, важнее было не «оцифровать продуктивность», а сломать старые привычки и дать новой практике укорениться.
Дальше Snowflake попыталась отделить просто использование AI от умения извлекать из него реальную инженерную отдачу. Внутри компании для этого собрали общий словарь из 14 «AI design patterns» — по сути, набор повторяемых приёмов работы с агентами. Среди примеров, которые приводит Рагхунатан, есть вполне приземлённые вещи: сначала составить план задачи на естественном языке и только потом писать код; развести параллельных агентов по отдельным рабочим контурам, чтобы они не путались друг у друга под ногами; держать «главного» агента с минимальным контекстом, а тяжёлую работу делегировать другим. Отдельный пласт — постоянное обучение системы: знания из памяти и рутины команды переводят в skills, чтобы они не оставались tribal knowledge в голове дежурного инженера. Это уже не AI-кодинг в стиле «попросил модель и посмотрел, что вышло», а попытка собрать из разрозненных приёмов внутренний стандарт.
Для масштабирования этого подхода Snowflake ввела focus weeks — недели, когда инженеры получают время либо подтянуть базовые практики, либо, наоборот, двинуть границу дальше. Логика у компании почти учебниковая, но без академической пыли: примерно 95% команды, по версии Рагхунатана, хотят не исследовать frontier, а просто получить «рабочую тропинку» и спокойно по ней идти. Ещё 5% — те самые исследователи, которые и так будут ковырять новые сценарии вечерами и по выходным. Focus weeks нужны, чтобы одновременно «поднять пол» для большинства и «поднять потолок» для самых продвинутых. На выходе Snowflake получила не только 97% weekly active users среди инженеров, но и рост объёма кода примерно в 1,5 раза год к году и примерно в 3 раза за три года. Рагхунатан отдельно оговаривает, что быстрее стали и смежные метрики сильных команд вроде скорости ревью и time-to-merge.
Самое интересное начинается там, где обычно заканчиваются красивые презентации про генерацию кода, — в релизах, тестировании и инцидентах. Snowflake называет это outer loop разработки и утверждает, что переосмысливает его целиком. Компания прогоняет сотни тысяч задач и наборов бенчмарков перед выпуском релиза, а год назад на «благословение» сборки уходило до 15 дней. Сейчас — один день. По словам Рагхунатана, это результат не только лучшей дисциплины и инструментария, но и использования coding agents для автоматической диагностики блокирующих багов и даже подготовки PR на исправление. Параллельно объём тестов вырос примерно в 3-3,5 раза, причём один из закреплённых паттернов — сначала заставить агента написать тест под фичу, а уже потом код. Для IT-директоров и руководителей платформенных команд тут, пожалуй, главный вывод: ускорение релизов не обязательно покупается деградацией качества, если AI встраивается не только в IDE, но и в сам конвейер поставки.
Отдельная линия — on-call и операционка, где энтузиазм инженеров обычно заканчивается быстрее, чем бюджет на LLM. Рагхунатан говорит, что около 30% KTLO-нагрузки в его организации связано с поддержанием света включённым, и он рассчитывает сократить этот показатель до 5% в течение ближайших месяцев. Под это у Snowflake уже есть четырёхступенчатая модель зрелости: сначала команды описывают типовые проблемы в виде skills, затем подключают событийную автоматику к PagerDuty или Slack, после этого кодируют сложные многошаговые сценарии разбора инцидентов, а затем замыкают цикл обучением — новые находки из расследований возвращаются обратно в skills. В пределе компания допускает режим, где первичный on-call будет вести агент, а люди останутся на вторичной и третичной линии. Звучит амбициозно, но здесь ценность даже не в самом прогнозе, а в сдвиге рамки: runbook больше не документ, который устаревает через неделю, а версия рабочего процесса, которую можно обновлять и прогонять как код.
Есть и важный кадровый слой этой истории. Snowflake делит сотрудников на pioneers, settlers и skeptics: одни первыми лезут в новый стек, вторые приходят на готовое, третьи сопротивляются открыто или молча. Рагхунатан признаёт, что переход к агентной разработке для многих переживается почти как стадии горя: если ты годами строил карьеру на очень конкретном инженерном мастерстве, встреча с системой, которая в части задач уже «не хуже тебя», бьёт не только по процессам, но и по самооценке. Внутри компании это пытаются нормализовать, а прогресс измеряют собственной шкалой Yegge scale, названной в честь Steve Yegge: задача не в том, чтобы срочно нанять больше «суперзвёзд», а в том, чтобы перевести людей с условного Yegge 3 на Yegge 7. Для HR и руководителей разработки здесь новость неприятная, но полезная: барьер в AI-кодинг часто не технический, а психологический и организационный.
Наконец, Snowflake приводит пример, который хорошо отрезвляет разговоры о «vibe coding для корпораций». По словам Рагхунатана, команда из трёх инженеров вместе с coding agents добилась 40-кратного улучшения в работе query compiler — одного из самых чувствительных компонентов аналитической СУБД. Он оговаривает, что это не магия из воздуха: за результатом стояли доменные эксперты, которые точно знали, где в системе «лежит сок». Но именно в этом, похоже, и главный сюжет 2026 года. AI-кодинг всё меньше похож на замену разработчика и всё больше — на усилитель для тех, кто понимает архитектуру, умеет формализовать намерение и готов переводить удачные ходы в командный протокол. Подробности разговора можно посмотреть в — хотя главный вопрос уже шире одного интервью: сколько компаний успеют оформить свои 14 паттернов раньше, чем AI в инженерии превратится из преимущества в обязательную гигиену.