01
Kittl Agentic AI
Текущий практический production experience: работа над Agentic AI project в Kittl — от архитектуры и technical direction до production delivery.
AI ENGINEERING REVIEW & VERIFICATION SPRINT
AI может создавать код быстрее, чем ваша команда успевает безопасно его проверить.
Мы улучшаем один production workflow, чтобы меньше senior attention уходило на восстановление контекста, повторяемые проверки и исправление предотвратимого rework.
We build the verification layer between AI-generated changes and production.
Context, deterministic checks, AI-assisted pre-review and clear human sign-off — designed around your existing workflow.
PRODUCTION AI ENGINEERING
Production AI engineering — не prompt demos.
02
AI-assisted technical sign-off
Спроектирован AI-assisted engineering sign-off workflow, который использовался примерно в пяти product teams и 23 проектах.
03
Production AI/ML engineering
В delivery также участвует AI/ML engineer с опытом в machine learning, NLP/RAG, computer vision и production-oriented AI systems и MSc in Computer Science.
КУДА ИСЧЕЗАЕТ СЭКОНОМЛЕННОЕ ВРЕМЯ
Проблема часто не в создании изменения. Проблема в том, чтобы достаточно уверенно его одобрить.
01
Больше кода доходит до review. Внимание senior engineers не масштабируется.
AI может увеличить объём изменений, пока те же инженеры отвечают за понимание intent, architecture и risk.
02
Правдоподобному коду всё ещё нужен контекст.
Изменение может выглядеть корректным, но reviewer всё ещё восстанавливает repository rules, assumptions, edge cases и причину реализации.
03
Сэкономленное время на coding может вернуться как rework.
Слабый context, слишком большие изменения и verification gaps переносят стоимость в review rounds, debugging и cleanup.
Если ни один из этих пунктов сейчас заметно не отнимает время вашей команды, это, вероятно, не тот pilot.
СПРИНТ
Снизьте человеческие затраты на доверие к AI-assisted изменениям.
Мы берём один production workflow, где AI-assisted изменения уже создают review или rework cost, и улучшаем путь до senior sign-off.
Intervention зависит от реального bottleneck. Мы не устанавливаем generic “AI review stack”.
Мы не заменяем engineering judgment ещё одним AI layer. Мы делаем дорогое человеческое решение проще для применения.
- 01
Лучший repository context
Когда agents снова и снова пропускают архитектуру, правила или прежние решения.
- 02
Меньшие и понятные change boundaries
Когда сгенерированные diffs слишком дороги для понимания.
- 03
Более ранняя deterministic verification
Через нужные tests, type checks, linting, static analysis, reproduction steps или CI gates.
- 04
AI-assisted pre-review, где это полезно
Для дешёвых повторяемых проблем до senior review.
- 05
Явные human ownership и sign-off
Чтобы ответственность оставалась понятной.
- 06
Evidence до/после
С использованием одной-трёх практических workflow measurements.
Один workflow. Три шага. Десять рабочих дней.
- 01
Находим, где расходуется внимание senior engineers
Выбираем один workflow, показываем, где возникает review/rework cost, и согласуем практический baseline.
- 02
Внедряем минимально полезное изменение
Меняем context, границы workflow, verification gates, pre-review или sign-off только в объёме, нужном для bottleneck, а не всю engineering system.
- 03
Измеряем и передаём команде
Сравниваем согласованные evidence, документируем workflow и оставляем поддерживаемые source-controlled артефакты с понятным ownership команды.
Инженеры, которые выполняют работу
От диагностики до implementation и handoff вы работаете напрямую с обоими инженерами.
AI & Software Engineering Lead
Yaroslava Suspitsina
Senior software engineer с фокусом на production AI systems, agentic architecture и engineering workflows. Сейчас она работает в Kittl, где отвечала за Agentic AI project от архитектуры и technical direction до production delivery. Также она проектировала AI-assisted review, testing и quality workflows для нескольких product teams.
- Текущая работа над Kittl Agentic AI project и production delivery.
- AI-assisted technical sign-off workflow примерно для пяти product teams и 23 проектов.
- Agentic architecture, testing, CI quality automation, Playwright, debugging и engineering enablement.
AI/ML Engineer
Valerii Safonov
AI/ML engineer с опытом в machine learning, quantitative modelling, NLP/RAG, computer vision и production-oriented AI systems. MSc in Computer Science с фокусом на machine learning; прикладной AI engineering experience — как минимум с 2020 года.
- MSc in Computer Science с фокусом на machine learning.
- Прикладная AI/ML работа в quantitative modelling, NLP/RAG, computer vision и production engineering.
- Ранняя прикладная работа по обнаружению и оценке technology trends с ответственностью за данные, архитектуру и engineering methods.
Без передачи от sales к junior. Показанные здесь люди работают над pilot.
FOUNDING PILOT
Один ограниченный workflow. Понятный handoff.
€4 500 фиксировано
плюс VAT, если применимо
Один production workflow · delivery window 10 рабочих дней · прямой доступ к обоим инженерам · implementation + handoff + result memo до/после.
Расскажите о workflow, который сейчас создаёт больше всего review, rework или восстановления контекста. Если он подходит для bounded pilot, мы определим scope и baseline до начала работы.
Вопросы перед пилотом
Почему не сделать это своими силами?
01Можно. Этот pilot подходит командам, которые предпочитают ограниченное внешнее вмешательство для диагностики bottleneck, реализации первого workflow и поддерживаемого handoff вместо того, чтобы тратить senior time на поиск паттерна с нуля. Долгосрочная зависимость не требуется.
Вы заменяете human code review?
02Нет. Human accountability остаётся явной. Цель — перенести дешёвую повторяемую verification раньше, чтобы senior reviewers тратили внимание на intent, architecture и risk.
Какой доступ к repository или customer data вам нужен?
03Минимальный доступ, необходимый для согласованного workflow. Production или sensitive customer data по умолчанию не требуются; доступ должен соответствовать вашим действующим security и data-handling policies.
Что если метрика не улучшится?
04Гарантированный процент роста productivity не обещается. Ограниченный отрицательный результат всё равно полезен: команда понимает, что не стоит масштабировать, и сохраняет implementation, документацию и result memo.
Что происходит после десяти рабочих дней?
05Pilot заканчивается handoff. Если evidence поддерживает следующий workflow или более широкий rollout, это определяется отдельно. Автоматического consulting commitment нет.
Контакт
Покажите, где verification стоит слишком дорого.
Достаточно нескольких предложений. Расскажите о размере команды, используемых AI coding tools и о том, где review, rework или восстановление контекста отнимают время.