01
Kittl Agentic AI
Текущий production experience: ownership Agentic AI project в Kittl — от архитектуры и technical direction до production delivery.
AI ENGINEERING WORKFLOW SPRINT
Сделайте так, чтобы AI-speed сохранялся во всём delivery workflow.
Coding agents могут ускорить implementation, пока вся остальная система остаётся такой же дорогой.
Мы берём один реальный production workflow, фиксируем, где теряется выигрыш, внедряем минимальное полезное engineering intervention и проверяем его на живых changes.
PRODUCTION AI ENGINEERING
Production AI engineering — не prompt demos.
02
AI-assisted technical sign-off
Спроектирован AI-assisted engineering sign-off workflow, который используется примерно в пяти product teams и 23 проектах.
03
AI Change Verification — open source
Мы разработали и открыли в open source evidence-accountable verification workflow для AI-assisted code changes до human review — с deterministic evidence, обработкой unresolved risks и явным human judgment.
AI Change Verification на GitHubКОГДА БЫСТРЫЙ IMPLEMENTATION НЕ СТАНОВИТСЯ БЫСТРЫМ DELIVERY
Bottleneck часто просто перемещается в другое место.
01
Implementation становится дешевле, но delivery не становится предсказуемее
Tasks быстрее проходят coding, но unclear intent, requirements, architecture decisions или handoffs продолжают создавать delay дальше.
02
Индивидуальное использование AI само по себе не становится team system
У каждого engineer могут быть хорошие tools и personal workflows, но у команды всё ещё нет shared context, checks, conventions и measurement.
03
Senior judgment появляется поздно и дорого
Architecture, risk, edge cases и unresolved assumptions всплывают уже на review или rework.
Если AI-assisted development ещё существенно не меняет то, как команда делает implementation, этот Sprint, скорее всего, пока не нужен.
SPRINT
Исправьте следующий delivery bottleneck, а не «AI adoption» вообще.
Мы выбираем один production workflow, фиксируем baseline, определяем, где AI-assisted speed теряется, и внедряем минимальное полезное изменение внутри существующего engineering environment.
Mechanism следует за bottleneck. Мы не заставляем все команды использовать один и тот же AI process.
Цель не в максимальной автоматизации. Цель — delivery workflow, где AI делает больше полезной работы, а human judgment расходуется там, где он действительно создаёт ценность.
- 01
Task и decision context
Сделать expected outcome, constraints и unresolved decisions понятными до implementation.
- 02
Shared AI / agent instructions
Усилить team-level consistency там, где личные workflows работают хорошо.
- 03
Architecture и approval checkpoints
Раньше увидеть system decisions, которые иначе пересматриваются поздно.
- 04
Deterministic verification
Запускать tests, linting, type checks и structural rules до дорогого human review.
- 05
Review readiness
Дать reviewer intent, evidence и unresolved risks без ручной реконструкции.
- 06
Human decision boundaries
Разделить решения, которые можно delegate, и явную human ownership.
- 07
Before/after workflow measurement
Выбрать от одной до трёх практичных measures для workflow.
Десять рабочих дней: от baseline до live evidence.
- 01
Ограничить один production workflow
Определить workflow, team, primary repo, текущее AI usage и результат workflow, который Sprint должен улучшить.
- 02
Зафиксировать baseline
Измерить rework, reviewer attention, context reconstruction, handoffs или verification cost.
- 03
Найти настоящий bottleneck
Отделить главный constraint от symptoms и выбрать минимальную intervention.
- 04
Внедрить intervention
Изменить реальный workflow, а не подготовить recommendation deck.
- 05
Проверить на живых changes
Запустить обновлённый workflow на реальной инженерной работе и сравнить evidence с baseline.
- 06
Handoff и решение
Передать working intervention, result memo, unresolved items и рекомендацию: roll out, iterate или stop.
FIT
Для команд, где AI уже меняет implementation, но ещё не весь delivery system.
Sprint определяется зрелостью workflow и severity bottleneck, а не размером компании.
GOOD FIT
- AI-assisted implementation используется существенно.
- Есть один production workflow с заметной friction.
- Engineering leadership видит human cost текущего workflow.
- Intervention можно проверить на реальных changes.
- Bounded workflow improvement полезнее broad transformation.
NOT A FIT
- generic AI training или tool rollout
- нет конкретного workflow
- company-wide transformation за десять дней
- проблема полностью вне software delivery
РАБОТА НАПРЯМУЮ С ИНЖЕНЕРАМИ
Инженеры, которые выполняют работу
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.
Никакой передачи от sales к junior delivery team. Люди, которых вы видите здесь, работают над engagement.
FIXED-SCOPE SPRINT
Одна команда. Один production workflow. Десять рабочих дней.
€6 500 фиксировано
+ VAT, если применимо
10 рабочих дней · 1 команда · 1 production workflow · 1 primary repo · baseline + implementation + live trial + before/after evidence + handoff.
Мы фиксируем workflow до начала работы. Если проблема слишком широкая, слишком маленькая или её невозможно честно проверить в заданных границах, не нужно искусственно помещать её в Sprint.
Постоянный retainer не требуется. Более широкий rollout или следующий workflow — отдельное решение после Sprint.
Вопросы перед Sprint
Это программа по AI adoption или training?
01Нет. Sprint предполагает, что AI-assisted development уже существенно используется, и фокусируется на одном реальном software-delivery workflow.
Какие bottlenecks может устранить Sprint?
02Типичные примеры: недостаточный task context, повторяющиеся architecture iterations, непоследовательные agent practices, rework, стоимость verification, review readiness, handoffs и неясные human decision boundaries. Конкретная intervention определяется выбранным workflow.
Нужно ли использовать конкретный coding agent?
03Нет. Sprint tool-neutral и строится вокруг engineering environment, который команда уже использует.
Нужно ли мигрировать на другую платформу?
04Нет. Platform migration не является целью. Существующие tools должны сохраняться, если конкретный workflow не даёт обоснованной причины что-то заменить.
Sprint рассчитан только на определённый размер команды?
05Нет. Fit определяется зрелостью workflow и bottleneck, а не headcount.
Вы гарантируете определённый рост продуктивности?
06Нет. Фиксированный процент не обещается. Цель bounded Sprint — внедрить одну реальную intervention и оценить её по наблюдаемой before/after evidence.
Что, если наша проблема только в review и verification?
07Тогда, скорее всего, лучше подходит более узкий AI Engineering Review & Verification Sprint.
Что, если нас совсем немного и основная проблема — необходимость постоянно контролировать agents?
08Для такой ситуации предназначен AI-Native Delivery System Sprint.
Что происходит после десяти рабочих дней?
09Sprint заканчивается handoff и решением по результату. Автоматического продолжения consulting нет.
Контакт
Покажите, где теряется AI-assisted speed.
Коротко опишите команду, используемые AI/coding tools и один production workflow, где implementation стал быстрее, но delivery всё ещё остаётся дорогим или непредсказуемым.