InquirerLegarda wants unnecessary spending in 2027 nat’l budget slashedThe Jerusalem Post‘Forever chemicals’ in tap water linked to earlier deaths in prostate cancer patients - reportPunchSoldiers kill suspected terrorist in PlateauInquirer Entertainment2NE1’s CL joins THEBLACKLABEL, sets ‘ICONIC’ comeback at 2026 MAMAZDF heuteAktuelle Pressemitteilungen des ZDFWirtualna PolskaSuperpełnie 2026: Księżyc rozświetli niebo w WigilięCBS NewsThanksgiving travel likely to dip a bit due to prices, AAA saysSouth China Morning PostUN chief urges countries to rein in ‘killer robots’ on the battlefieldIl Fatto QuotidianoPanico sulla Grande Muraglia cinese, la neve trasforma i gradini in una trappola di ghiaccio: turisti in difficoltà scivolano lungo il percorso. Le immaginiBBC NewsFive EU countries expected to announce migrant deportation centre in RwandaTimes of India EntertainmentSai Pallavi reveals her parents' reaction after she cut her hair for 'O.M'Rai NewsUno studente Erasmus di 20 anni precipita dalle mura all'Aquila, è grave
The Daily Newsstand · Free, Always
Monday, November 16, 2026

Теория ограничений Элияху Голдратта применительно к внедрению ИИ в IT-разработке

Translate
  • Теория ограничений (TOC, Theory of Constraints) — метод управления производительностью системы через выявление и устранение её главного ограничения.

  • Метод критической цепи (Critical Chain Project Management, CCPM) — применение TOC к управлению проектами с учётом зависимостей задач, ограниченности общих ресурсов и временных буферов.

Для анализа компании, выполняющей множество проектов IT-разработки, полезны оба подхода.

По Голдратту, общая производительность системы определяется её ограничением. Улучшение производительности операций, не являющихся ограничениями, не обязательно увеличивает результат всей системы.

Рассмотрим типичный процесс производства продукта:

Цепочка создания ценности

Цепочка создания ценности

В реальной компании это не строго последовательный конвейер: задачи могут выполняться параллельно, возвращаться на доработку и конкурировать за общих специалистов.

Однако для первого приближения такая модель удобна.

Допустим, разработка — самое медленное звено. Очередь задач накапливается перед программистами, тогда как тестировщики периодически простаивают.

Рациональное управленческое решение по TOC: увеличивать пропускную способность разработки и подчинять ей остальные этапы.

LLM и ИИ-агенты позволяют сделать это без пропорционального увеличения штата.

Но что произойдёт дальше?

Предприятие до внедрения ИИ

Представим компанию, которая занимается заказной веб-разработкой: корпоративными порталами, CRM-интеграциями, личными кабинетами и API-сервисами.

В компании работают 20 человек, включая аналитиков, разработчиков, тестировщиков, DevOps и руководителей.

Допустим, каждый этап имеет следующую пропускную способность:
Все показатели ниже — условная модель, а не статистика реальной компании. Единица измерения — сопоставимая по трудоёмкости завершённая функциональная задача в неделю.

Этап

Мощность, задач в неделю

Загрузка при потоке 20 задач

Анализ требований

30

67%

Архитектура

25

80%

Разработка

20

100%

Code Review

35

57%

QA

30

67%

Релиз и приёмка

40

50%

Характерные проблемы до ИИ

  1. Бизнес-аналитики готовят задачи быстрее, чем разработчики их реализуют.

  2. Растёт очередь в разработку.

  3. Руководители проектов конкурируют за время программистов.

  4. Разработчики вынуждены переключаться между проектами.

  5. QA и специалисты по релизам периодически недозагружены.

  6. Новые проекты стартуют, хотя существующие ещё не завершены.

В терминах критической цепи дополнительные трудности создают общие ресурсы. Например, один senior-разработчик может быть нужен одновременно трём проектам, и его доступность влияет на сроки каждого.

Таким образом, главным ограничением выступает не обязательно общая численность программистов. Им может быть один конкретный специалист, обладающий уникальной компетенцией.

Предприятие после внедрения LLM и ИИ-агентов

Предположим, компания внедрила:

  • ИИ-ассистентов для написания и рефакторинга кода.

  • Coding agents для реализации отдельных задач и подготовки Pull Request.

  • Генерацию модульных тестов.

  • Автоматическое создание документации.

  • ИИ для поиска ошибок и анализа существующей кодовой базы.

Производительность программистов значительно увеличилась. Условно примем, что команда теперь способна производить 50 функциональных задач в неделю вместо 20.

Но производительность остальных этапов выросла неравномерно:

Этап

До ИИ

После ИИ

Изменение

Анализ

30

35

+17%

Архитектура

25

28

+12%

Разработка

20

50

+150%

Code Review

35

38

+9%

QA

30

32

+7%

Релиз

40

42

+5%

Мощность этапов до и после внедрения ИИ

Мощность этапов до и после внедрения ИИ

Получаем принципиально важный результат:

Разработка ускорилась на 150%, но пропускная способность компании увеличилась только на 40%.

Причина — ограничение переместилось из программирования в проектирование архитектуры.

До внедрения ИИ компания могла производить максимум 20 задач в неделю. После внедрения — 28, поскольку именно столько задач способна качественно подготовить архитектурная функция.

При этом простаивавшие ранее мощности могут начать использоваться эффективнее, но дополнительное ускорение программирования уже не принесёт сопоставимой пользы.

Если компания начнёт массово генерировать реализацию задач сверх возможностей архитекторов, она получит не дополнительную прибыль, а увеличение незавершённой работы (Work In Progress).

Это классический эффект локальной оптимизации.

Куда могут сместиться бутылочные горлышки?

Ограничение не обязано перемещаться только на следующий этап. Оно может оказаться практически в любой части процесса создания ценности, включая процессы за пределами разработки.

Рассмотрим шесть наиболее вероятных сценариев.

1. Бизнес-анализ и постановка задач

ИИ-агенты способны быстро реализовывать задачи, но не гарантируют правильного понимания бизнес-потребностей.

Команда начинает ждать уточнений, согласования требований и критериев приёмки. Неоднозначные задачи порождают много быстрых, но неверных реализаций.

Новое ограничение: способность бизнеса формулировать качественные требования.

2. Архитектура и технические решения

Агенты могут реализовывать отдельные функции параллельно, но архитектурные решения часто взаимозависимы.

Несколько агентов могут создавать несовместимые API, дублировать функциональность или нарушать принятые границы модулей.

Новое ограничение: время архитектора или техлида на принятие решений и согласование изменений.

3. Code Review и интеграция

Разработчики и агенты создают больше пулл-реквестов, чем команда может качественно проверить.

Очередь пулл-реквестов растёт, изменения конфликтуют между собой, увеличивается время интеграции. Особенно дефицитными становятся senior-разработчики.

Новое ограничение: способность проверять, понимать и безопасно интегрировать изменения.

4. Тестирование и обеспечение качества

Создание функциональности ускоряется сильнее, чем её проверка.

Генерация автотестов частично помогает, однако остаются интеграционные сценарии, особенности инфраструктуры, нестандартные бизнес-процессы и регрессионное тестирование.

Новое ограничение: способность подтвердить правильность и надёжность результата.

5. DevOps, релизы и инфраструктура

Код готов, тесты пройдены, но компания не может достаточно быстро доставить его пользователям.

Причинами могут быть ручные процедуры развёртывания, отсутствие CI/CD, сложные миграции БД, ограниченные тестовые среды и регламентированные окна релизов.

Новое ограничение: скорость и безопасность вывода изменений в прод.

6. Заказчик, владелец продукта и принятие решений

Компания начинает поставлять функциональность быстрее, чем заказчик способен её проверить, согласовать и внедрить в свою работу.

Новые функции ожидают приёмки, а разработчики переключаются на следующие задачи.

Новое ограничение: способность заказчика принимать результат и извлекать из него ценность.

При этом наблюдаемая очередь ещё не доказывает, что соответствующий этап является системным ограничением: причинами могут быть неравномерное выполнение задач, возвраты на доработку или неверная политика расстановки приоритетов.

Как должна измениться стратегия управления предприятием

Важный нюанс: самая длительная операция не всегда является ограничением системы. Критическая цепь проекта определяется последовательностью зависимых работ и ограничениями ресурсов, тогда как бутылочное горлышко предприятия определяется мощностью потока относительно спроса.

С точки зрения Голдратта, ошибочным было бы объявить максимальное количество сгенерированного кода главной целью внедрения ИИ.

Вместо этого нужно пройти пять фокусирующих шагов TOC:

Шаг TOC

Применение к веб-разработке

1. Найти ограничение

Определить, где реально ограничивается поток завершённых задач

2. Максимально использовать ограничение

Убрать лишнюю работу с дефицитных специалистов

3. Подчинить систему ограничению

Не генерировать больше задач, чем могут обработать следующие этапы

4. Расширить ограничение

Автоматизировать проверки, улучшить архитектурные стандарты, расширить мощности

5. Повторить цикл

Найти новое ограничение после изменения процесса

Например, если узким местом стал Code Review, создание новых ИИ-агентов может оказаться бессмысленным.

Гораздо эффективнее:

  1. Ввести обязательные автоматические проверки перед пулл-реквестами.

  2. Ограничить размер изменений в коде.

  3. Создать набор архитектурных правил для агентов.

  4. Использовать ИИ для предварительного анализа пулл-реквестов.

  5. Сократить число изменений, требующих участия senior-разработчика, без отказа от обязательного человеческого контроля там, где он нужен.

  6. Ограничить количество одновременно открытых пулл-реквестов.

Здесь применима концепция Drum-Buffer-Rope:

Drum (барабан) — производительность реального ограничения, например Code Review.

Buffer (буфер) — контролируемый резерв готовых к проверке задач, защищающий работу ревьюеров от перебоев.

Rope (верёвка) — управление запуском новых задач и агентов исходя из способности системы завершать работу.

При мощности Code Review в 25 задач в неделю нет смысла устойчиво запускать 50 задач в неделю, если остальные этапы не способны поглотить этот поток.

Какие показатели нужно измерять после внедрения ИИ

Группа

Показатели

Что позволяют понять

Бизнес-анализ

Внедрённый функционал, производительность, маржинальный доход, срок от запроса до результата

Улучшилась ли компания как система?

Поток задач

Время ожидания задач, длина очередей, затраты на Code Review, затраты на тестирование

Где формируется ограничение?

Качество

Дефекты после релиза, переделки, сбои, стабильность поставки в прод

Не достигнуто ли ускорение за счёт ухудшения качества?

Особое внимание стоит уделить Flow Efficiency — доле времени, когда над задачей реально работают, относительно полного времени её прохождения.

Например, если задача обрабатывается 12 часов, но от постановки до релиза на прод проходит 10 рабочих дней по 8 часов:

Flow\ Efficiency=\frac{12}{80}\times100\%=15\%

Остальные 85% времени задача находится в ожидании или перемещается между этапами.

Внедрение ИИ может сократить активную работу с 12 до 4 часов. Но если ожидание останется прежним, общая длительность изменится незначительно, а Flow Efficiency может даже уменьшиться.

Это важный диагностический признак того, что компания ускоряет операции, а не поток.

Если ограничением становится рынок

Предположим, предприятие последовательно устранило внутренние ограничения.

Компания теперь способна выпускать 60 функциональных задач в неделю, но оплачиваемый клиентский спрос соответствует только 35.

Ограничение перемещается за пределы производства — в продажи, привлечение заказчиков, бюджет клиентов или способность находить экономически ценные задачи.

В этой ситуации дополнительное ускорение разработки практически не имеет смысла, если оно не снижает расходы или не создаёт новых конкурентных преимуществ.

Компании приходится менять стратегию:

  • Переходить от продажи часов разработки к продаже готовых результатов.

  • Повышать сложность и ценность реализуемых проектов.

  • Увеличивать клиентскую базу.

  • Разрабатывать собственные программные продукты.

  • Сокращать длительность внедрения и получения клиентом результата.

При продаже разработки по модели Time & Materials возникает ещё один парадокс: сокращение трудозатрат без изменения ценообразования может уменьшить выставляемые клиентам часы и выручку.

Поэтому способность быстро писать код и способность зарабатывать деньги могут начать расходиться.

Главный управленческий вывод

В традиционной веб-разработке дефицитным ресурсом нередко выступает способность создавать программный код.

С внедрением ИИ дефицит всё больше может смещаться к способности формулировать правильные задачи, принимать архитектурные решения, проверять результаты и доводить функциональность до клиента.

Но отсюда не следует, что программисты перестанут быть ограничением. В сложных легаси-системах, нестандартных интеграциях или высоконагруженных продуктах квалифицированная инженерная работа может оставаться главным дефицитным ресурсом даже после широкого внедрения ИИ.

ИИ выступает усилителем существующих возможностей и организационных проблем, а не универсальным средством повышения эффективности.

С позиции Голдратта главная ошибка — измерять успех внедрения ИИ количеством написанного кода или ускорением отдельных разработчиков.

Измерять нужно изменение пропускной способности всей компании, срока поставки клиенту, объёма незавершённой работы и экономического результата.

И именно здесь теория ограничений может оказаться одним из наиболее полезных подходов к управлению внедрением ИИ.

View the original on Хабр →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.