Практический воркшоп: участники разберут идею AI-агента из бэклога по фреймворку Design Canvas, выявят требования и решат, стоит ли брать её в спецификацию.

AI-native система работы руководителя превращает записи встреч в проверяемые решения, задачи и обновления проектов. Спикер покажет устройство контура, правила автономности и реальные сбои.

Практическая карта выбора инфраструктуры и инструментов для coding-агентов: модели и квантование, стоимость оборудования, tool calling и эксплуатационные метрики.

Как встроить LLM-агента в существующую data-инфраструктуру, бороться с галлюцинациями в аналитике, использовать MCP и считать стоимость работы агента.

Практический мастер-класс: участники пройдут путь от формулировки гипотезы и поиска аналогов с AI-инструментами до прототипа, ценностного предложения и плана продажи.

От чата с ИИ к автономным мультиагентным командам: Specification-Driven Development, GigaCode Desktop и агент-оркестратор как части обновлённого производственного процесса.

Как ускорение разработки переносит узкое место в Discovery, эксперименты и доставку результата клиенту. Спикер предложит архитектуру продуктового цикла и способ задавать автономию агентам.

Почему после успешных пилотов AI остаётся инструментом немногих и как обучение, управление изменениями и адекватные метрики помогают закрепить новые практики.

Как менялось представление о данных и их контексте — от первых способов фиксации наблюдений до систем с ИИ — и какой должна стать архитектура хранения на следующем этапе.

Почему AI-помощники не устраняют ограничения старых процессов и как выстроить сквозную производственную модель вокруг измеримого бизнес-результата.

Опыт переноса бизнес-логики Pega на новый стек с помощью LLM: извлечение логики из артефактов, описание процессов и ИИ-пайплайн разработки. С метриками, стоимостью и ошибками.

Когда разработка ускоряется агентами, узким местом становятся дизайн и оценка качества. Практика 32 агентов, дизайн-harness, MCP/ИИ-хаба и evals.