Как не держать всё в голове: AI-система знаний для команды, которая живет в легаси и рефакторинге

В командах, которые долго развивают сложные продукты, главной проблемой часто становится не написание нового кода, а восстановление контекста: почему было принято архитектурное решение, где находится нужная логика, какие зависимости нельзя сломать, что уже исследовали раньше и почему один из вариантов когда-то отвергли. Пока команда небольшая, это держится на памяти сильных инженеров и тимлидов. Но при росте продукта такая модель перестает масштабироваться: люди тратят время на повторный поиск решений, новые участники дольше входят в контекст, а руководители становятся живой базой знаний. В докладе разберу практический кейс группы Рунити и расскажу, как подходить к снижению когнитивной нагрузки в командах, которые несколько лет работали с крупными проектами, легаси-кодом и постоянным рефакторингом. Покажу, какие знания стоит сохранять в первую очередь, как превратить разрозненные исследования, решения, SQL-запросы, документацию и обсуждения в базу знаний, пригодную для AI-инструментов, и как понять, когда команде достаточно саммаризации, а когда уже нужен RAG и поиск по корпоративному контексту. Отдельно расскажу, как внедрение AI-инструментов может повлиять на работу команды и увеличить долю выполненных задач в квартал на 11% от общего плана, долю задач, завершившихся дефектами, снизить на 13%, а долю закрытых дефектов в квартале повысить на 12%. И как руководителю понять, что команда уперлась в когнитивные ограничения, как выбрать правильный уровень автоматизации и как не построить очередную бесполезную базу знаний, которой никто не пользуется.

Тезисы: Как разложить потерю контекста на типовые сценарии: онбординг, рефакторинг, инциденты, аналитика. Какие знания нужно сохранять в первую очередь: решения, связи, исследования, SQL, инструкции. Как определить, какие знания нужно структурировать вручную, а какие можно отдавать AI «как есть». Где проходит граница между саммаризацией, поиском по базе знаний и полноценным RAG. Как встроить AI-инструмент в командный workflow. Как контролировать качество AI-ответов. На какие грабли мы наступили и что делать, чтобы этого избежать. Как оценивать эффект через delivery-метрики, дефекты и скорость восстановления контекста.