Agent Readiness: почему ваши AI-агенты работают хуже, чем могли бы

Концепцию Agent Readiness представила компания Factory.ai в январе 2026 года как один из первых формализованных подходов к оценке готовности кодовой базы к работе с AI-агентами в рамках развивающихся практик AI-native разработки. Репозитории анализируются по восьми техническим направлениям и размещаются на одном из пяти уровней зрелости.

Идея в том, что AI-агент - это не автономная сущность, а исполнитель в конкретной среде. Качество среды определяет качество результата. Плохо настроенная кодовая база сведёт на нет эффективность любого агента. Хорошо настроенная - сделает его значительно продуктивнее.

Goldman Sachs в своих исследованиях зафиксировали медианный прирост производительности около 30% там, где AI применялся в конкретных, хорошо подготовленных задачах. Ключевое слово - «подготовленных».

Репозитории проходят через пять уровней. Для перехода на следующий необходимо выполнить 80% критериев текущего и всех предыдущих уровней - это принципиальное условие, которое исключает «перепрыгивание» через фундаментальные требования.

Опубликованные Factory отчёты по популярным open source-проектам показывают: даже успешные проекты сильно отличаются по тому, насколько с ними может работать AI.

Оба крайних проекта - CockroachDB и Express - успешны и широко используются. Разница не в качестве кода как такового, а в том, насколько агент способен автономно работать в этой среде.

Agent Readiness оценивает более 60 критериев с участием LLM - и это создаёт проблему недетерминированности. До решения этой задачи разброс оценок для одного и того же репозитория при последовательных запусках достигал в среднем 7%, с пиковыми значениями до 14,5%.

Решение - привязка каждой новой оценки к предыдущему отчёту по тому же репозиторию. После этого разброс снизился до 0,6% и удерживается на этом уровне на протяжении шести недель по девяти бенчмарк-репозиториям с разным исходным уровнем готовности.

Без стабильных оценок метрика теряет смысл как инструмент управления. Доверие к данным - базовое условие любого измерения.

Каждый критерий бинарный: выполнен или не выполнен. Большинство сигналов проверяются через наличие файлов или анализ конфигураций: есть ли конфигурация линтера? Включена ли защита веток? Можно ли запустить тесты локально?

Критерии оцениваются на двух уровнях:

• Уровень репозитория (общий) - проверяются один раз для всего репозитория (наличие CODEOWNERS, включена ли защита веток, настроены ли общие правила безопасности и контроля).
• Уровень приложения - применяются к каждому приложению в монорепозиториях (настроен ли линтер для каждого приложения, есть ли модульные тесты). В монорепозиториях оценки могут выглядеть как «3/4»: три из четырёх приложений проходят данный критерий.

На уровне организации отслеживается доля активных репозиториев, достигших уровня 3 и выше. «80% наших активных репозиториев готовы для агентов» - более управляемая метрика, чем «средний балл 73,2%».

Знать пробелы - половина задачи. Вторая половина - их устранить. После получения отчёта можно запустить автоматическое исправление через CLI или дашборд. Агент создаёт pull request: добавляет недостающие файлы (AGENTS.md), настраивает линтеры, подключает pre-commit хуки.

Первоначальный фокус - на базовых пробелах: отсутствующая документация, недостающие конфигурационные файлы, базовые инструменты. Именно они дают наибольший прирост при минимальных усилиях. То, на что команда тратила дни ручной настройки, выполняется за минуты.

После применения изменений оценку следует запустить повторно - для верификации результата.

Улучшения в Agent Readiness накапливаются нелинейно. Более качественные среды делают агентов продуктивнее. Более продуктивные агенты берут на себя больше задач. Это освобождает время разработчиков для дальнейшего улучшения среды - и цикл повторяется.

Важно: это не инвестиция в конкретный инструмент. Более «agent-ready» кодовая база повышает эффективность всех AI-агентов разработки - независимо от того, какой именно инструмент использует команда. Для организаций, которые измеряют прогресс и системно улучшают инфраструктуру, разрыв с остальными будет только расти.

По данным McKinsey & Company, компании, где заметная доля операционной прибыли формируется за счёт AI, системно перестраивают процессы под использование AI, а не просто встраивают модели в существующие рабочие потоки.

Agent Readiness - один из инструментов такой трансформации.

1. Начните с диагностики: запустите /readiness-report для наиболее активного репозитория команды и зафиксируйте текущий уровень зрелости.
2. Проанализируйте, какие критерии ещё не выполняются, и последовательно закройте выявленные пробелы - вручную или с использованием автоматизации.
3. После изменений проведите повторную проверку, чтобы подтвердить прогресс и закрепить результат.
4. На уровне организации имеет смысл отслеживать долю активных репозиториев, достигших уровня 3 и выше, как устойчивую метрику развития.

Важно: это не разовая настройка, а регулярная управленческая практика, наравне с CI/CD или code review, которая формирует среду для эффективной работы AI-агентов.