ИИ в разработке софта: от моды к новой норме

На ИТ сегодня давят сразу несколько вещей: дефицит сильных разработчиков, общий рост затрат и ожидания клиентов, что новые цифровые сервисы будут появляться быстрее и работать стабильнее, чем вчера. На этом фоне искусственный интеллект перестал быть экспериментом «для продвинутых команд» и становится частью ИТ-производственной линии: помогает выводить продукты на рынок, снижает стоимость сопровождения и меняет то, как мы смотрим на эффективность людей и процессов. В этой колонке Александр Семенов, генеральный директор ГК «Корус Консалтинг», рассказал о том, где ИИ уже дает измеримую экономию и почему без новых нормативов эффективности в ИТ-разработке двигаться дальше не получится.

Сегодня у бизнеса есть три понятных источника экономии за счет ИИ.

Во первых, разработка. Современные LLM модели закрывают значимую часть типовых задач: помогают писать и редактировать код, ускоряют тестирование, написание документации. В проектах по доработке ПО за счет ИИ можно снизить трудозатраты на десятки процентов, в новых разработках — сократить время отдельных этапов в разы. При этом проектирование архитектуры, бизнес логики и ключевых инженерных решений по прежнему остается зоной ответственности команды: ИИ ускоряет руки, но не подменяет голову.

Во вторых, сорсинг и управление ресурсами. В управлении ресурсами ИИ помогает увидеть предметную картину: например, через 6 месяцев по дорожной карте потребуется плюс 5 дата-инженеров и минус 3 специалиста по legacy поддержке, при этом две ключевые роли уже сейчас перегружены на 120%, а часть команды простаивает на 20–30%. На этой базе можно заранее запустить переобучение конкретных сотрудников, перераспределить людей между двумя тремя проектами и сократить внешний найм на 15–20% без просадки по срокам. Параллельно по каждой роли и технологии становится понятно, что целесообразно выращивать внутри, а что логичнее закрывать за счет внешнего рынка.

В третьих, legacy. Почти у каждого крупного бизнеса есть массив устаревших систем, поддержка которых дорожает с каждым годом. ИИ-инструменты помогают разбирать монолиты: ускоряют анализ и рефакторинг кода, подсвечивают проблемные зоны, помогают формировать спецификации для новой архитектуры. В крупных проектах миграции на современное ПО экономия за счет ИИ может измеряться десятками миллионов рублей.

Тем не менее, важно понимать, что ИИ не знает особенностей конкретного бизнеса и отрасли. Он может ошибаться, «галлюцинировать», предлагать решения, не учитывающие производственную реальность компании. Без зрелых ИТ-процессов, ревью и понятных правил использования эффект так и останется точечным, а не системным.

Когда ИИ только начинал заходить в разработку, скептиков было много. После появления действительно мощных моделей и массового распространения «вайбкодинга» уровень недоверия заметно снизился: стало ясно, что это не игрушка, а новый рабочий стандарт для ИТ-команд. Сегодня в серьезных проектах разработка все чаще ведется на базе мультиагентных ИИ-платформ, где агенты закрывают разные роли, работают параллельно и опираются на данные конкретного заказчика.

Каждый агент обучен на сочетании базовой модели и уникальных артефактов компании: кодовой базе, архитектурных решениях, истории инцидентов, внутренних стандартах и регламентах. Это дает два ключевых эффекта. Во первых, агенты сразу проектируют, пишут и проверяют решения в контексте реального ИТ-ландшафта, а не «в вакууме» абстрактных примеров. Во вторых, они сохраняют специализацию: одни сильны в архитектуре и интеграциях, другие — в прикладном коде, третьи — в тестировании и автоматизированных проверках на соответствие политикам безопасности. Время разработки сокращается за счет параллельной работы агентов и автоматической передачи контекста между ними. Качество при этом растет: агенты изначально встроены в цепочку взаимного контроля.

Роль людей при таком подходе меняется: команда смещает фокус с рутинных операций на постановку задач, определение ограничений, принятие архитектурных и продуктовых решений. Планирование, генерация типовых фрагментов, «склейка» изменений, проверки и формирование базовой документации уходят в мультиагентную ИИ среду, а инженерное время тратится на то, что действительно требует экспертизы и ответственности.

Наш опыт показывает, что при наличии безопасной корпоративной ИИ-среды, доступной всей команде, цикл разработки можно существенно ускорить без потери управляемости. В одном из крупных промышленных холдингов скорость выполнения отдельных типовых ИТ-задач по внутренним оценкам выросла в разы, а средняя скорость реализации проектов — примерно в пять раз. Это не означает, что «все стало делаться в пять раз быстрее», но хорошо показывает, как меняется производительность ИТ-блока, когда ИИ используется не точечно, а как общая мультиагентная платформа для всей разработки.

ИИ влияет и на стратегические ИТ-решения — в том числе на классический выбор между покупкой коробочного продукта и собственной разработкой. Традиционный паттерн выглядел так: небольшие компании берут готовые решения, крупные чаще инвестируют в собственные разработки. На практике почти любую коробку приходится подстраивать под уникальные процессы: менять логику, интеграции, интерфейсы. В итоге компания платит дважды: сначала за продукт, затем за адаптацию и поддержку. В крупных внедрениях доля переделок бывает настолько велика, что исходная идея «быстрого и дешевого старта» теряет смысл.

Сегодня ИИ снижает порог входа в собственную разработку. А возможность быстрее создавать и адаптировать решения под свои процессы меняет экономику владения и снижает зависимость от вендоров.

Чтобы ИИ не остался «инициативой для энтузиастов», нужны управленческие метрики. Один из рабочих подходов — оценивать эффективность сотрудников и команд с учетом того, как они используют ИИ в повседневной работе.

На практике это означает, что мы смотрим не только на объем выполненных задач, но и на динамику: как изменились скорость, количество ошибок и качество кода после использования LLM. На этой базе формируются реальные эталоны производительности, которых без системного использования ИИ достичь невозможно. Типичные метрики, которые мы видим в проектах: доля задач, выполненных с использованием LLM; среднее время решения типовой задачи до и после внедрения ИИ; доля кода, сгенерированного ИИ, и связанная с ней статистика по дефектам.

Такие нормативы нужны не ради контроля как такового. Они позволяют по новому планировать ресурсы, пересобирать команды, обосновывать инвестиции в обучение и инфраструктуру. Без этого ИИ рискует остаться на уровне «кто как умеет», когда результат зависит от пары мотивированных сотрудников, а не от системы.

Риски использования ИИ достаточно очевидны: «галлюцинации» моделей, утечки данных, зависимость от конкретных поставщиков или отдельных специалистов, расхождение с внутренними стандартами разработки. Известны примеры, когда разработчики пытались ускориться за счет внешних ИИ-сервисов, не задумываясь о том, что выгружают в них фрагменты конфиденциального кода.

Снизить риски помогает единая ИИ-среда в закрытом контуре, четкие регламенты, обучение и обязательное ревью там, где разработчик использовал LLM при написании кода. В зонах с чувствительными данными к этому добавляются дополнительные уровни контроля и мониторинга. По сути, системное использование ИИ становится отдельной управленческой задачей: нужен человек или роль, отвечающая за «ИИ-гигиену» — от выбора инструментов до правил их применения.

То, насколько быстро бизнес научится совмещать технологические возможности с требованиями безопасности и регуляторов, во многом определит, когда ИИ сможет стать устойчивой частью операционной модели, а не набором разрозненных экспериментов.

Рынок ИТ входит в стадию, когда ИИ перестает быть надстройкой и становится ядром новой логики создания цифровых продуктов. Компании отходят от подхода «набор несвязанных ИТ-систем» к цепочкам AI driven решений, которые становятся стандартными инструментами разработчиков, аналитиков, тестировщиков и бизнес пользователей. Это меняет структуру ИТ-команд, подход к ИТ-разработке в целом, требования к компетенциям каждого сотрудника и горизонт планирования инвестиций.

Появляются новые роли, связанные с использованием, развитием и контролем ИИ-решений; растет спрос на людей, которые одинаково хорошо понимают потребности бизнеса и возможности LLM технологий. По моему опыту, скорость адаптации компаний, команд и отдельных специалистов к этой новой реальности станет одним из ключевых конкурентных преимуществ в ближайшие годы. Те, кто научится работать с ИИ как с частью производственной линии, будут двигаться заметно быстрее рынка.