Разработка с ИИ: от генерации кода к инженерному процессу

Еще недавно ИИ в разработке был инструментом отдельного специалиста. Разработчик открывал чат, формулировал запрос, получал результат и самостоятельно решал, можно ли его использовать. Для экспериментов этого достаточно, но в корпоративной разработке такой подход быстро сталкивается с ограничениями. Роман Смирнов, коммерческий директор «Девелоники» объяснил, почему работа с ИИ требует пересмотра привычных процессов.

Во-первых, главное изменение связано вообще не с количеством сгенерированного кода. Скорость создания отдельных фрагментов программы сама по себе не показывает ценность результата. Ключевой момент в том, насколько быстрее команда может решить бизнес-задачу: разобраться в существующем коде, проверить гипотезу, подготовить прототип или оценить последствия изменений.

По словам эксперта, сейчас вместо отдельных запросов к модели появляются цепочки операций. Например, при анализе технического задания система может несколько раз обращаться к моделям, извлекать требования, находить ограничения, проверять результаты и формировать итоговый отчет. Пользователь видит один результат, но за ним стоит набор связанных действий. Такой подход делает работу с ИИ более управляемой: можно определить, какие данные использовались, где конкретно у нас возникла ошибка и почему система пришла к определенному выводу.

Отдельная тема, которой спикер уделил внимание — проверяемость результатов. Нельзя просто взять и забрать созданный кусок кода или вариант решения от ИИ. Если модель выявила риск в документации или предлагает изменение, специалист должен понимать, на каком основании сделан вывод. Вот зачем в производственных сценариях модель работает вместе с обычными алгоритмами. В такой схеме взаимодействия ИИ помогает анализировать сложные данные, а программный код проверяет правила, форматы и ограничения.

Корпоративная ИИ-платформа: как управлять агентами и затратами

Роман Садрисламов, директор производственного направления «Девелоника», рассказал о создании корпоративной ИИ-платформы и ограничениях, которые появляются при ее внедрении.

Сегодня рынок понимает: открытые сервисы показывают возможности моделей, разные инструменты сотрудники могут использовать в разных задачах. Но в корпоративной среде и при работе с чувствительной информацией требуется учитывать условия: защиту данных, интеграцию с внутренними инструментами и контроль расходов. Команда Девелоники прошла весь этот путь от отдельных сценариев к масштабированию ИИ-платформы под разные направления и роли.

Разберем, как выглядит этот путь. Первым этапом внедрения часто становится чат-интерфейс. Он дает сотрудникам доступ к моделям, но оставляет пользователю большую часть работы: собрать контекст, сформулировать запрос, перенести результат в рабочую систему.

Далее, чтобы ИИ стал частью разработки, его необходимо подключать к конкретным операциям. Например, к анализу требований, подготовке кода, работе с тестовой документацией или другим этапам создания продукта. Вместо одного универсального помощника команда использует специализированных агентов под разные задачи. Один работает с требованиями, другой помогает с подготовкой данных, третий отвечает за отдельные операции в процессе разработки.

После этого шага разворачивается следующий уровень. Непосредственно сам ИИ-ассистент, который сможет определить последовательность действий и обратиться к нужным инструментам. Например, запрос пользователя будет запускать уже несколько операций: сбор данных из внутренних систем, обработку информации и подготовку итогового результата.

Совет эксперта: помните, что количество агентов само по себе не показывает зрелость ИИ-среды. Важно понимать, сколько ресурсов требует конкретная задача, какие модели используются и где возникают лишние расходы. Чтобы увидеть нагрузку на модели, найти неэффективные сценарии и изменить настройки работы агентов критически важно иметь инструменты учета и наблюдения.

Анализ сбоев сквозных тестов: ИИ как помощник инженера качества

Андрей Черных, руководитель группы автоматизации тестирования Test IT («Девелоника» fabricaONE.AI (акционер — ГК Softline), рассказал о сервисе, который внутри компании разработала сама команда для оптимизации рутинной и ежедневной работы — анализа падений сквозных тестов (E2E-тестов).

С чем приходилось иметь дело: в больших продуктах одна ошибка может требовать анализа данных из нескольких источников )результатов тестирования, изменений в коде, логов сервисов и информации из систем мониторинга). Инженеру приходится вручную собирать контекст, чтобы определить причину сбоя.

Сперва команда Test IT попробовала использовать большие языковые модели для автоматизации этого процесса, но столкнулась с ограничениями простых сценариев. Если передать модели только текст ошибки, она не получает достаточно информации для точного анализа и может предложить решение, которое не учитывает особенности продукта. В результате построили подход вокруг последовательного сбора данных.

Как это работает теперь: сперва система получает информацию из разных источников и структурирует ее, затем модель анализирует подготовленный контекст. После этого результат проходит дополнительную проверку. Важной частью процесса стала работа с качеством самой модели. Инструкции для ИИ хранятся в репозитории, проходят проверку и тестируются на подготовленных сценариях. Так отслеживать изменения изменения в поведении системы становится в разы удобнее и легче, к тому же, можно быстрее находить ошибки.

При этом итоговое решение остается за инженером. ИИ сокращает время на поиск информации и первичный анализ, но не заменяет специалиста, который учитывает особенности продукта и накопленный опыт команды.

Вывод конференции: практическое применение ИИ требует инженерного подхода

В своих выступлениях эксперты «Девелоники» показали разные стороны одной задачи по оптимизации и автоматизации ежедневных, но объемных для инженеров задач. Все спикеры сошлись в мнении, что ИИ в разработке нельзя рассматривать как отдельный инструмент, который достаточно просто подключить к процессу.

Чтобы использовать технологии на порядок выше, чем базовые языковые модели с точечным применением и эффектом требуется системность. Для корпоративного использования потребуется архитектура, данные, контроль качества и понятные сценарии работы. Наличие всех этих факторов определяет, когда именно и сможет ли вообще компания эффективно и безопасно использовать ИИ в ежедневной разработке цифровых продуктов.

Полный релиз о конференции Softline и других примерах применения ИИ в кластере читайте на сайте ГК Softline.