С внедрением искусственного интеллекта в разработку сформировались два сценария использования этих инструментов.

Первый — стихийное применение. Большая часть компаний не знает, как их разработчики используют системы искусственного интеллекта. Специалисты сами покупают подписки и применяют их для ускорения работы, высвобождая личное время. Фактическая продолжительность работы может сокращаться вдвое, но руководство об этом не догадывается. При этом корпоративный код передается внешним системам без контроля, что создает серьезные бреши в информационной безопасности.

Второй сценарий — целенаправленное внедрение. Некоторые компании официально внедряют ИИ-инструменты и одновременно повышают показатели производительности для разработчиков. Вообще, на ИТ-рынке все чаще слышно, что применение интеллектуальных систем включается в обязательные условия работы. Компании компенсируют стоимость подписок или включают эти расходы в зарплату. И уже без новых инструментов специалисты просто не могут выполнить поставленные задачи.

В нашей компании за полгода мы разработали собственную платформу и более 10 ИИ-агентов, которые уже вошли в ежедневную рабочую жизнь производственных сотрудников.

Объективно разработчики с ИИ тратят меньше времени на задачи, и главная проблема в том, что сейчас нет эффективных методов контроля со стороны бизнеса. Отследить использование ИИ без установки программ мониторинга на рабочие станции невозможно. Российский рынок сейчас абсолютно не защищен: внешние поставщики теоретически могут внедрить вредоносный код для пользователей из определенных регионов.

Генерация автоматизированных тестов стала базовой практикой. Именно через тесты мы контролируем качество кода, который создают интеллектуальные системы. Раньше разработчики редко писали автоматизированные тесты — модульные, интеграционные: это требовало времени. Проще было отдать продукт тестировщику. Теперь генерация тестов почти ничего не стоит по времени.

Изменилось распределение функций: объем работы разработчика вырос за счет автоматизированных тестов, а тестировщики получили разгрузку. Ручное тестирование не исчезло, но баланс сместился. В результате общее качество кода выросло благодаря автоматизации проверок.

В серьезной архитектурной проработке искусственный интеллект применяется ограниченно и только как вспомогательный инструмент. Мы используем специальный ИИ-агент для архитекторов, разработанный по их требованиям. Он помогает создавать схемы, но ключевое слово — «помогает». Финальные решения, особенно по верхним уровням архитектуры и критическим компонентам, принимает только человек.

Поручать ИИ самостоятельное проектирование сложных систем рано. Архитектурные решения требуют понимания бизнес-контекста, технических ограничений, перспектив развития — это пока за пределами возможностей интеллектуальных систем.

Традиционные навыки уступают место умению «управлять запросами». Четких показателей нет, но ожидания изменились. Мы не принуждаем новых сотрудников использовать ИИ-инструменты, но поощряем инициативу. Период адаптации стараемся сокращать за счет использования интеллектуальных систем, но полностью исключить его невозможно.

Принципиальный момент: базовая инженерная подготовка остается критически важной. Начинающий специалист должен понимать принципы разработки, архитектуры систем, алгоритмов. Умение формулировать запросы к интеллектуальным системам — это надстройка над базовыми знаниями, а не их замена. Специалист, который не понимает, что запрашивает и как оценить результат, не сможет работать эффективно даже с лучшими инструментами.

Что может стать главной проблемой для ИТ-департаментов, когда ИИ перейдет из статуса «помощника, повышающего продуктивность», в статус основного автора кода в команде? Этот переход мы наблюдаем прямо сейчас, и проблемы становятся очевидными.

Первая проблема — утрата контроля. Уже сейчас есть специалисты, которые работают так: человек формулирует требования, набор автоматизированных инструментов пишет код, разворачивает, проверяет, исправляет ошибки, повторяет цикл. При этом такой специалист не всегда может ответить, на каком языке программирования реализована система.

Еще одна проблема — масштаб кодовой базы. Со временем объем кода разрастается. Когда система содержит сотни тысяч строк автоматически сгенерированного кода, проверить корректность каждого фрагмента невозможно. Управляемость теряется, предсказуемость поведения снижается. Код может быть идеальным, а может содержать критические ошибки — «бомбы замедленного действия», которые сработают в неподходящий момент.

Третья проблема — информационная безопасность. Злоумышленники активно сканируют открытые хранилища кода, выявляют уязвимости и взламывают производственные системы. Интеллектуальные системы при написании кода могут использовать библиотеки, которые функционально подходят, но содержат известные уязвимости. Система не может проводить анализ безопасности каждой библиотеки — это слишком затратно.

Справедливости ради, аналогичные ошибки совершает и человек, но масштаб и скорость генерации кода интеллектуальными системами многократно увеличивают риски. Ключевой вызов для ИТ-департаментов — контролировать качество и безопасность автоматически генерируемого кода, сохраняя преимущества в скорости разработки.

Источник Публикация БИТ № 06(159), август 2026