И кодописец: «Т-Технологии» создали ИИ-агента для разработчиков

Кодинг с умом

«Т-Технологии» создали агентский режим внутри собственной экосистемы ИИ-ассистентов для разработки, которая охватывает весь жизненный цикл разработки — от сбора требований до тестирования и сопровождения готового решения, рассказали Forbes в компании. В новом клиентском режиме ИИ-ассистент не просто подсказывает части кода, а выполняет последовательность действий по заданию инженера. Агентский режим работает на базе Qwen3-Coder-480b и поддерживает до 262 000 токенов. В отличие от классических подсказчиков кода агентский режим понимает задачу целиком, способен выполнять целые сценарии, работать с контекстом проекта, учитывая структуру репозитория, может пользоваться утилитами, командами, создавать файлы и так далее, указывают в компании.

Ключевые преимущества — интеграция с существующей инфраструктурой и понимание контекста больших проектов экосистемы. Агентский режим снимает с инженеров рутинные задачи, позволяя заменять десятки мелких действий одним запросом, ускоряет разработку и ревью, сокращает время на стандартные операции и освобождает больше внимания для архитектуры и продукта. Внутренние замеры показывают сокращение времени на повторяющиеся операции в разы, например, запуск простых тестовых версий продуктов теперь занимает несколько минут вместо нескольких дней, подчеркивают в «Т-Технологиях».

«Внедрение ИИ в тестирование, аналитику и саму разработку дает прирост скорости от 20 до 40% с точки зрения time to market (вывода продукта на рынок). Агентские режимы позволяют запускать задачи в нерабочие часы, «ревьюить» код по ночам, по сути, меняя саму бизнес-модель разработки, когда очень компактные команды могут очень быстро выводить крутые продукты», — рассуждают в компании, добавляя, что сейчас AI-инструментами для разработки внутри экосистемы «Т-Технологий» регулярно пользуются 80% инженеров — это более 10 000 пользователей в месяц.

Инвестиции в создание ИИ-агента составили около 60 млн рублей за четыре месяца, затраты на разработку экосистемы ИИ-инструментов составили около 170 млн рублей, уточнили в компании: «Новое решение не будет замкнуто на использование внутри: это, по сути, готовый В2В-продукт для быстрорастущего рынка». Отбивать вложения в «Т-Технологиях» планируют в том числе предлагая коробочное решение, которое решает повседневные задачи разработчиков. 

Вопрос назрел

Направление AI for SDLC (Software Development Life Cycle, жизненный цикл разработки софта, методология организации процесса разработки ПО) набирает обороты во всем мире. По оценке Fortune Business Insights, глобальный рынок инструментов и платформ AI для разработки вырастет с $341,3 млн по итогам 2023 года до $2,833 млрд к 2030 году.

До сих пор на рынке присутствовали в основном зарубежные ИИ-инструменты и платформы для программирования, такие как Codex от OpenAI, GitHub Copilot Agent, Grok Code Fast от xAI Илона Маска, Cursor от Anysphere, Qodo (ранее Codium), Cline от APIpie, Gemini CLI от Google, Qwen CLI от Alibaba, Aider. По словам экспертов, точечно российские разработчики применяют что-то из вышеперечисленного, при этом использовать эти сервисы в рабочих задачах полноценно отечественные специалисты сейчас не могут. Как заверяет вице-президент Т-Банка, директор разработки базовых технологий и инженерных практик Игорь Маслов, Т-Банк стал первой в России компанией, которая массово внедрила собственного ИИ-агента для внутренних команд: «Это позволяет значительно ускорять вывод новых продуктов на рынок и снижать затраты на их создание».

«Инструменты, которые не просто дополняют код, а сами пишут его, проектируют, тестируют и отправляют в репозиторий, используются все чаще», — подтверждает AI Platform Lead в «Битрикс24» Сергей Нотевский. По-настоящему эффективно работать с такими решениями не так просто, замечает он: «Сейчас, чтобы заставить агентов корректно работать, необходимо описывать специальные файлы о проекте и в особом формате формулировать для них задачи. Поэтому один из ключевых моментов — насколько такие системы закроют полный цикл разработки».

Сама идея агентов в AI for SDLC выглядит очень перспективной, и в этом направлении двигаются многие техкомпании, рассуждает эксперт по машинному обучению и ИИ Максим Першин. Но это гораздо более сложное решение по сравнению с классическими AI-ассистентами, подчеркивает он. «Если «Т-Технологии» смогли интегрировать хотя бы часть репозиториев, API, документации, баз данных и остальных компонент, связанных с кодом в их систему, то это уже уникальный и интересный кейс», — считает Першин.

Работать с небольшими проектами или создавать с нуля сейчас может большинство разработчиков, продолжает Нотевский. Корректно работать с большими проектами — нет. Поэтому если продукт Т-Банка действительно будет успешно работать с большими кодовыми базами, это станет «серьезным решением рыночной проблемы и обеспечит успех продукта».

Если действительно этот агент пишет модули продукта и действует согласно продуктовой и технической стратегии, заменяя собой программистов и сокращая общие расходы на разработку экосистемы на те же 50%, это можно назвать прорывом, размышляет основатель и CEO разработчика IT-решений для крупного бизнеса Tewris Вадим Тимофеев. Но ключевой фактор успеха здесь не сама концепция, а качество реализации — насколько продумана архитектура решения, технологический стек и процесс исполнения, оговаривается head of AI red_mad_robot Валерий Ковальский. «T-Банк делает ставку на локальные модели, чем повышает уровень безопасности. Во-вторых, внедряет агентные workflows — цепочки действий, которые могут выполнять ИИ-агенты. Такая архитектура выглядит логичной: агенты распределяются по ролям и этапам, что создает более предсказуемый и управляемый процесс», — рассуждает он.

Зерна сомнений

В то же время опрошенные Forbes эксперты высказывают разумные сомнения в успехе проекта с ходу. «В реальной работе я не видел такого, чтобы ИИ-агенты могли работать полноценно, самостоятельно создавая хотя бы «куски» продуктов без внешнего контроля. Какие-то отдельные рутинные задачи могут делать нормально, но комплексные решения и хоть сколько-то сложную бизнес-логику — сомневаюсь», — говорит Вадим Тимофеев.

У бигтехов есть свои ИИ-решения, которые они разрабатывают и внедряют у себя внутри, но делают они их для себя с существенными ограничениями в рамках своей экосистемы, продолжает эксперт: «Вывести такое комплексное решение с ИИ-агентами на рынок, чтобы это могли применять другие люди в разных отраслях, прямо сейчас, думаю, невозможно». Вместе с тем было бы интересно узнать про конкретные бенчмарки — такие как SWE-bench, к примеру, говорит Ковальский: «Без них тяжело сравнивать решение с аналогами и объективно оценивать его эффективность».

Остается ряд вопросов, например, как решается задача удержания контекста, обращает внимание Максим Першин. «В реальных корпоративных системах код и данные распределены между множеством сервисов, и простого увеличения размера окна для контекста недостаточно, а текущие методы вроде RAG не очень хорошо справляются с задачей», — рассуждает он. Отдельно Першин останавливается на вопросе монетизации и вывода продукта на рынок: по его мнению, агентские решения сложно стандартизировать, так как они очень зависят от конкретного стека и процессов внутри компании. «Тот продукт, что сейчас работает на экосистеме Т-Банка, еще не гарантирует, что это можно использовать как B2B-продукт для широкого рынка», — резюмирует он.