Как искусственный интеллект меняет подходы к разработке ПО

Настоящее и будущее ИИ в ИТ: как искусственный интеллект трансформирует разработку, тестирование и внедрение ПО

Влияние искусственного интеллекта на мир IT больше нельзя игнорировать. Если на заре развития ИИ до конца было непонятно, что это такое — будущее или очередная модная игрушка, — то сегодня стало очевидно: мы находимся на пороге новой эпохи в IT-индустрии. Эпохи, в которой создание программного обеспечения, его тестирование и внедрение становятся проще и быстрее, чем когда-либо прежде.

Существует множество подходов к оценке влияния ИИ. Кто-то начинает с применения ИИ в тестировании, кто-то — в аналитике или поддержке. Я же предлагаю пойти другим, на мой взгляд, наиболее логичным путем: посмотреть, где ИИ применяется уже сейчас, и какие последствия это влечет за собой.

Разработка ПО — первая точка масштабных изменений

Первая область, где ИИ уже применяется повсеместно, — это разработка программного обеспечения. Даже если сотрудник утверждает, что пишет код полностью самостоятельно, с высокой долей вероятности он использует ИИ-инструменты.

Плохо ли это? Конечно, нет. Запрещать использовать ИИ — все равно что запрещать пользоваться интернетом или искать готовые решения. Это не читерство, а инструмент повышения эффективности. Именно поэтому я начинаю разговор с разработки: здесь последствия применения ИИ наиболее заметны и масштабны.

Один из самых распространенных тезисов звучит так: «ИИ может галлюцинировать». Это правда — ИИ действительно способен генерировать код, который делает не совсем то, что требуется. Однако ответственность за результат в любом случае лежит на специалисте.

На практике грамотное использование ИИ выглядит следующим образом: одна модель или чат генерирует код, вторая — проверяет его, находит дефекты и предлагает исправления, третья выполняет финальную сверку и оптимизацию, а четвертая пишет unit-тесты. В итоге мы получаем не просто рабочий код, а код с меньшим количеством функциональных ошибок, чем при классической ручной разработке.

Можно возразить, что такой подход требует дисциплины и компетенций. Это действительно так. Но если специалист не способен грамотно использовать ИИ, то и без него он, скорее всего, напишет код сомнительного качества — без паттернов, архитектуры и тестов.

Следствием использования ИИ в разработке становится снижение количества функциональных дефектов в продукте. Одновременно с этим кратно возрастает скорость разработки. С помощью ИИ за несколько часов можно реализовать то, на что раньше уходили недели. Проведенный компанией Bell Integrator FabricaONE.AI (акционер — ГК Softline) хакатон подтвердил, что использование ИИ-инструментов позволяет ускорять выполнение задач и повышать производительность команд разработчиков.

Скорость разработки и высокие нагрузки 

Важно понимать нюанс: максимальный эффект достигается в проектах, которые изначально проектируются с учетом использования ИИ. В легаси-системах прирост скорости менее выражен, но он все равно остается значительным. Такой рост скорости разработки неизбежно требует ускорения процессов тестирования, поэтому на первый план выходит автоматизация тестирования и пересмотр QA-процессов в целом.

Еще один аргумент, который часто звучит в профессиональной среде, — «системы становятся менее устойчивыми к нагрузке». Логика здесь проста: ИИ в первую очередь реализует функциональность, а не думает о производительности. Частично с этим можно согласиться, однако стоит признать, что ровно так же ведут себя и многие разработчики-люди.

ИИ можно обучить проектированию высоконагруженных систем, если в промтах и обучающих данных заложены соответствующие требования и примеры. Тем не менее рост скорости разработки приводит к тому, что нагрузочное тестирование и performance-инженерия должны развиваться значительно быстрее, чем раньше. В результате возникает необходимость расширения команд нагрузочного тестирования и переработки подходов к обеспечению качества с упором на скорость и масштабируемость.

Что компании делают уже сегодня

Многие крупные компании уже сегодня разрабатывают и внедряют локальные ИИ-модели. На это есть как минимум две причины. Первая — безопасность. Передавать проприетарный код и архитектурные решения внешним сервисам — риск, на который готовы идти далеко не все. Вторая — качество. Открытые модели обучались на данных из интернета, в том числе на плохом, неэффективном и устаревшем коде.

Гораздо эффективнее разворачивать ИИ локально и обучать его на собственных кодовых базах, стандартах и лучших практиках. При внутреннем обучении ИИ-агентов можно контролировать поток входных данных, отсеивая некорректные и спорные решения. Некоторые компании идут еще дальше и формируют целые команды ИИ-агентов под конкретные проекты: ИИ-аналитиков, обученных предметной области, ИИ-разработчиков, знающих архитектуру и код-стайл проекта, а также ИИ-тестировщиков, автоматизаторов и специалистов по нагрузочному тестированию.

Язык промтов и новые специалисты

Если посмотреть шире, становится очевидно, что мы стоим на пороге фундаментальных изменений. На протяжении более чем 70 лет языки программирования делились на низкоуровневые и высокоуровневые, и эта концепция практически не менялась. Впервые за десятилетия появляется принципиально новый тип языков программирования — язык промтов.

Когда-то программисты писали на машинном коде, и с появлением высокоуровневых языков звучали те же страхи, что и сегодня. Эти опасения были частично обоснованы, но вычислительные мощности выросли в тысячи раз, а скорость разработки — еще больше. Мы просто перешли на другой уровень абстракции.

Сейчас происходит ровно то же самое. Появляется новое поколение специалистов — программистов на языке промтов, и они будут востребованы. Джуны, мидлы и сеньоры никуда не исчезнут. Не исчезнут тестировщики, аналитики и архитекторы. Но их компетенции изменятся, и именно способность эффективно работать с ИИ станет ключевым навыком ближайших лет.

Находиться на острие технологического прогресса и внедрять передовые решения — один из ключевых принципов работы нашей компании. Последовательное применение современных ИИ-инструментов, а также развитие собственных внутренних решений позволили нам в 2025 году увеличить производительность труда на 23%. И это не предел — оптимизация продолжается.

Полный текст статьи здесь