В компаниях ИИ-агенты ускорили код и перегрузили ревью

Компании, которые перевели часть разработки на ИИ-агентов, получили ожидаемый эффект по скорости генерации кода и менее ожидаемый по управлению процессом. Новым узким местом стали проверка изменений, архитектурный контроль и распределение ответственности. Иными словами, писать стало быстрее, а собирать это в устойчивый продукт сложнее. Сдвиг заметен в корпоративной разработке, где ИИ-системы уже не ограничиваются подсказками в редакторе, а

могут самостоятельно генерировать и запускать код. Это снимает часть ручной работы, но не убирает старые проблемы: неясные требования, сложные интеграции, зависимость от легаси-систем и поддержку в продакшне. В результате скорость выпуска кода растёт быстрее, чем способность команд понимать последствия изменений. На практике нагрузка переехала к людям, которые принимают решения о

слиянии изменений, доступах и приоритетах. Чем больше кода выдают агенты, тем больше объём ревью и тем слабее у инженеров локальный контекст по каждому изменению. Это повышает риск дефектов, регрессий и архитектурных расхождений между командами, даже если формально производительность по числу закрытых

задач выглядит лучше. ИИ-агенты и новый узкий участок Главная проблема в том, что код перестал быть дефицитом. Ещё до бума генеративного ИИ задержки в разработке чаще возникали не на этапе написания функций, а на согласовании требований, проверке влияния на соседние сервисы и разборе аварий после релизов. Агентные системы усилили этот перекос: они ускоряют выпуск изменений, но не снижают неопределённость в архитектуре.

Отсюда и перегрузка code review. Если раньше старший инженер смотрел несколько осмысленных пул-реквестов в день, то при массовом использовании агентов он получает поток мелких и средних изменений, часто без полноценного объяснения причин и ограничений. Формально код может проходить тесты, фактически команда тратит больше времени на проверку побочных эффектов, прав доступа и

совместимости с внутренними стандартами. Второй слой риска связан с управлением. Когда агентам дают доступ к репозиториям, внутренней документации, CI/CD и иногда к облачной инфраструктуре, вопрос «кто именно внёс изменение» становится менее формальным, чем

раньше. Компаниям приходится заново описывать цепочку ответственности, вводить журналирование действий и разделять права чтения, генерации и выполнения. Принцип минимальных привилегий для ИИ здесь выглядит не как рекомендация службы безопасности, а как способ не остановить продакшн одним неудачным циклом. Есть и

прямой финансовый эффект. При масштабировании агентных систем растут расходы на модели, оркестрацию, тестовые прогоны и хранение контекста. В отрасли уже описывали случаи, когда плохо ограниченные циклы работы агентов раздували счёт за ИИ-инфраструктуру в разы. Поэтому вместе с агентами компании вводят лимиты, квоты и правила эскалации для операций, которые затрагивают боевые системы. Это меняет и

подход к оценке эффективности команды. Метрики в духе «строк кода» или «числа закрытых тикетов» становятся ещё менее полезными, чем были до бума ИИ. На первый план выходят частота инцидентов после релиза, доля откатов, устойчивость к регрессиям и скорость восстановления сервиса. Код теперь легко произвести. Дорого обходится его безболезненное внедрение.

Крупные игроки косвенно подтверждают этот сдвиг. В 2025 году Сатья Наделла говорил, что в отдельных проектах Microsoft ИИ пишет до 30% кода. Google ещё раньше сообщала, что более четверти нового кода в компании генерируется ИИ и затем принимается инженерами. Эти цифры показывают масштаб автоматизации, но не отменяют того факта, что финальную ответственность за архитектуру и качество

по-прежнему несут люди. На этом фоне компании начинают перестраивать стек разработки вокруг нескольких моделей сразу. Один класс моделей используют для генерации и рефакторинга, другой для анализа кода и документации, третий для проверки политик

безопасности. Такой подход снижает зависимость от одного поставщика и позволяет точнее подбирать стоимость и качество под конкретную задачу. Заодно исчезает иллюзия, что одна универсальная модель закроет весь инженерный цикл. Меняется и роль самих разработчиков. Ценность смещается от написания синтаксиса к системному проектированию, работе с интерфейсами между сервисами и контролю поведения агентных процессов. По оценке Gartner, к 2028 году ИИ-инструменты будут использовать три

четверти корпоративных инженеров. Это означает не сокращение объёма инженерной работы, а её перенос в более дорогие зоны: архитектуру, ревью, безопасность и эксплуатацию. Следующий этап для корпоративного ИИ будет зависеть не от того, насколько быстро модель пишет код,

а от того, насколько компания умеет ограничивать её полномочия и измерять эффект после релиза. Если эти процессы не перестроить, выигрыш в скорости быстро съест рост инцидентов и операционных затрат. Рынок средств для software engineering с ИИ продолжит расти, но деньги там уже уходят не только в генерацию, а в аудит, наблюдаемость и контроль изменений.

В компаниях ИИ-агенты ускорили код и перегрузили ревью

Сообщает itzine.ru

Новость из рубрики: Технологии и Hi-Tech

Поделиться новостью: Поделиться новостью в Facebook Поделиться новостью в Twittere Поделиться новостью в VK Поделиться новостью в Pinterest Поделиться новостью в Reddit

Топ Новости Недели

06:00, 30 Апр Уязвимости ИИ-сервисов в российских компаниях выросли с 2% до 5% Пресс-служба компании «Солар» сообщила, что в первом квартале 2026 года доля уязвимостей, связанных с ИИ-сервисами, в российских компаниях выросла с ...

17:00, 30 Апр Зарплаты директоров по информационной безопасности в IT-компаниях превысили миллион рублей Директора по информационной безопасности в IT-компаниях Москвы и Санкт-Петербурга получают более 1 млн рублей. Об этом свидетельствуют результаты исс...

01:00, 19 Апр В России ускорили рекомендательные системы с помощью ИИ Исследователи Центра практического искусственного интеллекта Сбербанка вместе с коллегами из AIRI, Университета Иннополис и ИТМО нашли способ перенос...

06:00, 30 Апр Учёные ТПУ ускорили переработку угля на 10% с помощью опилок и масла Исследователи Томского политехнического университета с коллегами из Китая нашли способ повысить эффективность низкосортных углей. Добавка опилок и от...

00:00, 16 Май Российские исследователи ускорили адаптацию ИИ-агентов в два раза без дообучения Исследователи из AIRI разработали метод, позволяющий ИИ-агентам быстро подстраиваться под изменения внешней среды без дополнительного дообучения и ос...

20:00, 08 Июл Учёные Яндекса ускорили графовые нейросети в 8,5 раза и снизили память в 76 раз Исследователи «Яндекса» разработали новые программные компоненты для графовых нейросетей, которые ускоряют их работу до 8,5 раза и снижают потреблени...