Генеративная разработка ПО: зачем России единый совет и как ИИ-агенты меняют работу программистов

Что такое генеративная разработка ПО и почему она важна

Генеративная разработка программного обеспечения - это подход, при котором код создается с помощью искусственного интеллекта. ИИ-агенты берут на себя не только написание строк, но и планирование задач, изменение файлов, тестирование и исправление ошибок. Программист при этом ставит цель и контролирует результат. Такой метод отличается от традиционного программирования, где человек вручную пишет каждую функцию и проверяет каждый блок кода.

Для бизнеса это означает ускорение выпуска продуктов и снижение затрат на рутинные операции. Для разработчиков - смену фокуса с исполнительской работы на управление ИИ-инструментами. Массовое внедрение генеративной разработки уже началось: по данным инициативы, более 90% российских разработчиков используют ИИ-инструменты в повседневной работе.

От автодополнения кода к автономным агентам

Первые ИИ-помощники в разработке лишь подсказывали окончание строки или предлагали готовый фрагмент функции. Сегодня агенты способны выполнять задачи целиком. Например, агент получает задачу «добавить функцию оплаты» и сам планирует, какие файлы изменить, пишет код, запускает тесты и исправляет найденные ошибки. Человек подключается на этапе проверки результата и при необходимости корректирует постановку задачи.

Это качественный скачок: раньше автоматизация затрагивала отдельные операции, теперь она охватывает весь цикл разработки. Агенты работают с контекстом проекта, используют документацию и могут взаимодействовать с другими инструментами. Подробнее о том, как ИИ-агенты ускоряют работу с аналитикой и автоматизируют SQL-запросы, можно прочитать в разборе реальных кейсов с митапа «ИИшная».

Инициатива Сбера: зачем нужен отраслевой совет при Минцифры

«Сбер» выступил с инициативой создать отраслевой совет при Минцифры. Задача совета - стандартизация и развитие генеративной разработки программного обеспечения в России. Основная цель - выработать единые методологические стандарты и метрики экономической эффективности, чтобы компании перестали платить за одни и те же ошибки внедрения по отдельности.

Совет объединит усилия бизнеса, науки и государства. Вместо разрозненных экспериментов внутри отдельных компаний появится общая площадка для выработки требований и совместимых технологических решений. Это шаг к зрелости рынка: когда правила игры понятны всем участникам, внедрение ИИ-агентов идет быстрее и с меньшими рисками.

Какие проблемы решает стандартизация

Сейчас ключевые проблемы генеративной разработки - оценка качества работы агентов, безопасность и границы их самостоятельности - решаются каждой компанией самостоятельно. Это приводит к дублированию усилий: разные команды заново проходят один и тот же путь проб и ошибок. Одни переоценивают возможности ИИ и получают ненадежный код, другие тратят месяцы на выстраивание внутренних регламентов, которые уже существуют у соседей по рынку.

Единые стандарты позволят унифицировать подходы. Компания сможет опереться на проверенную методологию, а не изобретать ее с нуля. Это снижает риски внедрения и ускоряет получение экономического эффекта. Метрики эффективности дадут возможность сравнивать результаты разных команд и проектов, а не оценивать успех «на глазок».

Как ИИ-агенты меняют роль программиста

Программист перестает быть исполнителем, который пишет код вручную. Его новая роль - постановщик целей и контролер результата. Он формулирует задачу так, чтобы ИИ-агент понял ее однозначно, проверяет качество выполненной работы и корректирует процесс. Это не исчезновение профессии, а ее трансформация.

Пример рабочего цикла: программист описывает бизнес-требование «пользователь должен получать уведомление о подтверждении заказа». Агент сам решает, какие модули затронуть, пишет код, запускает тесты и показывает результат. Программист проверяет, соответствует ли реализация исходной задаче, и либо принимает работу, либо уточняет требования.

О том, как меняется карьера разработчика и почему работа смещается к проектированию агентных систем, рассказывает руководитель Nvidia Дженсен Хуанг. Его позиция и примеры из практики - в материале о трансформации роли инженера.

Что должен уметь программист в эпоху ИИ-агентов

Навыки, которые становятся критически важными:

• Умение четко формулировать задачи: чем точнее постановка, тем выше качество работы агента.
• Понимание возможностей и ограничений ИИ: знание того, что агент делает хорошо, а что требует контроля человека.
• Навыки проверки и тестирования: способность быстро оценить корректность сгенерированного кода.
• Понимание безопасности: умение определять, какие действия агента допустимы, а какие требуют дополнительного согласования.

Программисты не исчезнут, но их ценность сместится в область управления ИИ-системами и контроля качества. Роберт Мартин, известный как «Дядя Боб», уже перестал читать код нейросетей и полагается на автоматические проверки. Его подход к доверию ИИ описан в отдельном разборе.

Текущее состояние: 90% разработчиков уже используют ИИ

Более 90% российских разработчиков уже применяют ИИ-инструменты в работе. Это массовое явление, а не эксперимент ранних последователей. Однако массовость порождает фрагментацию: каждая компания самостоятельно решает, как оценивать качество работы агентов, какие границы самостоятельности устанавливать и как обеспечивать безопасность.

Отсутствие общих стандартов создает риски. Компании повторяют ошибки друг друга, а результаты внедрения сложно сравнивать между собой. Одна команда может считать успехом сокращение времени разработки на 20%, другая - на 40%, но при разных методиках подсчета эти цифры мало что говорят. Единые метрики решат эту проблему.

Какие стандарты и метрики предлагается разработать

Методологические стандарты описывают, как правильно внедрять и использовать ИИ-агентов: какие этапы работы автоматизировать, как выстраивать контроль качества, какие ограничения накладывать на самостоятельность агентов. Это своего рода инструкция, которая избавляет компании от необходимости проходить путь проб и ошибок самостоятельно.

Метрики экономической эффективности измеряют выгоду от внедрения. Они позволяют ответить на вопрос: окупились ли инвестиции в ИИ-инструменты и насколько. Без единых метрик невозможно объективно сравнивать результаты разных компаний и проектов.

Примеры метрик эффективности

• Время выполнения задачи: от постановки до готового результата.
• Процент автоматически исправленных ошибок: сколько дефектов агент нашел и устранил сам.
• Стоимость разработки функции: совокупные затраты на создание и проверку.
• Удовлетворенность разработчиков: субъективная оценка удобства работы с агентами.

Единые метрики дадут рынку общий язык для обсуждения эффективности. Компании смогут сравнивать свои результаты с отраслевыми бенчмарками и принимать обоснованные решения о масштабировании ИИ-инструментов.

Что это значит для бизнеса и отрасли

Для бизнеса стандартизация означает снижение затрат на внедрение. Вместо дорогостоящих экспериментов компания получает проверенную методологию и понятные критерии успеха. Ускоряется разработка продуктов, повышается качество кода за счет единых требований к проверке работы агентов.

Для отрасли создание совета при Минцифры - это шаг к формированию единого рынка совместимых решений. Когда требования и метрики общие, инструменты разных разработчиков легче интегрировать друг с другом. Это ускоряет инновации и снижает барьеры для новых участников рынка.

Эксперименты уже показывают потенциал автономных ИИ-агентов. Anthropic провела тестирование, в котором ИИ-ассистент самостоятельно создавал pull request'ы для поддержки кода: 46% из 388 запросов были приняты. Подробности эксперимента и его значение для разработчиков - в материале о Claude Code.

Заключение: что дальше?

Генеративная разработка ПО меняет роль программиста: он становится постановщиком целей и контролером, а не исполнителем. Инициатива «Сбера» по созданию отраслевого совета при Минцифры направлена на выработку общих стандартов и метрик, которые помогут компаниям избежать повторения ошибок и ускорить внедрение ИИ-агентов.

Следующий практический шаг для руководителей и разработчиков - следить за формированием совета и готовиться к изменениям. Компаниям стоит начать с аудита текущих процессов разработки и оценки того, какие задачи можно передать ИИ-агентам уже сейчас. Разработчикам - осваивать навыки постановки задач и проверки работы ИИ. Есть вопрос или заметили неточность? Напишите нам - мы открыты к диалогу.