ИИ в производственных процессах разработчиков: как оценивать эффект, инфраструктуру и готовность команды
«Идея делать свою платформу не была импульсивной. Мы сначала изучили рынок и убедились, что внешние инструменты эффективны. Потом попробовали применять их в наших проектах и поняли, где их возможностей не хватает. Именно на основе этого опыта мы начали ее разработку», — Роман Садрисламов, руководитель проекта и директор производственного направления «Девелоника» fabricaONE.AI (акционер – ГК Softline)
От оценки технологий к собственной корпоративной ИИ-системе
Проект по созданию собственной платформы начался не с идеи заменить все готовые инструменты своими. Сначала мы провели исследование и посмотрели, как существующие решения могут применяться в разработке программного обеспечения. Это было еще в 2024 году, когда Cursor только набирал обороты и еще не стал массовым инструментом. После исследования запустили пилоты. И здесь довольно быстро проявилось главное ограничение: в значительной части наших проектов, в том числе государственных, контрактом запрещено передавать программный код третьим лицам. В случае внешних инструментов таким третьим лицом становится провайдер модели, которому передается код или другой рабочий контекст.
Так поняли, что полностью строиться на существующих облачных/внешних системах не можем и стоит развивать свою внутреннюю платформу. То, что работает в локальном контуре, находится под нашим управлением и соответствует нашим контрактным обязательствам. Мы работаем с чувствительными данными, используем локальный контур и не можем просто взять большие внешние модели и построить на них весь процесс. Кроме того, у компании не было возможности сразу инвестировать десятки или сотни миллионов рублей в собственный вычислительный контур.
Поэтому мы пошли по пути открытых решений и собственной технологической обвязки. Это позволяет менять отдельные компоненты и не зависеть от одного поставщика. Да, готовые коммерческие инструменты развиваются быстрее, потому что туда вкладываются совсем другие ресурсы. Но наша задача изначально была другой: получить управляемую технологическую среду, которая работает в наших условиях.
Разница между презентациями и реальным процессом
Одна из постоянных задач при внедрении ИИ — объяснить разницу между тем, что выглядит впечатляюще в публичной демонстрации, и тем, что можно реально встроить в производственный процесс.
В ИТ-рекламе уже можно увидеть инструмент, который за несколько минут сотворит чудо. Допустим, он создает приложение или решает сложную задачу. По факту, внутри компании появляются совершенно другие условия: где хранятся данные, какие модели разрешено использовать, как организован доступ, какие сервисы находятся в закрытом контуре и как все это соответствует требованиям безопасности и конкретного проекта.
Это касается не только ИТ-компаний. Бизнес из других отраслей (например, финтех) может сознательно выбирать собственный внутренний контур, если считает важным сохранять данные и рабочие процессы под своим контролем. В этом случае стоимость ИТ-составляющей действительно возрастает, потому что нужно самостоятельно создавать инфраструктуру, технологическую обвязку и вместе с тем поддерживать их.
Поэтому внедрение ИИ — это больше, чем вопрос выбора “самой сильной модели”. ЛПР должен рассмотреть всю цепочку: данные, инфраструктуру, безопасность, процессы, компетенции сотрудников и конкретные производственные задачи.
Зачем компании собственная ИИ-платформа
У проекта Девелоники три основные задачи. Первая — обучить сотрудников пользоваться ИИ в своей работе и понимать, как применять эти инструменты на практике. Вторая — разработать инструменты, которые сокращают трудозатраты и помогают перестраивать производственный процесс. Третья — сформировать компетенции для разработки проектов, где искусственный интеллект является частью функциональности самого продукта.
Коммерциализация собственной платформы появилась уже как следующий этап. Изначально задача создать продукт для продажи заказчикам не ставилась. Технологию исследовали внутри компании, находили способы ее применения и постепенно переводили результаты в производственный процесс. Сейчас оцениваются задачи, стоимость разработки необходимых инструментов и агентов для разных ролей, запущен набор пилотов, а по их результатам дорабатывается корпоративная методология SDLC AI.
Это важный момент. В ходе проекта стало понятно, что методология должна появляться не отдельно от производства, а из реальных результатов проектов: какие задачи удалось оптимизировать, какие подходы сработали, как изменились процессы и где применение технологии действительно дало эффект.
Что происходит с сотрудниками
Еще до появления собственной платформы сотрудники начали самостоятельно использовать внешние ИИ-инструменты. По оценке команды, около двух лет назад с ними работали порядка 0,5–1% сотрудников. Сейчас внешние инструменты в той или иной форме используют примерно 20–30% компании, в тех процессах и командах, где это допустимо и не нарушает договорных ограничений. Это оценка: точную цифру назвать сложно, так как использование таких сервисов не всегда фиксируется отдельно. Но созданными сервисами, чат-ботами и корпоративной моделью сейчас пользуются порядка 10–15% от общей численности, в производственном контуре показатель выше и составляет примерно 15–20%.
Наиболее заметный спрос замечен со стороны аналитиков. Один из самых востребованных внутренних инструментов — агент для работы с корпоративной базой знаний, интегрированной с Confluence. Разработка также активно экспериментирует с локальными моделями, особенно там, где важно работать с кодом внутри контролируемого контура. Здесь есть важная особенность. Сотрудник, который уже попробовал внешний инструмент, привык к очень высокому уровню автоматизации. Поэтому внутренняя модель может восприниматься как менее удобная. В этой ситуации нужно помимо того, что предложить новое, но еще обучить. Как работать с этой ИИ, какие задачи имеет смысл передавать агенту, как формулировать их, как учитывать ограничения корпоративной среды.
Где на самом деле теряется время
«Один из самых показательных примеров связан с разработкой ИИ-агентов. Мы заметили, что агент разрабатывается быстро, а основное время уходит на проверку качества и донастройку».
На первых этапах все происходит оперативно: аналитика формируется быстро, разработка самого агента тоже идет быстро. Основной объем времени раньше приходился на тестирование. Причина в том, что тестирование агента — это не только проверка того, отвечает он или нет. Нужно проверить качество ответов, понять, решается ли конкретная бизнес-задача, дальше – донастроить системные инструкции и проверить результат на наборе сценариев. Раньше большая часть этой работы выполнялась вручную. В нашем случае первые два этапа занимали примерно 30% времени, а тестирование и все остальные операции — около 70%.
Чтобы сократить этот участок, команда разработала собственное приложение ATS — Agentic Test System, то есть систему тестирования агентов. В нее загружаются тестовые сценарии, после чего они автоматически прогоняются с выбранным агентом. Если сценарий не проходит, система пытается донастроить агента под конкретный случай. В результате тестировщик может сформировать задание, запустить его на ночь или на день, а затем получить результат: например, из десяти сценариев семь уже доведены до рабочего состояния, а три требуют дополнительной ручной настройки.
Так изменился сам процесс разработки агента, и получилось существенно сократить объем ручного труда на наиболее трудоемком этапе.
Оказалось, что главный козырь – это проактивность
В процессе внедрения команда пришла еще к одному выводу: нам не столько не хватает специалистов, сколько их проактивности. Технологии сейчас развиваются настолько быстро, что конкретный инструмент можно освоить за весьма короткий срок, в конвейере это время сократилось до двух недель при условии работы с реальными задачами.
Проблема проактивности в том, что нужно развивать в коллегах способность самостоятельно искать способ решить задачу, проверять новые подходы и доводить их до результата.
Живой пример из недавней практики: начинающий специалист-аналитик за счет именно интереса и активности показывал значительно более высокую производительность на новой для него задаче. Экономились буквально часы рабочего времени. То же самое происходило в тестировании: специалист с меньшим опытом самостоятельно находил способы использовать доступные инструменты и в пять-шесть раз оперативнее выполнял задачу, чем старшие коллеги без использования ИИ-помощников.
Наблюдение: проактивность руководителя и исполнителя при этом работает по-разному. И в диалоге они рождают интересные решения, приносящие бизнесу эффективные результаты. Руководитель нашего маркетингового подразделения, например, уже может быстро собрать минимально жизнеспособный прототип ИИ-агента. Команда маркетинга делает его сама с консультацией инженера. Они сразу могут показать, что идея в принципе работает. Нон-прод и руководители помогают сформулировать задачу, определить приоритет и обеспечить движение проекта.
Далее, когда прототип нужно перенести внутрь корпоративной инфраструктуры, появляется большое количество дополнительных требований: безопасность, закрытый контур, внутренние сервисы, правила работы с данными и архитектурные ограничения. Именно поэтому производственный специалист, который знает эти ограничения изнутри, часто быстрее доводит технологию до рабочего состояния.
Чего сейчас не хватает рынку
Один из главных тормозящих факторов — недостаток диалога между компаниями. Об этом мои коллеги говорили неоднократно в публичных докладах и на конференциях: на сессиях ЦИПР 2026 и на встречах Альянса РБПО. Многие уже внутри себя нашли какие-то способы применения ИИ, выстроили процессы и получили определенный опыт. Но раскрывать эту внутреннюю кухню не всегда готовы, потому что она воспринимается как конкурентное преимущество.
В результате несколько компаний одновременно решают одну и ту же задачу, самостоятельно проходят похожий путь и тратят ресурсы на то, что в другой организации уже могло быть проверено. Здесь полезен обмен именно практическим опытом. И не презентациями о возможностях технологий, а, скорее, рассказами о том, как конкретный инструмент встроен в реальный процесс, какие ограничения пришлось учитывать и какой результат удалось получить.
Рекомендация компаниям, которые только начинают
Не начинайте с вопроса, какую модель или какой готовый инструмент купить. Сначала нужно понять:
- какие конкретно задачи вы хотите изменить с помощью ИИ,
- какие ограничения есть у вашей инфраструктуры и работы с данными,
- и где находится реальная стоимость труда в конкретном процессе.
И еще один важный момент — не пытаться сразу построить идеальную платформу. В нашем случае собственная среда тоже формировалась постепенно: сначала мы исследовали готовые инструменты, затем столкнулись с ограничениями их применения, после этого начали развивать локальные компоненты, а уже затем стали переводить полученный опыт в производственный процесс и методологию.
“Когда мы начинали развивать использование ИИ внутри компании, стало понятно, что основной вызов — не в самом доступе к инструментам, а в поиске тех сценариев, где они действительно меняют процесс. Поэтому одним из ключевых принципов для нас стало умение оценивать эффект от каждого направления и понимать, какие инициативы имеют потенциал для дальнейшего развития. Сейчас я бы смотрел на это именно как на непрерывный цикл: пилот — измерение результата — доработка процесса — обучение сотрудников — следующий пилот. Для коллег, которые только начинают свой путь во внедрении и первоначальном применении ИИ, рекомендуем заранее считать экономику. Важно заранее определить, какие процессы дают наибольший потенциал для применения ИИ, измерить исходные показатели и оценивать результат после внедрения. Это позволяет находить рабочие сценарии и последовательно масштабировать их внутри компании”, — Роман Садрисламов, директор производственного направления Девелоники.
Технологии будут меняться быстрее, чем успевают обновляться долгосрочные планы. Поэтому устойчивым преимуществом становится не конкретная модель и даже не конкретный агент, а способность компании быстро перестраивать свои процессы под новые технологические возможности и одновременно учитывать собственные ограничения.
О fabricaONE.AI
Группа компаний fabricaONE.AI – российский провайдер цифровой трансформации и разработчик решений на основе искусственного интеллекта, объединяющий более 20 лет экспертизы в ИТ. Группа объединяет компетенции профильных компаний: Bell Integrator, SL Soft, SL Prom Soft, «Девелоника», Академия АйТи, Группа «Борлас» (более 30 лет опыта в повышении эффективности бизнеса) и других. Синергия между компаниями позволяет предлагать комплексные решения для бизнеса в различных отраслях по модели «единого окна».
Ключевые направления работы fabricaONE.AI в рамках цифровой трансформации для заказчиков: заказная разработка программного обеспечения и создание решений в области тиражного и индустриального ПО с использованием AI-технологий.
- По оценкам Б1, в 2025 г. объем целевых рынков fabricaONE.AI составил 553 млрд руб. (тиражное ПО) и 164 млрд руб. (заказная разработка ПО).
- Целевые рынки fabricaONE.AI обладают значительным потенциалом роста за счет активной цифровизации бизнеса и государства, растущего спроса на технологии анализа больших данных и применения ИИ, а также интеллектуальной автоматизации и роботизации. На перспективы рынка также позитивно влияет продолжение импортозамещения иностранного ПО с целью обеспечения технологического суверенитета России.
Группа специализируется на предоставлении комплексных решений, отвечающих задачам цифровизации и автоматизации технологических и бизнес-процессов заказчиков, по нескольким фокусным сегментам:
- Полный цикл услуг по заказной разработке ПО: от стратегического консалтинга до внедрения, развития и поддержки, с активным применением собственных AI-инструментов, повышающих скорость и качество разработки.
- Тиражное, промышленное и ритейл-ПО – портфель готовых решений с применением AI для автоматизации производственных и бизнес-процессов клиентов из различных отраслей.
- Корпоративное обучение в сфере ИТ – развитие цифровых навыков сотрудников ИТ-команд заказчиков, подготовка и переподготовка кадров для работы с современными технологиями.
fabricaONE.AI обладает устойчивой клиентской базой, насчитывающей более 1 400 клиентов из различных секторов российской экономики, среди которых крупнейшие российские частные и государственные компании со значительными ИТ-бюджетами.
|
Контакты для СМИ: |