Экономика автономной разработки: как ИИ-агенты меняют оценку инженерного труда

Суть

Разработка программного обеспечения становится одной из главных сфер применения агентного искусственного интеллекта. Системы переходят от статуса инструментов автодополнения к роли полноценных цифровых сотрудников, способных планировать, писать и проверять собственный код. Компания Cognition, создатель автономного ИИ-агента Devin, недавно привлекла 2 млрд долларов США при оценке в 48 млрд долларов, что отражает растущий интерес корпоративного сектора к этой технологии.

Контекст

Исторически ИИ-инструменты для программистов работали как умные подсказки. Однако концепция Devin изначально строилась иначе: это агент, имеющий собственную среду выполнения и интегрированный в рабочие процессы команды — Slack, Jira, репозитории и системы непрерывной интеграции (CI). В начале 2024 года, по словам соучредителя и президента Cognition Рассела Каплана, модели требовали значительного контроля со стороны человека и лучше всего справлялись с локальными задачами, такими как исправление ошибок или миграция.

Сегодня агенты способны тестировать собственную работу, а растущая доля сессий запускается автоматически, без участия человека, когда система сама находит задачи, требующие решения.

Детали

Для успешного внедрения в крупных организациях Cognition использует модельно-нейтральный подход, называя себя «Швейцарией ИИ». Devin может работать как на передовых моделях от ведущих лабораторий, так и на собственном семействе моделей SWE. Это позволяет подбирать оптимальное соотношение возможностей и стоимости для каждой конкретной задачи.

Практическая польза измеряется на конкретных бизнес-задачах. Например, компания EBANX использовала Devin для интеграции локальных платежных провайдеров, что ранее сдерживало выход бизнеса на новые рынки. Компания Comarch поставила задачу перестроить 20-летнюю ERP-систему, состоящую из 10 миллионов строк кода, в течение 18 месяцев.

Чтобы доказать окупаемость, Cognition отказалась от подсчета токенов или строк кода — эти метрики не отражают реальных усилий. Вместо этого компания создала систему оценки, которая переводит выполненные агентом задачи в эквивалент часов работы человека, намеренно занижая эти показатели для надежности. Cognition подкрепляет эту метрику гарантией продуктивности: если агент приносит меньше инженерной ценности, чем оплатил клиент, разница компенсируется кредитами на использование платформы на сумму до 10 млн долларов.

Анализ

Главная сложность внедрения ИИ-агентов в корпоративном сегменте заключается не в ограничениях самих языковых моделей, а в необходимости перестроить рабочие процессы. Компаниям требуется надежный способ распределять задачи, управлять правами доступа и оценивать результаты.

Разделение труда становится критическим фактором успеха. Агентам лучше всего поручать четко очерченные и проверяемые задачи — миграции, конкретные функции или исправления безопасности, которые можно проверить во время выполнения. Задачи с высокой степенью неопределенности, где главное — решить, что именно нужно создавать, остаются за людьми.

Перспектива

По мере того как ИИ-агенты берут на себя больше рутинной работы по написанию кода, роль инженера программного обеспечения неизбежно трансформируется. Специалисты будут тратить меньше времени на непосредственный набор кода и больше — на принятие архитектурных решений, определение векторов развития систем и проверку результатов работы автономных агентов. Фокус смещается с исполнения на управление и контроль качества.