ИИ в разработке софта: итоги ГигаКонф-2026 и тенденции инженерной сферы

Современные инженерные подходы стремительно трансформируются под влиянием искусственного интеллекта, охватывая весь жизненный цикл программного обеспечения. На прошедшей конференции ГигаКонф-2026 эксперты и разработчики обсудили, как меняются процессы проектирования, масштабирования систем и повседневные задачи инженеров.

Интеграция интеллектуальных помощников в рабочие процессы уже вышла за рамки простых текстовых чатов. Сегодня компании выстраивают комплексные архитектуры, в которых ключевое значение приобретают методологии создания и сопровождения продуктов, а также средства контроля автономных агентов.

Энтерпрайз, вайб-кодинг и система двух петель

В рамках ключевых выступлений отмечалось распространение концепции AI-native-разработки, когда искусственный интеллект становится неотъемлемой частью всех этапов создания программ. Представители Сбера привели статистику, согласно которой доля сложных задач, успешно решаемых мультиагентными системами, значительно возросла. При этом поддержка и эксплуатация созданных продуктов остаются критически важными этапами, требующими новых организационных подходов.

Для эффективного управления сложными проектами в условиях городской среды энтерпрайза внедряются методологии AI-Disrupt PDLC (разработка продукта) и AI-Disrupt PSLC (эксплуатация и сопровождение). Процессы делятся на взаимосвязанные петли: в разработке это петли намерения и реализации, а в сопровождении — петли исполнения сервиса, надежности и доверия. Примерно половина команд крупного бизнеса уже функционирует в таком режиме.

Главным изменением для инженеров становится смещение фокуса с непосредственного написания кода на постановку точных задач, ведение актуального контекста и проверку результатов. Требования к сервисам теперь должны учитывать API-контракты, потенциальные ошибки, уровни нагрузки и права доступа, чтобы автономные помощники не привносили уязвимости на этапе интеграции.

Инфраструктура и новые продукты для команд

Для централизации возможностей искусственного интеллекта компаниям требуется единая платформа, объединяющая корпоративные знания, инструменты и процессы. В качестве таких решений развиваются специализированные платформы и ассистенты, включая универсальные среды для генерации кода и управления агентами.

В линейке инструментов экосистемы представлены решения для различных категорий специалистов:

• ГигаАгент — автономный помощник для выполнения многошаговых процессов и управления контекстом;
• GigaCowork — корпоративная платформа для работы ИИ-агентов;
• GigaCode и GitVerse — среды разработки и конвейеры для автоматизированного создания, тестирования и сборки кода.

Обновления в GitVerse привнесли агентные конвейеры, позволяющие запускать сотни задач в изолированных средах параллельно. В свою очередь, инструменты вроде GigaCode Desktop предоставляют сценарии для аналитиков и тестировщиков, позволяя строить диаграммы и прототипы через диалоговые интерфейсы, снижая нагрузку на узкие места разработки.

Архитектура агентов, память и контроль

Автономные мультиагентные системы обладают тенденцией к самостоятельности при получении доступа к инструментам. Подобные эксперименты показывают, что агенты способны заводить репозитории и выстраивать логику решения задач, однако это требует строгих механизмов безопасности и контроля со стороны инженеров.

Современная архитектура агентов включает в себя защищенное ядро, окружение с жесткими контрактами, подключаемые навыки и интерфейсы. Для повышения надежности компании активно применяют тестирование на реальных кейсах: на основе зафиксированных ошибок формируются тестовые наборы, которые корректируют поведение агентов и исключают использование недостоверных источников.

Инференс, аппаратные ресурсы и оптимизация

Техническая сторона запуска языковых моделей требует глубокой оптимизации вычислений и работы с аппаратным обеспечением. Инженеры профильных областей экспериментируют с параметрами vllm и профилированием исполнения на графических процессорах.

Оптимизация отдельных участков внутри sparse attention способна дать заметное ускорение вычислительных операций. Применение спекулятивного декодирования ускоряет работу с коротким контекстом, однако в условиях длинного контекста и параллельных запросов эффективность может варьироваться, что требует обязательного тестирования под конкретные сценарии нагрузки.

Эксплуатация и харнессы: как удержать ИИ в узде

При переходе к модели, где агент выполняет задачи под контролем человека, ключевую роль играют системы ограничений и журналы действий. Степень автоматизации зависит от уровня риска операций: для рутинных задач достаточно предопределенных правил, тогда как критические действия требуют подтверждения.

Для управления поведением агентов используются специальные среды — харнессы (harness). Их архитектуру можно разделить на две составляющие:

• Слова — системные инструкции, промпты и подключаемые навыки;
• Стены — жесткие программные ограничения на уровне кода, не позволяющие модели выходить за рамки разрешенного функционала.

Практика показывает, что одних текстовых инструкций недостаточно для предотвращения нежелательных действий моделей, поэтому системные ограничения на уровне кода остаются обязательным элементом безопасности.

Практические выводы для разработчиков

Трансформация инженерной профессии не означает полный отказ от написания кода, но меняет распределение рабочего времени. Бэкенд-разработчикам и другим специалистам необходимо глубже изучать устройство агентных систем, принципы управления контекстом и проектирование надежных спецификаций.

Внедрение дополнительных агентов и циклов самопроверки повышает качество создаваемого софта, но одновременно увеличивает затраты на токены, инфраструктуру и сопровождение. Умение балансировать между автоматизацией, стоимостью ресурсов и контролем над мультиагентными системами становится ключевым навыком в современной разработке.