Быстро, дешево, качественно. Теперь одновременно, но есть нюанс

Меня зовут Александр Сахаров, я директор по партнерствам в компании Диасофт. И тезис, с которого начну, довольно дерзкий: старый айтишный треугольник «быстро, дешево, качественно, выберите два» в 2026 году можно закрывать. Правда, с одним условием, о котором почему-то  практически не говорят.

На днях мы собрались с коллегами обсудить мифы вокруг искусственного интеллекта. Поговорили про AGI и массовые увольнения из-за внедрения ИИ, но с определенной долей скепсиса. И вот почему. Дело в том, что по свежим данным 56 процентов CIO в мире за последний год не получили от ИИ ни роста выручки, ни снижения затрат. Удивлены?

Вот и в России ИИ внедряют 97 процентов компаний, но стратегию внедрения имеют только 26, а больше половины вообще не могут сформулировать, какой ценности ждут от интеллекта. Получается какая-то массовая вера без массового результата.

Парадокс в том, что сама технология работает, причем работает очень хорошо. У нас на конвейере, где LLM дает скорость, а платформа Digital Q отвечает за архитектуру, стандарты и контроль качества, 4-5 человек сейчас делают то, на чем раньше сидели 12-15. Вот и ответ на вечный вопрос айтишника: быстро и дешево дает модель, качество обеспечивает платформа. Условие одно, гибридный подход. Без него ИИ не ускоряет бизнес, а прожигает бюджеты, именно это и видно в глобальной статистике.

Ниже выжимка дискуссии с Артемом Бочкаревым (AliExpress), Игорем Кононовым (AIINS) и Михаилом Шрайбманом (OSMI IT). Три мифа, в которых бизнес тонет миллиардами, и разбор, почему гибридный подход это не маркетинговая формула, а единственное, что реально вытягивает ИИ из статуса дорогой игрушки. Свои слова я привел в прямой речи, чтобы не разрывать формат обмена мнениями. 

Кому лень читать лонгрид, полная запись дискуссии лежит на Youtube. Спорить и задавать вопросы приходите в Telegram-канал Департамент разработки.

Миф первый. Купили подписку, считай, внедрили

Самый массовый сценарий выглядит примерно так. Компания оформила корпоративную подписку на ChatGPT, пустила ее в маркетинг и колл-центр и отчиталась в СМИ о внедрении ИИ. Через полгода CIO не может объяснить совету директоров, где обещанные экономия и рост. Что не так?

«Когда мы говорим о пользе, надо мыслить метриками. Зачастую внедрение ИИ в компаниях подразумевает, что купили подписку на ChatGPT и на этом внедрили. На самом деле проблема ведь не в технологии, а в структуре и потребностях: как мы это внедряем и какие боли решаем. Если поставить инструмент неправильно, он не то что не даст положительного эффекта, а может очень сильно сказаться на метриках в сторону их ухудшения. Простой пример: перевод линии поддержки клиентов на ассистентов зачастую снижает лояльность потребителя. С одной стороны, классная метрика, такое-то количество пользователей уже прокоммуницировало с ботом, а с другой непонятно, какой эффект все это дало бизнесу, положительный или отрицательный. Про успешный успех многие любят рассказывать, а вот о факапах не так многие. Хотя именно факапы это самая ценная и конструктивная обратная связь от реальных пользователей. Поэтому компаний с неудачными кейсами гораздо больше, чем мы видим в статистике, и тут надо ориентироваться на собственный опыт», — говорит Игорь Кононов, основатель InsurTech-платформы AIINS.

Взгляд со стороны того, кто ежедневно внедряет ИИ в корпоративных клиентов.

«Мы как никто другой находимся близко к тем, кто внедряет ИИ в корпорациях и в компаниях поменьше. Действительно, проблема есть, и складывается она в первую очередь из отношения к искусственному интеллекту со стороны стейкхолдеров. В массовом количестве мы видим истории, когда коллеги хотят внедрять ИИ без понимания, как они вообще будут связывать технические метрики с бизнесовыми. Сейчас ситуация в России улучшается: большое количество пилотов доходит до промышленного внедрения. Особенно актуально это в задачах, где мы заменяем небольшой отрезок в пайплайне. Не так давно внедряли автоматизацию подбора специалистов в производственную компанию, и ИИ вполне справился на том отрезке, на котором его поставили. Двигаться дальше будет проще еще и потому, что меняется отношение самих стейкхолдеров», — отмечает Михаил Шрайбман, генеральный директор ИИ- и веб-интегратора OSMI IT, член правления РУССОФТ.

Взгляд со стороны технологии, а не процессов.

«Когда говорят, что 56 процентов компаний внедрили ИИ и не получили осязаемого результата, я бы начал с разделения понятий. Искусственный интеллект это старая технология, люди им занимаются давно. Весь текущий хайп вокруг агентов и LLM это просто новый класс моделей, у которых пока большие амбиции и мало подтверждений. Технология сырая, и применений, которые оправдали бы этот хайп в бизнесе, мы пока не видим. Но если взять компании, которые давно работают в разных отраслях, там используется ИИ, который раньше назывался машинным обучением, а до этого Data Science. И люди действительно извлекают из этих инструментов большую выгоду. А с тем, что ИИ заменит людей, как нас пугают в газетных новостях, мы, конечно, еще не здесь. До такого состояния должен пройти довольно большой путь», — комментирует Артем Бочкарев, Director of Machine Learning в AliExpress.

Миф второй. Мы живем в эпоху тектонического сдвига

Следом зашел разговор про магию. В публичном поле искусственный интеллект часто подают как эпохальный разлом: LLM пишут стихи и код, нейронки сдают экзамены по математике, OpenAI регулярно анонсирует скорое пришествие AGI. А что происходит, 

«Вопрос в том, что именно вы называете искусственным интеллектом. В моем понимании настоящий ИИ — это AGI, то есть система, которая неотличима от человека: она способна пройти тест Тьюринга и в целом демонстрирует сопоставимый уровень универсальности.

Но можно понимать ИИ и шире. В этом случае под ним имеется в виду любая модель, которая получает на вход данные — будь то код, текст или, например, график продаж — и на их основе прогнозирует результат: какой текст выдать пользователю или сколько товара купят на следующей неделе. В таком широком смысле ИИ — это огромное семейство моделей.

При этом в современной информационной среде ИИ чаще всего сводят к чат-ботам, хотя спектр его применения значительно шире. В новостях обычно обсуждаются лишь отдельные области, тогда как многие другие остаются за пределами внимания.

Есть предпосылки к тому, что ситуация со временем изменится, но говорить о каком-то тектоническом сдвиге сейчас, на мой взгляд, не приходится. В машинном обучении действительно появился новый класс моделей, которые очень хорошо работают с текстами и предсказывают их значительно точнее, чем предыдущие поколения. Но это не серебряная пуля, которая решает все наши проблемы.

Машинное обучение в целом применяется практически везде. Если посмотреть на индустрию шире, то большая часть решений, которые уже сегодня напрямую приносят деньги Google, „Яндексу“ и маркетплейсам, построена не на тех моделях, о которых пишут в новостях. LLM туда пока только постепенно добираются и дают скорее опосредованный эффект, но это не какой-то суперпрорыв», — говорит Артем Бочкарев.

Практика смотрит на эти споры под своим углом.

«Я только что был в Африке, наблюдал за животными, и эволюция интеллекта там заметна невооруженным взглядом. Если обратиться к литературе и посмотреть, что вообще понимается под интеллектом, довольно быстро выясняется, что с определениями все не так просто. Одно из них описывает интеллект как способность предугадывать последствия и заранее к ним готовиться.

Проще говоря, с помощью интеллекта ты понимаешь, что впереди айсберг, вовремя поворачиваешь штурвал влево и избегаешь столкновения. Или видишь красный сигнал светофора и осознаешь, что переходить дорогу в этот момент не стоит. Это и есть способность прогнозировать ситуацию и выводить последствия из того, что нам уже известно. По сути, вычисление и есть прогнозирование.

Поэтому спор о том, является ли LLM интеллектом, в общем-то вторичен. Гораздо важнее результат. А результат, если уметь этим пользоваться, дает радикальный прирост скорости. Напомню старый айтишный треугольник: быстро, дешево, качественно, выберите два. Сегодня появляется возможность обойти это ограничение, потому что быстро и дешево делает модель, а качество обеспечивает платформа», поясняет Александр Сахаров.

Конкретный кейс в подтверждение.

«Это из разряда “вам ехать или шашечки”. Какая разница, как это называется, если инструмент работает эффективно. Если говорить о практическом применении, в глубокую терминологию можно не погружаться. Мы начали формировать собственное понимание этих процессов в рамках нашей платформы много лет назад. Тогда компаниям, которые хотели давать клиентам ценность с помощью ИИ, приходилось строить все с нуля и самостоятельно обучать модели. Сейчас это делать значительно проще. Мы используем файн тюнинг и гораздо быстрее получаем нужный результат. Ценность здесь вполне очевидна. Экспертизу, которой обладает компания в своей отрасли, можно перевести в понятный клиентский интерфейс. А ту экспертизу, которой не хватает или которая развита недостаточно, можно усилить за счет конкретных решений. Если говорить о продуктах для внутреннего применения, это тоже отдельное и очень интересное направление. За короткое время мы с помощью вайб кодинга собрали полноценную систему управления внутри компании. Это была инициатива команды разработки, которая хотела не просто формально разобраться в теме, а получить практический опыт на конкретном кейсе. В итоге у нас появилась действительно сильная система, которая помогает управлять HR процессами, прогнозирует выручку и настраивает работу отдела продаж. Все это программный продукт, созданный внутри компании с использованием вайб кодинга. После этого сложно говорить о том, что такие инструменты не дают результата», — рассказывает Игорь Кононов.

Миф третий. Сильные разработчики не вайб-кодят

У Кононова на вайб-кодинге собрался рабочий внутренний продукт. Но одно дело инструмент небольшой команды, и совсем другое, когда разработчиков сотни или тысячи.

«Если еще год назад в разработке были одни тренды, сейчас уже совсем другие. Модели начинают специализироваться: одни ориентированы на тестирование, другие на работу с кодом, третьи на проектирование и дизайн. И чем дальше, тем больше они расходятся, становятся все более узкими. Ладно, когда у вас работает один человек, два, пять. Но если в серьезной компании, где сотни, а то и тысячи инженеров, разработчиков и аналитиков, всем раздать просто разрозненные куски инструментов, каждый начнет вайб-кодить во что горазд. В первые три месяца это будет даже приносить удовольствие, но после шестого месяца начнутся ошибки и рассинхронизации, поплывут UX и производительность, полезут баги, которые нужно чинить. Такой продукт сопровождать уже невозможно. Люди в такой ситуации обычно увольняются и уходят в Сбербанк, а у вас остается куча мусора, с которой не разобраться. Не использовать ИИ уже нельзя. Но пользоваться им нужно правильно, а правильное использование это построение современного конвейера. То есть платформы, в которой идут проектирование, работа с кодом и тестирование. Платформа контролирует архитектуру, горизонтальную масштабируемость, инфобез, управление ролями и огромное количество системных вещей, которые при вайб-кодинге в принципе не важны, но критичны для последующей эксплуатации. Когда кто-то где-то вайб-кодит, инструменты платформы, а они тоже могут быть на искусственном интеллекте, проверяют качество и соответствие стандартам. В этом и будет успех. На себе мы видим кратный рост производительности: 4-5 человек делают то, что раньше делали 12-15, и делают это в разы быстрее», — говорит Александр Сахаров.

Что об этом думают внутри инженерных команд.

«Сам по себе вайб-кодинг подходит для пет-проектов: наваибкодил игру или мини-приложение, проверил, как оно работает. Но внутри крупных компаний разработчики вайб-кодингом не занимаются, а если кто-то и занимается, результат обычно плачевный. Сам термин, на мой взгляд, маркетинговый. Вайб-кодят те, кто не умеет кодить. Сильные разработчики используют ассистентов совсем в другом режиме: через терминал, с подробными инструкциями и обязательной перепроверкой всего, что модель написала. Просто взять и вайб-кодить это развлечение скорее на субботний вечер.

Проблема шире. Сейчас каждый использует ИИ в разработке так, как хочет и как видит, общепринятых стандартов пока нет. При этом в разработке кода давно сложилась своя культура: репозитории, пуш, коммит, git, все это устоявшиеся подходы, которые работают у всех. А теперь у индустрии появился трактор, на котором можно ездить в любую сторону, и каждый, кто с ним начинает играться, подходит по-своему. Кто-то общается с ИИ-ассистентом как с чат-ботом. Кто-то работает с агентом и просит его переписать или добавить кусок. Есть подход с несколькими агентами одновременно, и тут у разработчика начинает плыть фокус от постоянных переключений: посмотрел сюда, прочитал это, а надо уже ревьюить другой кусок кода. Замедление от ИИ, про которое сейчас пишут исследования, это как раз следствие того, что люди не понимают, как с ним работать и какой способ наиболее эффективен. В ближайшие год-два индустрия придет к устоявшимся стандартам взаимодействия с ИИ-ассистентами, проверенным на практике. Пока же одни собирают машину начиная с шин, другие начиная с корпуса», — считает Артем Бочкарев.

Ответ на вопрос о стандартах.

«Стандарты разработки есть в каждой уважающей себя компании, и такие же стандарты должны появиться при вайб-кодинге. Более того, система позволяет это сделать в полной мере: родить конституцию, в рамках которой работают все агенты. Другой вопрос, что для этого нужны данные. Но у любой компании уже есть огромная кодовая база предыдущих проектов, и она как раз позволяет такую конституцию собрать. Нужно просто увидеть эту возможность и поменять подход, причем не только при вайб-кодинге, но и при внедрении ИИ в бизнес-процессы. Про увольнения программистов: в ближайшем будущем массово этого в России происходить не будет, хотя на Западе процесс уже идет. Причина простая: результат, который производит ИИ, приходится верифицировать, а технические мозги для этого никто не отменял. Есть и другой срез: количество джунов на рынке сейчас колоссальное, и никто из них работу найти не может. Одна из причин этой ситуации как раз вайб-кодинг и появление ИИ. А значит, программистам нужно переходить в более высокую лигу», — отмечает Михаил Шрайбман.

«Проведем аналогию. Стоит конвейер по производству автомобилей, и на каком-то участке сотрудник руками приворачивает к машине зеркало. Всем понятно, что рядом идет процесс контроля качества: человек может привернуть хорошо, а может плохо, за ним нужно проверять. Если не проверять, в какой-то момент он начнет приворачивать все хуже и хуже, и закончится все плохим качеством на выходе. Отсюда и возникло понятие continuous, постоянного контроля качества. Теперь взяли ИИ, поставили автоматическую руку, сотрудника убрали. Кто готов в первый же день снять контроль качества? Никто. Мало ли, что с рукой произошло, вдруг у нее там что-то поехало. Вроде работает точнее и лучше человека, но контроль никто отключать не будет. Как только ты его уберешь, ты тут же снизишь устойчивость системы к новым ошибкам. Ключевой фактор здесь это сам контроль качества. Если вы подключили смарт-агента, который что-то делает, и рядом нет контролера, вы не можете быть уверены, что это что-то действительно хорошо. А если контроль есть, вы видите, какие ошибки агент совершает, можете его улучшать, ставить новые версии, экспериментировать с разными моделями. К чему это ведет? Если у вас стоит, допустим, наша платформа, вы можете постепенно менять разработчиков на ИИ-агентов, а платформа будет контролировать качество кода, который они выдают. Где-то ИИ работает хорошо, и менять ничего не надо. Где-то хуже, и тут уже роботы платформы подхватывают: делают динамический и статический анализ кода, автоматически генерируют тест-кейсы, закрывают огромное количество процессов проверки. Это и есть так называемая четвертая промышленная революция: раньше одни люди заворачивали гайки, а другие проверяли качество завернутых гаек, сегодня гайки заворачивают машины, а другие машины в виде машинного зрения это качество контролируют. От человека остается один оператор, который смотрит на брак и не брак и держит руку на рубильнике. То же самое происходит сейчас и в разработке. Внедрение ИИ в разработку неизбежно, потому что это радикальное ускорение. Это как лопата против трактора: на огороде лопатой еще можно красиво копать, но на десяти гектарах лопата уже не вариант, нужен трактор. Только если ты трактором не умеешь пользоваться, можно раздербанить курятник, перебить соседей, а потом их же и поджечь», — разворачивает аналогию Александр Сахаров.

«Вечная проблема айтишника решена. Быстро, дешево, качественно, но при условии гибридного подхода. И еще один момент из дискуссии. В чате прозвучал упрек: мол, эксперты по ИИ говорят теми же словами, что и инфоцыгане. Я бы ответил наоборот. Конечно, мы используем те же слова, что и инфоцыгане, но только потому, что это инфоцыгане используют наши слова, а не наоборот. Они берут наши термины, чтобы ввести людей в заблуждение, а мы рассказываем собственную практику. Это мошенники пытаются выглядеть нами и поэтому говорят нашим языком. Когда я произношу слово платформа, тут же появляются люди и говорят: вы своей платформой хотите посадить нас на иглу. Да нет же, мы как раз ее и сделали, чтобы с иглы снять. С искусственным интеллектом ровно та же история. Мы не мошенники, мы эксперты, и мы предупреждаем: будете пользоваться неправильно, получите неправильные последствия. Будете слушать нас, последствия окажутся совсем другими», — подводит итог Александр Сахаров.