Контекст важнее промпта: как ИИ встроен в разработку приложений на FIS Platform

Генеративный ИИ быстро вошел в инструментарий разработчиков: модели пишут код, объясняют ошибки, формируют SQL, помогают с документацией и тестированием. Для корпоративной разработки следующий этап связан с более сложной задачей — научить модель работать с конкретной информационной системой, ее объектами, данными и накопленной логикой.

Именно здесь проходит граница между универсальным ИИ-помощником и встроенным инструментом разработки.

В крупном банковском приложении хороший ответ требует знания значительно большего объема информации, чем синтаксис языка программирования. Нужно понимать модель данных, назначение объектов, связи между ними, платформенные конструкции и границы конкретной доработки. Чем дольше развивается система, тем больше такого внутреннего контекста накоплено в ней самой.

Поэтому в FIS Platform развитие ИИ-сервисов идет одновременно по двум направлениям: расширяется набор операций, которые можно выполнять с помощью модели, и развивается инфраструктура передачи модели информации о конкретном приложении.

Сегодня в платформе доступны ИИ-чат для разработчика, рефакторинг кода, генерация SQL-запросов, автоматическое формирование описаний объектов и приложений, голосовой ввод, ИИ-поиск по технической документации. Для ряда этих сервисов используется общий механизм индексации и управления контекстом.

Так формируется интеллектуальный слой среды разработки, который работает с реальной структурой корпоративного приложения.

Почему контекст становится отдельной инженерной задачей

Типичный запрос к универсальной LLM состоит из инструкции пользователя и той информации, которую он успел добавить вручную. Для небольшого фрагмента кода этого бывает достаточно.

При работе с корпоративной системой ситуация меняется.

Представим банковское приложение, которое развивалось несколько лет. В нем существуют десятки модулей, собственные типы данных, процессы, пользовательские функции, интеграции и сложившиеся правила работы с объектами. Запрос «сформируй выборку клиентов с такими-то условиями» понятен человеку, знакомому с проектом, поскольку он уже знает, где находятся нужные данные и как они связаны.

Языковая модель этими знаниями изначально не располагает.

Можно каждый раз описывать ей модель данных вручную, копировать структуру таблиц и необходимые фрагменты документации. Такой способ работает для единичных экспериментов, но плохо соответствует постоянной промышленной разработке.

В FIS Platform эту задачу решают ИИ-индекс приложения и механизм контекста.

Информация об объектах приложения индексируется и становится доступной ИИ-сервисам. При обращении к модели платформа может подобрать связанные с задачей данные автоматически.

Разработчик также может определить контекст самостоятельно и указать, какие объекты приложения необходимо передать вместе с запросом.

Практический смысл такого управления особенно заметен в больших системах. Если задача относится к отдельному модулю, нет необходимости передавать модели описание всего приложения. Достаточно сформировать ограниченную область, содержащую релевантные объекты и связи.

В результате специалист работает с двумя уровнями постановки задачи: формулирует само требование и при необходимости задает границы прикладного контекста.

Такой механизм уже используется во встроенном ИИ-чате и при генерации SQL-запросов.

ИИ-чат как рабочий инструмент разработчика

Встроенный чат с языковой моделью позволяет обращаться к ИИ непосредственно из среды разработки FIS Platform.

Основные сценарии связаны с текущими задачами специалиста: разобраться с платформенной конструкцией, уточнить синтаксис, получить пример реализации, проанализировать существующий код или найти возможную причину ошибки.

Поддерживаются в том числе UDML, UDMS и JavaScript.

Разработчик может продолжать диалог и последовательно уточнять постановку. Это важно для инженерных задач, где первая формулировка редко содержит все ограничения. В ходе работы появляются дополнительные условия, требуется изменить вариант реализации или проверить альтернативный подход.

Результат можно перенести непосредственно в редактор и продолжить его доработку в FIS Platform.

Преимущество встроенного сценария связано с сокращением разрыва между консультацией модели и основной средой разработки. Специалист остается в приложении, над которым работает, а информация из его структуры может быть включена в контекст запроса.

Такой формат полезен и для специалистов с разным уровнем опыта. Разработчик, который недавно начал работать с платформой, быстрее получает примеры использования платформенных конструкций. Более опытный специалист может использовать модель для подготовки вариантов решения и разбора рутинных технических вопросов.

Качество итогового изменения по-прежнему зависит от проверки специалистом. ИИ формирует предложение, после чего оно проходит тот же инженерный контроль, что и код, созданный другим способом.

Рефакторинг: ИИ работает с уже созданным кодом

Значительная часть жизненного цикла корпоративных приложений приходится на сопровождение. Код необходимо изменять, упрощать, адаптировать под новые требования и поддерживать в понятном состоянии.

Для этого в FIS Platform реализован отдельный сервис рефакторинга.

На вход он получает существующий код на UDML, UDMS или JavaScript, анализирует его и предлагает изменения. Разработчик получает рекомендации и самостоятельно определяет, какие из них применять.

Это отличает сценарий от полной автоматической перезаписи. В enterprise-разработке существующий код часто содержит множество зависимостей и отражает накопленные требования проекта. Поэтому возможность увидеть предложение модели до внесения изменения имеет практическое значение.

ИИ здесь используется как дополнительный уровень анализа. Он помогает быстрее просматривать код и находить варианты его переработки, а решение о допустимости изменения остается частью стандартного процесса разработки.

Связка ИИ-чата и рефакторинга формирует последовательный сценарий работы. Специалист может обсудить вариант реализации, получить или самостоятельно подготовить код, а затем использовать модель для его дополнительного анализа и улучшения.

Генерация SQL: от бизнес-описания к проверяемому запросу

Работа с данными — еще один класс задач, где языковые модели способны сократить количество ручных операций.

В FIS Platform разработчик может сформулировать SQL-задачу обычным текстом. В запросе указываются необходимые таблицы, поля, действия и ожидаемый результат. ИИ на этой основе готовит SQL-код и поясняет предложенную конструкцию.

Первый вариант можно уточнять. Пользователь дополняет условия, меняет постановку или корректирует область контекста, после чего модель формирует новую версию.

Готовый фрагмент копируется или вставляется непосредственно в редактор.

Сервис поддерживает SQL-поисковые методы обычного и временного типов.

Наиболее интересная часть механизма находится вокруг самой генерации. Модель может учитывать информацию из ИИ-индекса конкретного приложения.

Это позволяет перейти от универсальной задачи «напиши SQL по такому условию» к работе с фактической структурой данных проекта.

Для корпоративной разработки такой сценарий представляется более устойчивым. Разработчик получает не финальный артефакт, который автоматически отправляется в систему, а рабочую заготовку, подготовленную на основании требований и доступного контекста. Ее можно проверить стандартными средствами и доработать перед использованием.

Автоматическое описание объектов: ИИ работает с накопленными знаниями системы

Другой класс задач связан с документацией.

Корпоративные приложения постоянно меняются. Добавляются типы данных, функции, процессы и другие объекты. Поддерживать их текстовые описания в актуальном состоянии вручную сложно, особенно в больших проектах.

В FIS Platform ИИ используется для автоматической генерации описаний объектов. В дальнейшем функциональность была расширена на формирование описания приложения.

Модель анализирует доступную информацию об объекте и создает текстовое представление его назначения и структуры.

Полученные описания дают дополнительный слой информации о системе. Он полезен при сопровождении приложения, передаче задач между командами и погружении новых специалистов в существующий проект.

Этот сценарий также важен с точки зрения дальнейшей работы ИИ. Чем лучше структурированы знания о приложении, тем больше задач можно выполнять с опорой на его реальное устройство.

Документация постепенно становится частью машинно-доступного контекста разработки.

Голосовой ввод как часть интерфейса работы с ИИ

В платформе также реализован голосовой ввод для отдельных текстовых сценариев.

Пользователь может надиктовать описание или текст вместо ручного ввода. Функция применяется в конструкторе приложений и в отдельных элементах среды запуска.

По масштабу это значительно более локальная возможность, чем анализ кода или генерация SQL, но она показывает еще одно направление развития интерфейса платформы: часть операций с текстовой информацией переводится в естественные для пользователя способы взаимодействия.

Особенно полезным такой подход может быть при подготовке комментариев и описаний, когда содержательная часть работы важнее непосредственного набора текста.

ИИ становится интерфейсом к документации FIS Platform

В 2026 году набор сервисов был дополнен ИИ-поиском и ИИ-сводкой по технической документации платформы.

Пользователь задает вопрос на естественном языке, система находит подходящие материалы документации и позволяет получить краткий ответ по ним.

Для разработчика это еще один уровень контекста.

При работе с корпоративным приложением приходится одновременно ориентироваться в нескольких информационных пространствах: понимать бизнес-задачу, знать устройство конкретного проекта и обращаться к документации самой платформы.

ИИ-поиск сокращает путь до нужной технической информации. Особенно это востребовано в продуктах с большим количеством объектов, параметров и платформенных конструкций, где традиционный поиск требует заранее знать правильную терминологию.

ИИ-поиск и ИИ-сводка уже вынесены непосредственно в интерфейс работы с материалами.

Пять сервисов — одна архитектурная задача

Если объединить эти сценарии, становится видна общая логика их развития.

Чат работает с вопросами разработчика. Рефакторинг анализирует существующий код. Генератор SQL преобразует постановку задачи в запрос. Сервис описаний извлекает информацию из структуры приложения и формирует документацию. ИИ-поиск работает со знаниями о самой платформе.

Каждый инструмент решает свой класс задач, однако качество большинства таких операций зависит от доступа к релевантной информации.

Поэтому ИИ-индекс и управление контекстом имеют более долгосрочное значение, чем отдельная генеративная функция.

На рынке ИИ-разработки заметен общий переход от универсальных copilots к инструментам, которые глубже интегрированы в инженерную среду. IDE и low-code-платформы получают собственных ассистентов, системы контекстного поиска и агентные механизмы. В России похожее направление развивают крупные платформенные вендоры: ИИ связывают с моделью данных, исходным кодом, документацией и инфраструктурой разработки.

Для корпоративного ПО такая архитектура закономерна. Чем сложнее система, тем меньше ценность ответа модели, которая не располагает знаниями о проекте.

Контроль результата остается частью инженерного процесса

Рост возможностей моделей ставит дополнительный вопрос — как проверять результат.

FIS использует ИИ в тех операциях, где результат можно вернуть специалисту в понятном и проверяемом виде.

У рефакторинга это конкретные изменения кода. У SQL — сформированный запрос. У чата — текстовое объяснение или фрагмент реализации. У генерации описания — документируемый объект.

Разработчик способен увидеть результат, сопоставить его с исходной задачей и принять решение о дальнейшем использовании.

Этот принцип соответствует общей модели применения ИИ, которую FIS использует и в других направлениях разработки. В бизнес-анализе, тестировании и программировании автоматизация расширяет объем работы, который может выполнить система, при этом ответственные специалисты продолжают валидировать производственные артефакты.

Для банковского ПО такой контроль особенно значим. Изменение должно соответствовать не только технической постановке, но и бизнес-правилам, архитектурным ограничениям и требованиям конкретного проекта.

Поэтому развитие ИИ-инструментов одновременно повышает требования к формализации процессов разработки.

От отдельных функций к единому AI-контуру

В течение 2026 года набор ИИ-возможностей FIS Platform последовательно расширялся.

Сначала в платформе появились базовые инструменты: чат, рефакторинг, генерация SQL и голосовой ввод. Затем развивалась автоматическая генерация описаний, история взаимодействия с нейросетью, настройка контекста. Следующим уровнем стали ИИ-поиск и суммаризация технической документации.

Параллельно FIS развивает другой класс инструментов — ИИ-агентов и аддитивный редактор, который позволяет модели работать уже с объектной моделью приложения и выполнять структурированные изменения.

Эти направления связаны общей инженерной задачей: сделать знания о приложении доступными для ИИ и предоставить модели контролируемые способы взаимодействия с системой.

В перспективе это позволяет объединять отдельные операции в более длинные цепочки.

Например, запрос на изменение бизнес-функции может последовательно затронуть анализ существующей структуры, выбор связанных объектов, подготовку изменения, работу с кодом и тестирование результата. Чем больше таких операций формализовано внутри платформы, тем больше их можно координировать с помощью ИИ.

Именно здесь начинается переход от набора AI-centric инструментов к AI-driven процессу разработки, который FIS описывает как стратегическое направление развития собственной инженерной среды.

Что меняется для корпоративной разработки

Главный эффект встроенных ИИ-инструментов стоит оценивать на уровне рабочего процесса разработчика.

Модель получает доступ к релевантному контексту. Специалист формулирует задачу на естественном языке. Результат возвращается в том формате, с которым можно работать дальше: код, SQL, описание, технический ответ или изменение приложения.

Это сокращает количество промежуточных операций между возникновением задачи и получением технического артефакта.

По мере развития моделей доля операций, которые можно делегировать ИИ, будет увеличиваться. Однако для крупных корпоративных систем решающим фактором остается качество интеграции модели с самой инженерной средой: доступ к структуре приложения, управляемый контекст, понятные интерфейсы изменения и возможность проверить результат.

FIS Platform развивает именно этот слой.

Поэтому дальнейшая эволюция ИИ в платформе будет связана не только с расширением перечня генеративных функций. Основной потенциал находится в объединении существующих сервисов, контекста приложения и агентных инструментов в единый процесс разработки — от постановки задачи до проверенного изменения корпоративной системы.