AI не заменяет платформу разработки — а повышает требования к ней

Директор ФИС Евгений Кашменский делится визионерским взглядом на ИИ-центричность в финтехе — в эксклюзивной колонке для РБК.

Евгений Кашменский, основатель и директор компании ФИС, визионер, эксперт в сфере создания инновационных платформ разработки программного обеспечения и цифровизации банковского бизнеса:

Вокруг ИИ в разработке сегодня много обсуждений. Массово возникает представление, что сложное корпоративное ПО теперь можно внедрить за один промпт — без сложного инженерного процесса под капотом. Похожий ажиотаж был с BPM, low-code, микросервисами — каждая новая технология многими ошибочно воспринималась как “серебряная пуля”, способная снизить сложность до нуля. Что, конечно же, невозможно.

Да, модели уже умеют разрабатывать относительно небольшие проекты. Ключевой порог сложности здесь — это возможность модели мысленно охватить весь проект целиком, хотя бы на уровне требований. 

Но банковское корпоративное ПО относится к другому классу сложности: здесь есть разные бизнес-стратегии и регламенты, интеграции и миграции данных, эксплуатационные сценарии и аудит, требования к безопасности и архитектуре, готовой к долгим годам стабильного сопровождения. Проекты, где одни только требования занимают десятки и сотни мегабайт, не могут быть запромпчены “в лоб”.

Тем не менее, ИИ — это рычаг, потенциально способный поднять производительность даже таких сложных проектов на порядок; просто надо этому научиться. Поэтому мы сконцентрировались на том, как выстроить внедрение ИИ в промышленную разработку — без роста рисков и с фокусом на получение максимального бизнес-эффекта в банковской отрасли.

Что ждёт индустрию ПО с появлением ИИ

Исторически сложившийся баланс трудозатрат по разным аспектам производства ПО меняется. Если раньше большая часть времени тратилась на ядро производственной активности (разработку кода и его тестирование), то теперь сама разработка может выполняться ИИ на порядок быстрее; зато возрастает запрос на качество исходной документации. Вообще, вопрос качества документации в ИИ-разработке ключевой, и это во многом “работа над ошибками”: ведь нормы качества исходной документации можно было повышать и раньше, просто это было не настолько необходимо.

В связи с тем, что ИИ может не только писать код, но и выполнять и любые другие четко поставленные поручения, такие как разработка проектных документов, поиск ошибок, непосредственное осуществление тестирования — возникает проблема верифицируемости. Ведь если человек будет проверять каждое слово, написанное ИИ, то значимых преимуществ от ИИ не будет. Производству ПО с ИИ нужна новая технология управления, позволяющая аккуратно задавать границу: какие ключевые артефакты человек должен верифицировать, а какие становятся надежными по умолчанию — за счет четкого построения процессов и автоматической верификации.

Проникновение ИИ в процессы разработки будет идти снизу вверх. Сейчас — атомарная разработка элементарных программных компонентов с оркестрацией этого процесса умным человеком. Затем — принятие аккуратных архитектурных решений самим ИИ. Когда-нибудь — весь цикл управления проектом с помощью ИИ и с привлечением человека, только когда он нужен (уточнение целей и требований, переговоры с заказчиком, так далее).

Стратегия ИИ-интеграции

Нашествие ИИ застало мир врасплох. Компания ФИС тоже через это прошла: более или менее понятная долговременная картина рыночных ожиданий и планомерной технологической модернизации внезапно сменилась на болезненную неопределенность. Внезапно потребовался непривычно высокий темп изменений, причем без каких-либо ориентиров, позволяющих быть уверенным в правильности выбранного вектора.

Теперь, когда мы во многом уже разобрались — период легкой “стратегической растерянности” пройден. Мы разобрались, что ИИ может отлично, а что — пока что не очень. Мы поняли, что ИИ не заменит функции нашей компании — ни сейчас, ни через 10 лет. И мы с уверенностью смотрим на перспективы внутренних интеграционных процессов для совместных проектных работ, выполняемых ИИ и человеком. 

Стратегически, мы сфокусированы на интеграции ИИ в направлении двух показателей: интегральный производственный темп и качество. Общеизвестно, что одно есть функция второго и оба показателя зависят от инструментов и технологий. 

Для нас ИИ — это инструмент. Как результат внедрения ИИ, мы будем снижать сроки наших проектов, предлагать рынку более высокий темп изменений, попутно обеспечивая более пролонгированный жизненный цикл наших продуктов за счет повышения качества документирования как критичной основы для продуктовых изменений.

Эволюция интеграции искусственного интеллекта

Сложные стратегические цели не терпят действий наскоком, поэтому мы определили этапность изменений и поняли, какие вехи необходимы для достижения результатов.

Первый этап — AI-probing. Это этап апробации технологий, когда специалисты начинают проверять, где именно модели дают практический эффект. Такой подход помогает определить границы применимости и оценить потенциал, но наработки пока не встраиваются в производственный процесс, проходя тщательную верификацию.

Второй этап — AI-centric, агентная разработка. Возникают специализированные помощники для аналитиков, тестировщиков, DevOps-инженеров, разработчиков и других отдельных ролей, которые помогают повысить пропускную способность команды. 

Заключительный этап — AI-driven, методическая инженерия. AI становится частью производственной системы по четко зафиксированным процессам. С ростом автономности критично создать для ИИ-агентов детерминированную среду с системой координат: методикой общей разработки, детально выверенными требованиями ко всем проектным и продуктовым артефактам, управленческой метафорой, нормами эскалации вопросов человеку, многим другим. 

Что уже нами сделано

Пройдя первый этап AI-probing, мы сейчас находимся в AI-centric, развивая инкорпорирование агентов в наши производственные процессы. В целом, есть простая наблюдаемая метрика: когда агенту даешь четкую понятную задачу — темп выполнения этой задачи выше человеческого примерно в 10 раз. Конечно же, для того чтобы получить из этой фантастической метрики интегральный супер-эффект, надо потратить еще очень много сил на встраивание агентов во все типы задач. 

Ниже — наши текущие достижения.

В бизнес-анализе ИИ помог ускорить создание артефактов в 12 раз и принятие решений от запроса до старта разработки в 3 раза, при этом качество документации выросло в 5 раз. 

В QA агент кратно ускоряет подготовку тест-кейсов (658 валидных тест-кейсов за 24 часа вместо 210 человеко-часов), расширяет покрытие требований (с 15–20% до 90%) и поддерживает регресс. 

Для DevOps автоматизация рутинных сценариев дала ускорение до 16 раз, в том числе разворот платформы за 15 минут вместо 4 часов. 

ИИ также переходит от разовых консультаций к более сложным задачам разработки на платформе, опираясь именно на требования к ПО. Для этих целей мы ведем внутренний проект под названием “аддитивный редактор” — по сути, пользовательский интерфейс для агентов, позволяющий им вести разработку так же, как это делают люди. Первые замеры показывают сокращение времени создания приложений на FIS Platform по сравнению с классическим проектом.

Ещё одним важным инструментом стал Visual Component Model для генерации интерфейсов как части инженерного процесса. Вместо создания произвольного UI-дизайна ИИ, работая с библиотекой готовых компонентов и состояний, преобразует бизнес-требования и Figma-макеты в сразу реализуемые формы. Так, снижается разрыв между дизайном и разработкой и ускоряется внедрение результата в корпоративную систему.

Таким образом, ИИ даёт практический эффект там, где требования качественно зафиксированы, а задача формализована и проверяема. 

Безостановочная технологическая модернизация

Наша стратегическая ставка — не на снижении стоимости разработки самой по себе (ценообразование будет диктовать рынок), а на повышении технологичности, то есть существенном сокращении времени от бизнес-запроса до промышленного изменения. Наш фокус — скорость и качество. Мы сосредоточены на имплементации ИИ в разработку и сопровождение именно внутри зрелой инженерной среды, так как в крупных корпоративных системах одна скорость без инженерного контроля лишь ускоряет распространение ошибок. 

Наш стратегический горизонт — превратить ИИ из набора локальных AI-centric помощников в единый AI-driven промышленный конвейер разработки банковского ПО на базе FIS Platform, когда ИИ сам оркестрирует формализованные этапы работы, оставляя ответственность, эскалацию и приемку результатов за человеком. Так, ИИ уже сегодня становится не отдельным инструментом внутри ИТ-команды, а новым уровнем методологической абстракции при создании больших банковских приложений, масштабируя инженерную экспертизу, а не заменяя ее.