Агентная разработка: следующий уровень после вайб‑кодинга

Вайб‑кодинг сделал программирование доступным для людей без технических знаний и многократно ускорил разработку. Идеолог вайб‑кодинга Андрей Карпати заявлял, что продуктивность может вырасти до 10 раз.

Однако за вайб‑кодингом быстро закрепилась ассоциация с хаосом, допустимым только в персональных проектах. Вайб‑кодингу противопоставляется агентная разработка, которая обеспечивает корпоративный уровень управляемости и безопасности.

В этой статье рассмотрим, чем агентная разработка отличается от вайб‑кодинга и как внедрить ИИ‑инструменты в корпоративный производственный процесс с учетом российской специфики.

Что такое вайб‑кодинг и как он ускоряет разработку

Например, запрос может выглядеть так: «Сделай калькулятор стоимости услуг с выбором опций, динамическим расчетом цены и формой заявки». Не нужно описывать логику расчетов, создавать элементы интерфейса или настраивать обработку формы. ИИ выдаст полностью работающий калькулятор с переключателями опций, подсчетом в режиме реального времени и формой отправки. То, на что у разработчика ушло бы несколько дней, оказывается готово за минуты.

Передовые модели, особенно в режиме размышления, способны писать осмысленный код и разбираться в сложной кодовой базе. Вайб‑кодинг потенциально позволяет увеличить скорость разработки в десятки раз

На российском рынке интерес к вайб‑кодингу активно растет. По данным опроса ICT Moscow:

• 76% разработчиков протестировали вайб‑кодинг;
• 64% остались довольны результатом;
• 16% создали рабочие продукты с помощью вайб‑кодинга.

В чем разница между вайб‑кодингом и агентной разработкой

В ИТ‑индустрии все больше говорят о различиях между вайб‑кодингом и агентной разработкой.

За вайб‑кодингом закрепилась ассоциация с быстрым и интуитивным процессом, где вся разработка происходит в окне чата с ИИ‑моделью. Такой подход характерен для персональных проектов или стартапов.

Агентная разработка предполагает внедрение ИИ в устоявшийся процесс, который включает разработку, сборку, тестирование, развертывание и эксплуатацию ПО. Это позволяет обеспечить корпоративный уровень контроля и безопасности, необходимый для промышленных предприятий, банков, компаний из сферы энергетики, логистики, ритейла и так далее.

На каком уровне развития ИИ‑разработки находится рынок

Между хаотичным вайб‑кодингом и управляемой агентной разработкой существует несколько уровней развития.

ИИ‑поддержка: справка по документации. ИИ‑ассистенты помогают сориентироваться в возможностях инструментов, выбрать оптимальный путь реализации функциональности и выдать пошаговую инструкцию с примерами кода. Пример: Jmix AI Assistant.

Вайб‑кодинг: автодополнение, генерация кода, Copilot. Разработчик получает код по запросу и добавляет его в проект вручную. Контроль качества — через чат. ИИ‑модели также могут дополнять код, давать советы или обратную связь. Примеры: чаты на базе ChatGPT, Qwen или DeepSeek, GitHub Copilot.

Интегрированная разработка: ИИ‑агенты в CLI и IDE. ИИ‑агенты редактируют файлы проекта, запускают тесты, исправляют ошибки и сохраняют изменения. Здесь начинается переход к стандартизации процесса в рамках привычной инфраструктуры разработки. Примеры: Codex, Claude Code, Qwen Code, Continue, Kilo Code, Junie.

В реальности большинство специалистов не продвинулись дальше вайб‑кодинга. Опрос, проведенный в телеграм‑канале для Java‑программистов Spring АйО, показал, что 46% вставляют в проект код, сгенерированный в чате с LLM в браузере.

Полностью агентную экосистему разработки используют всего 2% опрошенных — до новых стандартов ИТ‑отрасли еще далеко.

Что усложняет внедрение агентной разработки в корпоративном секторе

Главная причина осторожного отношения к агентной разработке заключается в сложности ее интеграции в устоявшийся производственный цикл. Кроме того, в большинстве крупных компаний цифровые инициативы реализуются не с чистого листа, необходимо учитывать особенности уже существующих решений.

ИИ‑разработка должна учитывать корпоративные требования к архитектуре, безопасности и контролю изменений

С какими сложностями сталкиваются компании при внедрении агентной разработки:

Ограничения при выборе ИИ‑моделей. Во многих российских компаниях по соображениям безопасности ограничен доступ к большому количеству зарубежных моделей. Также важно контролировать, где развернуты модели и куда передаются данные.

Высокие требования к качеству кода. LLM воспроизводят как лучшие, так и худшие практики. Качество сгенерированного кода зависит от исходных данных, промпта и контекста. Как говорится, «garbage in — garbage out», иными словами, «мусор на входе — мусор на выходе».

Высокая стоимость ошибок. В корпоративном масштабе недопустимы ошибки в расчетах, потери данных, сбои и простои. Все это может привести к многомиллионным убыткам, нарушению законодательства или потере лояльности клиентов.

Размывание ответственности. Финальное решение при агентной разработке должно оставаться за человеком. Важно, чтобы процесс и результат работы код‑агента были прозрачными и проверяемыми.

Ресурсоемкость и экономический эффект. Внедрение ИИ‑разработки на корпоративном уровне требует инфраструктуры и экспертизы. Крупные компании не готовы вкладываться, если нет понимания, когда инвестиции окупятся.

Как обеспечить управляемость при агентной разработке

В банковской сфере для предотвращения ошибок используется принцип «две пары рук, две пары глаз». Согласно стандартам безопасности, решение одного сотрудника обязательно должен проверить и одобрить другой.

В разработке аналогом этого принципа будет использование ИИ в сочетании со стандартным для отрасли инструментарием: средой разработки, платформами и плагинами.

ИИ‑агенты действуют в рамках вероятностной логики: они предсказывают, какой код «скорее всего правильный», основываясь на миллионах примеров. Однако они могут ошибаться или предлагать разные решения для похожих задач.

Среда разработки, платформы и плагины обеспечивают стандартизированный промпт, архитектурный шаблон и сканирование кода. Здесь уже действует формальная логика — жесткие и однозначные критерии проверки, по которым код либо проходит, либо блокируется с конкретным указанием на ошибку.

Экосистема управляемой ИИ‑разработки на практике

Рассмотрим на практике, как может быть организована экосистема для агентной разработки в соответствии с корпоративными стандартами. В нашем примере используются российские продукты:

1. OpenIDE — open source среда разработки от консорциума российских компаний, защищенная от санкций.
2. Kodacode CLI — ИИ‑ассистент для разработчиков с агентским режимом, который хорошо понимает русский язык и позволяет использовать различные модели.
3. Jmix — open source Java платформа, которая предназначена для разработки B2B и B2G систем и проверена опытом 3000+ корпоративных проектов.
4. Axiom JDK — российская среда разработки и исполнения для Java, доступная как в обычном режиме, так и с сертификацией ФСТЭК.

Ниже расскажем, как все компоненты взаимодействуют между собой, обеспечивая контроль, безопасность и стандартизацию разработки:

Доступ через IDE. Все инструменты интегрированы в IDE и доступны в едином окне.

Код‑агент, встроенный в IDE через CLI. В среду разработки встраивается окно терминала, где разработчик общается с ИИ‑агентом. Агент работает на языковых моделях, развернутых локально и имеющих доступ к проектной документации.

Платформа для стандартизации разработки. Платформа предоставляет архитектурный шаблон и гайдлайны. Код‑агент придерживается четкой структуры и следует шаблону типового проекта. За счет этого результат получается качественный, предсказуемый и унифицированный для всего проекта.

ИИ‑ассистент для подготовки спецификации. Jmix AI Assistant, построенный на базе технологии RAG, позволяет сгенерировать спецификацию на базе архитектуры платформы, то есть обеспечить качественный промпт. Также он помогает разработчикам, незнакомым с Jmix, сориентироваться в структуре платформы.

Встроенная система безопасности. Jmix предлагает разграничение прав доступа к данным через шлюз, защиту от утечек на клиенте, интеграцию с провайдерами аутентификации (OpenID Connect, LDAP, SAML, Identity Blitz).

Проверки сгенерированного кода. Через OpenIDE MCP — протокол взаимодействия код‑агента со средой разработки — ИИ проверяет код и получает обратную связь до этапа сборки. Плагин для среды разработки Jmix Studio визуализирует промежуточный результат и сканирует код по формальным правилам.

Безопасность на уровне инфраструктуры. На уровне инфраструктуры безопасность обеспечивается за счет использования российской Java‑сборки и среды исполнения.

Что дает такая конфигурация инструментов:

1. Сочетание скорости код‑агентов и проверенных архитектурных шаблонов. Можно следовать технологическим трендам, не жертвуя предсказуемостью и безопасностью.
2. Привычные для разработчиков технологии: Java, Spring Boot, React, работа через IDE и взаимодействие с код‑агентами через терминал. Разработчикам не нужно осваивать новый инструментарий, компаниям — тратить ресурсы на обучение.
3. Несколько уровней безопасности и развертывание инструментария в контуре заказчика. ИИ‑разработка будет соответствовать корпоративным стандартам и требованиям регуляторов.

Затраты и экономический эффект от внедрения управляемой ИИ‑разработки

Общая сумма затрат на внедрении экосистемы для агентной разработки — примерно 7 млн.

Экономический эффект будет накапливаться по мере реализации новых и новых проектов.

Как перейти на управляемую ИИ‑разработку: пошаговая инструкция

Шаг 1. Развертывание инфраструктуры во внутреннем контуре с локальными моделями.

Шаг 2. Формирование выделенной команды разработчиков‑энтузиастов, которые смогут попробовать новые инструменты без ущерба для основных задач. Важно, чтобы пилотный проект не встретил сопротивления у команды, иначе с ее стороны будет саботаж.

Шаг 3. Выбор подходящего пилотного проекта. Лучше всего подойдет простая задача по реализации отдельной функции из бэклога, например, реализация формы обратной связи, а не разработка критически важной ERP‑системы с нуля.

Шаг 4. Определение бенчмарка — какой срок разработки ожидался ранее, без использования ИИ. Как правило, задачи вносятся в бэклог уже после оценки, поэтому дополнительно тратить время не понадобится.

Шаг 5. Разработка. Можно реализовать проект самостоятельно, можно вместе с вендором, который уже имеет опыт использования инструментария. Так вы избежите пути проб и ошибок.

Шаг 6. Оценка результатов. Затраченное время можно будет сравнить с оценкой, чтобы сделать выводы об ускорении и масштабировании агентной разработки.

Искусственный интеллект и большие языковые модели меняют подход к разработке ПО, многократно ускоряя процесс и трансформируя роль человека. Однако в погоне за новыми возможностями важно также учитывать корпоративные требования к безопасности — не устраивать революцию, а усиливать проверенные инструменты.