Фабрика софта нового поколения: как «Диасофт» превращает искусственный интеллект в промышленный конвейер

Открывая встречу, генеральный директор «Диасофт» Александр Глазков отметил, что для решения масштабных задач уровня Enterprise в первую очередь необходима единая среда, способная объединить сотни специалистов. Он провел историческую параллель с такими признанными корпоративными стандартами, как SAP и 1С, которые десятилетиями развивались именно как масштабные среды разработки для распределенных команд. По словам главы компании, качественный софт никогда не будет создаваться бесплатно по нажатию одной кнопки, а иллюзии о том, что нейросети сократят штат инженеров в десятки раз, далеки от реальности. Настоящая задача бизнеса сегодня — ускорить вывод продуктов на рынок и снизить издержки за счет сквозного управления эффективностью процесса.

Ловушка энтузиазма: почему генерация кода не решает задачи корпораций

В начале 2026 года развитие больших языковых моделей совершило качественный скачок, породив волну увлечения так называемым вайб-кодингом — быстрой индивидуальной генерацией программных фрагментов с помощью ИИ-ассистентов. Однако на практике эйфория быстро сменилась разочарованием. Директор по работе с партнерами компании «Диасофт» Александр Сахаров подчеркнул, что изолированные инструменты дают лишь локальный выигрыш. Написание самого программного кода занимает всего около трети рабочего времени инженера, поэтому интеллектуальный помощник в редакторе дает совокупный прирост производительности всего на уровне 10–15%.

Александр Сахаров
Фото: / Пресс-служба «Диасофт»

Более того, бесконтрольное применение нейросетей несет для крупного бизнеса прямые риски. В погоне за сиюминутной скоростью разработчики накапливают скрытый технический долг, дублируют уже созданные в компании модули и теряют критический контекст. По словам Александра Сахарова, команды нередко попадают в типичные антипаттерны: замыкаются на одной модели, создают неуправляемый зоопарк несинхронизированных утилит и тратят на исправление сгенерированных ошибок больше времени, чем экономит сам алгоритм. Настоящую ценность, резюмировал спикер, создает не сама языковая модель, а инженерная обвязка вокруг нее — набор строгих правил, инструментов контроля и проверок.

Архитектурный каркас: как усмирить искусственный интеллект

Языковые модели стремительно сменяют друг друга каждые несколько месяцев, тогда как проверенные правила разработки, корпоративные стандарты безопасности и цифровая архитектура остаются долгосрочным активом предприятия.

Директор по инструментам и технологиям «Диасофт» Дмитрий Старов объяснил, что AI-Driven Digital Q намеренно спроектирована аппаратно и модельно независимой. Платформа разворачивается полностью в закрытом контуре клиента, исключая утечку данных за периметр. Все интеллектуальные агенты запускаются в изолированных контейнерах, не имеют прямого доступа к критическим системам и не могут произвольно вмешиваться в чужую кодовую базу.

Дмитрий Старов
Фото: / пресс-служба «Диасофт»

Чтобы предприятие не разорялось на счетах за вычислительные мощности, в «Диасофт» выстроили четырехуровневую градацию задач. Для базовых операций вроде распознавания аудиозаписей встреч, извлечения фактов из документов или рутинной проверки текста привлекаются легкие локальные модели с небольшим числом параметров. Модели средней мощности берут на себя реализацию конкретных инструкций, а тяжелые вычисления задействуются точечно.

Кроме того, платформа опирается на детерминированные инструменты. Порядка 70% архитектурного костяка создается не с помощью непредсказуемой нейросети, а на проверенных временем генераторах low-code платформы компании. Искусственному интеллекту остается лишь наполнить этот надежный каркас прикладной логикой, что гарантирует чистоту кода и радикально экономит токены.

Три контура разработки: путь от диалога до готового релиза

Классические попытки внедрения искусственного интеллекта обычно делят производственный процесс на две петли: формулирование задачи и ее последующую реализацию. Однако в «Диасофт» пошли дальше и выделили в самостоятельный этап так называемый контур обнаружения.

Директор по производству «Диасофт» Юрий Дручинин указал на главную системную проблему ИТ-отрасли: наибольшие потери смысла и времени происходят задолго до написания первой строчки кода — на этапе выяснения того, что на самом деле нужно заказчику. Контур обнаружения автоматизирует первичный сбор требований. Агенты обрабатывают сырые данные: текстовые регламенты, протоколы совещаний и даже видеозаписи интервью с бизнесом. Из этой информации алгоритмы устраняют смысловые противоречия и формируют формализованные пользовательские сценарии. На этом шаге в процесс обязательно включается человек — продуктовый инженер, который проверяет сценарии и подтверждает, что ИИ верно уловил исходный замысел.

Юрий Дручинин
Фото: / Пресс-служба «Диасофт»

Далее эстафету перенимает контур продуктового замысла. Здесь требования соотносятся с существующим цифровым ландшафтом предприятия. Агенты заглядывают в корпоративный каталог, выявляют сервисы, пригодные для повторного использования, и проектируют будущую архитектуру. На этом же шаге формируются строгие контракты межсервисного взаимодействия и закладываются проверочные тест-кейсы. Вся спецификация создается до того, как начнется разработка.

Завершает цепочку контур исполнения. Под каждый компонент системы параллельно стартует собственный агент. Они не фантазируют, а действуют в жестких рамках подготовленного плана: генерируют миграции баз данных, дописывают программные интерфейсы и создают юнит-тесты. Следом за разработчиками включаются агенты-ревьюеры, оценивающие покрытие тестами и соблюдение правил кибербезопасности.

В конвейер встроен специализированный агент-навигатор. Если код не прошел автоматические тесты или нарушил стандарты, система не накладывает ручные заплатки, а возвращает задачу на доработку. Если ошибка повторяется, процесс отбрасывается назад — вплоть до пересмотра самой спецификации.

Новое корпоративное золото

Переход на мультиагентный конвейер меняет саму парадигму отношения к программному обеспечению. Юрий Дручинин подчеркнул, что ключевым активом бизнеса теперь становится не программный код, а выверенная спецификация. Качественный код можно за несколько минут перегенерировать заново, если требования описаны точно и не содержат двусмысленностей.

Разработчик больше не должен вручную набирать текст в редакторе — его обязанность смещается к контролю архитектурного замысла и валидации контрольных точек. Дмитрий Старов добавил, что спецификация фактически становится для цифровых предприятий новой нефтью. По его словам, вместо узких специалистов — разработчиков , аналитиков или тестировщиков — внутри команд формируется роль универсального продуктового инженера. Такой сотрудник направляет агентов, следит за трассировкой требований и отвечает за конечную бизнес-ценность продукта. При этом увеличение объема инженерных задач перестает требовать линейного раздувания штата: масштабирование происходит за счет одновременного запуска сотен программных агентов в ночное время и на кластерах.

От двухлетних «долгостроев» к быстрым бизнес-результатам

Практическую жизнеспособность платформы спикеры подкрепили конкретными кейсами и живой демонстрацией. На собственных проектах компания уже добилась сокращения совокупных трудозатрат на треть, а соответствие сгенерированного кода исходным требованиям превысило 99%.

В качестве показательного примера Юрий Дручинин привел создание полноценной CRM-системы из 21 бизнес-компонента (PBC)  и 75 распределенных микросервисов. Команда всего из четырех человек с нуля завершила весь цикл за три месяца. По оценкам экспертов, традиционная заказная разработка аналогичного масштаба потребовала бы коллектив из двух десятков специалистов и заняла бы не менее полутора лет. Другой прикладной продукт — «Факультативное перестрахование» — был собран за полтора месяца, что в полтора раза быстрее прежних нормативов.

Наглядной кульминацией презентации стал живой показ. Гости показа убедились, как агентская система модифицирует реальный корпоративный продукт для процессинга сделок на финансовых рынках. Перед инженерами стояла классическая задача: заменить мгновенное физическое удаление транзакций на безопасный сценарий с логическим статусом «удалено», фильтрацией, аудитом и последующей регламентной очисткой.

Весь путь — от первичного разбора задачи из трекера, генерации сценариев и составления матрицы трассировки до параллельного создания бэкенд-кода на Java, настройки интерфейсов, полного прогона автотестов и слияния с релизной веткой — занял ровно два часа. В результате заказчик получил не просто работающую функцию, но и полный пакет автоматически сформированной документации, готовой к передаче на приемо-сдаточные испытания.

Индустриализация цифрового производства

AI-Driven Digital Q ориентирована в первую очередь на средний и крупный корпоративный бизнес Экосистема платформ разработки позволяет создавать прикладные решения в банковской сфере, ритейле, логистике, системах управления продажами и сервисах технического обслуживания. В качестве независимого промышленного примера спикеры упомянули одного из клиентов — крупную транспортную компанию, которая использует среду для поэтапного импортозамещения зарубежных систем бронирования.

Тарификация решения прозрачна для бизнеса и привязана не к экспериментам, а к реальному экономическому результату: компании оплачивают лицензии и потребляемые вычислительные мощности только тогда, когда созданный сервис выходит в промышленную эксплуатацию. Базовая версия платформы станет доступна корпоративным клиентам для локального развертывания и использования в облаках партнерской сети этой осенью,

Рынок заказной и внутренней разработки постепенно преодолевает стадию хаотичных экспериментов. Опыт внедрения AI-Driven Digital Q показывает, что эпоха ручного кодинга уступает место эпохе высокотехнологичных производственных конвейеров, где во главу угла ставятся четкий регламент, безопасность данных и предсказуемая экономическая отдача.