Искусственный интеллект в промышленной разработке: от гипотез к практике Дмитрий Архипов технический директор направления промышленной автоматизации АО "Айсорс" © ComNews 24.11.2025 Российский рынок корпоративного искусственного интеллекта переживает период активного роста. Драйверов несколько — это рост сложности задач бизнеса, необходимость оптимизации для рентабельности, кадровый аспект (увеличение зарплат, нехватка персонала для рутинных и операций, требующих высокой квалификации), рост регуляторных требований и ограничений. Алексей Каляганов, руководитель направления эффективности разработки АО "Айсорс"Исследования показывают1, что около 80% организаций изучают возможность применения ИИ-инструментов, и только 40% сообщают о завершенных внедрениях. Разрыв между интересом и реальным применением указывает на основную проблему: компании испытывают сложности с интеграцией ИИ в процессы и инфраструктуру. Самое широкое применение ИИ-инструменты получили в ИТ: здесь эффекты более наглядны, инженеры-разработчики привыкли к динамичным изменениям и лучше адаптируют новые инструменты к решению задач. Мы выбрали стратегию поэтапного внедрения ИИ в работу: эксперименты и проработка гипотез; создание первых ИИ-агентов для команд разработки; оптимизация технических решений и подходов внедрения; масштабирование технологий, опыта и организационных изменений на все процессы. Такой подход позволил сформировать новую рабочую культуру и создать три полноценных ИИ-агента, уже работающих в промышленном контуре. В этом материале мы делимся практическим опытом, конкретными результатами и технологическими решениями. Как выстроить внедрение: внимание к людям и процессу Мы столкнулись с типичным набором рисков при изменениях в крупной компании. Это безопасность данных, сопротивление сотрудников, инфраструктурные ограничения и главное — сложность в оценке реальной эффективности внедрения. Каждая компания решает эти проблемы по-своему. Мы применили классический продуктовый подход с HADI-циклом: сбор гипотез, их изучение и прототипирование, анализ результата, масштабирование успешно подтвержденных гипотез. Первым шагом стала подготовка внутренней аудитории. Мы организовали митап, на котором все подразделения разработки представили доклады о текущем использовании ИИ-инструментов. Большинство выступлений подтверждали пользу технологии, но один доклад вызвал дискуссию: разработчик показывал случаи, когда нейросети выдавали нерелевантные ответы и не могли заменить человека в сложных задачах. Обсуждение продолжалось еще несколько дней после митапа. В итоге мы получили именно то, что планировали: подготовленную среду для внедрения, преодолели первичное сопротивление и открылись для экспериментов в рамках разработки. Мы провели опросы в командах и выявили точки роста производительности. Затем сформировали гипотезы, ранжировали их по приоритету и выбрали наиболее подходящие для пилотирования. Фокус сделали на разработке ИИ-агентов — этот паттерн показал наибольшую эффективность применения в последнее время. Во время пилотирования мы собирали обратную связь и метрики, на основе которых принимали решение о переводе агента в продакшен или о переходе к следующей гипотезе. Три ИИ-агента в продакшене ИИ-аналитик разработки Первым успешным кейсом стал ИИ-аналитик метрик разработки. Мы уже давно собираем метрики разработки команд и строим дашборды эффективности для тимлидов и владельцев продуктов. Проблема заключалась в растущей сложности дашбордов — со временем они становились перегруженными, возникала вероятность пропустить важные сигналы и тренды. Мы создали ИИ-агента, который выполняет несколько задач: анализирует обычные и составные метрики, коэффициенты, составляет рекомендации, подсвечивает тренды, формирует долгосрочные прогнозы и генерирует отчеты. Отчеты регулярно создаются агентом и рассылаются всем заинтересованным сотрудникам. Мы на 90% сократили время анализа дашбордов и существенно снизили риск пропуска опасных трендов. ИИ-ревьюер кода Второй вопрос касался редких специалистов, работающих со специфической кодовой базой в единственном лице, или ситуаций, когда все коллеги, кроме одного, уходят в отпуск. Оставшийся сотрудник работает в изоляции и лишен возможности получить квалифицированное код-ревью. ИИ-ревьюер кода стал решением этой задачи. Агента можно настраивать под специфические требования команды: стиль кода, лучшие практики, контекст используемого стека технологий. В результате внедрения мы улучшили время код-ревью на 30% на некоторых проектах. В дополнение к этому мы получили приятный бонус — количество багов снизилось. ИИ-тестировщик Третий агент работает в области тестирования. Это одно из самых перспективных направлений для применения ИИ в отрасли. У тестировщика есть контекст в виде функциональных и нефункциональных требований плюс код системы. Этот же контекст можно предоставить агенту: он способен связать все элементы и создать тест-сценарии с высоким процентом покрытия, эффективно находить граничные случаи работы системы. Наш ИИ-тестировщик получает задачу из таск-трекера, выбирает подходящие техники тест-дизайна и создает тестовые сценарии, максимально покрывающие функциональность. Результат: ускорение создания тест-кейсов в два раза, стандартизация тест-сценариев и улучшение покрытия тестирования. За период внедрения ИИ-решений мы сократили среднее время выполнения задач на 15%, количество ошибок в отдельных командах снизилось на 25-30%. Планы развития DevOps, база знаний, поддержка решений и HR — это области знаний и процессов, которые мы видим перспективными для внедрения ИИ, и в ближайшем будущем начнем работать над этим. Внедрение технологии RAG позволит решить задачи по передаче знаний, ускорению онбординга, автоматизации рутины: ИИ эффективно объясняет особенности работы систем, используя документацию, выдает нужные справки и рекомендации по интеграции. Мы хотим добиться синергии в связке "команда — ИИ — команда". Технологические вызовы и решения Новый тренд ИИ открывает большие возможности, но вместе с этим формирует серьезный технологический вызов. При внедрении важно поставить кибербезопасность на первое место, определить контуры применения ИИ и решить, какие данные можно обрабатывать за пределами инфраструктуры, а какие не должны покидать ее периметр. Мы с особым вниманием подошли к настройке аудита и логирования ИИ-систем и агентов. Полная картина происходящего и постоянный анализ критически важны для улучшения эффективности и безопасности решений. Мы должны видеть все, что происходит с нашими данными, и понимать, как ИИ-агенты принимают решения. Работа с большой языковой моделью (БЯМ) Развертывание и поддержка собственных БЯМ требует значительных инвестиций в инфраструктуру. Разделив данные на критичные и некритичные, мы смогли применить гибридную модель. Для некритичных данных мы используем облачные отечественные БЯМ от известных поставщиков. Мы довольны их качеством и производительностью. Для критичных данных мы используем несколько моделей, развернутых в периметре. Сейчас это полностью закрывает наши потребности. Такой подход позволил соблюсти требования к надежности и безопасности данных, одновременно сохранив гибкость и доступ к современным технологиям. Платформа разработки ИИ-агентов На начальном этапе мы столкнулись с проблемой выбора инструментов для создания, запуска и мониторинга ИИ-решений. Попробовали все популярные платформы. Большинство из них не являются отечественными, предоставляют ограниченный функционал в доступных для нашего рынка версиях или имеют юридические ограничения на применение. В ходе прототипирования и отладки первых ИИ-агентов мы, по сути, собрали собственную конфигурацию доступных к применению решений, а там, где чего-то не хватало, — дописали сами. Так у нас появилась собственная ИИ-платформа разработки. Теперь мы будем создавать на ней еще много ИИ-агентов. Создание собственной платформы решило сразу несколько задач: обеспечило технологическую независимость, дало полный контроль над процессами разработки и открыло возможности для монетизации наработанных решений. На заметку Компаниям, которые раздумывают о внедрении ИИ в процессы или стоят в начале пути, хочется дать совет. Помните: ИИ — это средство усиления ваших сотрудников, с его помощью вы одновременно и обучите новых сотрудников, и повысите эффективность уже работающих. Комбинация нескольких ИИ-агентов в будущем сможет обеспечить создание виртуального ИИ-сотрудника. Внедряйте решения постепенно, анализируйте результат, фокусируйтесь на своих реальных проблемах. И если еще не начали — начинайте прямо сейчас. Наш опыт показывает, что успешное внедрение ИИ в российских условиях требует сбалансированного подхода. Технологические решения должны сочетаться с грамотной работой с персоналом, четким пониманием приоритетов безопасности и готовностью к итеративному развитию. Source: https://www.comnews.ru/content/242323/2025-11-24/2025-w48/1013/iskusstvennyy-intellekt-promyshlennoy-razrabotke-gipotez-k-praktike