Будущее ИИ в разработке программного обеспечения

ИИ больше не отдалённая идея. Он уже здесь и меняет способы разработки программного обеспечения. По мере его развития возникают новые вопросы о его влиянии.

Насколько глубоко ИИ будет интегрирован в разработку программного обеспечения? Какие новые возможности откроются для компаний, создающих инструменты на базе ИИ? Возможно, самое главное — как разработчики и ИИ будут взаимодействовать в ближайшие три-пять лет?

В перспективах развития ИИ к 2027 году подчеркивается необходимость практического использования, разработки с учетом специфики предметной области и акцента на реальных результатах, а не на шумихе.

В этой статье мы расскажем о том, как ИИ меняет сферу разработки сегодня, и о его потенциальном влиянии на разработку программного обеспечения в ближайшее десятилетие. Мы подробно рассмотрим проблемы и возможности, которые ждут разработчиков и организации в будущем.

Два возможных варианта будущего

Мы рассмотрим два возможных сценария будущего: в одном случае ИИ коренным образом меняет разработку программного обеспечения, а в другом — ИИ просто улучшает наши текущие практики.

Вот краткий обзор тенденций, за которыми нам следует следить, чтобы знать, к какому будущему мы движемся:

Во-первых, это развитие общего искусственного интеллекта (ОИИ), где машины обретают когнитивные способности, подобные человеческим. Генеральный директор OpenAI Сэм Альтман выразил уверенность в том, что ОИИ не за горами. Однако эксперты, такие как Янн Лекун из Meta, более осторожны, утверждая, что существующие системы пока далеки от этой цели.

На конференции Google I/O 2025 компания Google представила Gemini 2.5 Pro с функцией «Deep Think», а также новые инструменты, такие как AI Mode для поиска и Gemini Flow для создания видео.

С другой стороны, ИИ оптимизирует разработку программного обеспечения благодаря передовым инструментам, которые помогают разработчикам в написании кода и решении проблем. Такие платформы, как GitHub Copilot или JetBrains AI, интегрируют модели различных исследовательских организаций в области ИИ, позволяя разработчикам выбирать наиболее эффективные инструменты ИИ для своих конкретных задач.

Такие инструменты, как JetBrains Junie, Cursor Composer, Codex и Windsurf Flows, позволяют автоматизировать различные задачи на уровне кодовой базы с немыслимой ранее скоростью. Эта интеграция повышает производительность и демократизирует процесс кодирования.

Поскольку ИИ продолжает развиваться, сфера разработки программного обеспечения находится на перепутье между стремлением к созданию ИИ с высокой степенью развитости и расширением человеческих возможностей с помощью инструментов на базе ИИ.

Сценарий 1: Полноценное будущее искусственного интеллекта

По мере того, как технологии всё больше приближаются к уровню AGI, мы начинаем видеть агентов ИИ, которые не просто помогают, но и активно пишут код. Эти системы могут выполнять сложные инженерные задачи, приближаясь по своим возможностям к разработчикам старшего уровня. Ранними примерами являются Devin, который может планировать и выполнять полные рабочие процессы разработки, и Honeycomb, который интегрирует автономных агентов в реальные программные конвейеры. При оценке систем прогресс часто измеряется с помощью бенчмарков, таких как SWE-bench, который фокусируется на решении локальных проблем GitHub. В совокупности эти усилия знаменуют собой появление автономных агентов ИИ, которых мы можем назвать «разработчиками ИИ».

Мы даже можем представить себе, как разработчики ИИ в конечном итоге будут работать в командах, подобно тому, как это делают люди сегодня, где у каждого будет своя специализация (разработка, тестирование, координация проектов и т. д.). Эта идея набирает популярность в исследованиях. В качестве примеров можно привести RepoAgent, который применяет несколько агентов для решения комплексных задач в реальных репозиториях, и AgentCoder, который имитирует совместные роли агентов на протяжении всего рабочего процесса разработки программного обеспечения.

Разработчикам ИИ тоже нужен дом

Разработчикам ИИ потребуется собственная экосистема рабочего пространства. Это не просто теоретическая концепция — это реальная задача, стоящая перед организациями, интегрирующими ИИ в свои процессы разработки.

Эта эволюция будет развиваться естественным образом в течение следующих нескольких лет: от расширенных возможностей машинного обучения в корпоративных средах до полностью настраиваемых решений для разработчиков ИИ. Для некоторых разработчиков ИИ таким «домом» могут стать централизованные облачные платформы.

Для других локальный вывод предлагает альтернативный путь. Такие инструменты, как Ollama, уже позволяют запускать мощные модели непосредственно на потребительском оборудовании. Благодаря квантованию даже модели с более чем 30 миллиардами параметров могут работать локально на мощных графических процессорах, открывая путь к безопасным, преимущественно автономным средам разработки ИИ. Организации, которые распознают этот сдвиг и адаптируются к нему на ранней стадии, получат значительное преимущество в сфере разработки на основе ИИ.

Командам ИИ нужны инструменты

По мере того, как команды разработчиков ИИ (назовём их «командами ИИ») становятся всё более продвинутыми, им потребуются специализированные инструменты для управления каждым этапом рабочего процесса, от написания кода и тестирования до обработки документации и требований. Команда AutoCodeRover была одной из первых, кто продемонстрировал, как продвинутые инструменты значительно упрощают решение задач для агентов. С тех пор мы наблюдаем рост числа сред и платформ для разработчиков ИИ: hide, OpenHands и другие. Команды ИИ, как и люди, полагаются на надёжные интегрированные платформы.

Настоящим прорывом стала бы платформа, предоставляющая моделям ИИ прямой и бесперебойный доступ ко всем необходимым инструментам в едином централизованном пространстве. Такая платформа позволила бы разработчикам ИИ работать так же эффективно, как и людям, в едином интерфейсе, устраняя необходимость в сложных интеграциях.

Ранние усилия в этом направлении включают Computer-Using Agent (CUA) компании OpenAI, который позволяет моделям взаимодействовать с существующим программным обеспечением на рабочем столе, и ComputerUse компании Anthropic, который дает Клоду возможность контролировать полные вычислительные среды.

Оба подхода отражают общую цель: предоставить разработчикам ИИ те же типы цифровых инструментов, которые используют люди.

Людям нужны IDE нового поколения для сотрудничества с командами ИИ

Даже если команды ИИ возьмут на себя всю тяжёлую работу, нам всё равно понадобятся люди для руководства, доработки и утверждения конечного продукта. В этом им помогут IDE нового поколения, которые сократят разрыв между человеческим пониманием и производительностью ИИ.

Фактически, появилась целая новая область исследований, известная как Human-AI eXperience (HAX). Эта область посвящена поиску эффективных способов взаимодействия разработчиков-людей с инструментами ИИ . Вскоре мы столкнёмся с потоком кода, генерируемого ИИ, и нам понадобятся IDE, которые смогут понимать и проверять этот код, пока мы, люди, будем сосредоточены на общих задачах (формулировании требований, визуализации хода проекта и т. д.).

В DST Global мы ищем более эффективные способы взаимодействия человека с системами искусственного интеллекта. Мы следим за развитием событий в этой области и считаем, что такие инструменты, как Claude Code, Warp AI, Gemini CLI, Google Jules, Cursor, Coedium и DevGPT, наглядно демонстрируют изменения в этой области.

Командам ИИ нужна торговая площадка

Поскольку разработчики ИИ создают все больше кода, им понадобится специальная торговая площадка — центральный узел для хранения, поиска и повторного использования кода, сгенерированного ИИ (вроде GitHub для агентов ИИ).

Существующие платформы не предназначены для такого использования. Они предполагают наличие человеческого намерения, ручную проверку и медленные циклы обратной связи. Для рынка, ориентированного на ИИ, потребуются другие основы, такие как встроенная «песочница» для безопасного тестирования неизвестных предложений, автоматизированные конвейеры проверки совместимости и качества, а также метаданные, призванные помочь разработчикам ИИ понимать, оценивать и выбирать то, что им нужно.

Без этих функций повторное использование становится рискованным и неэффективным. Благодаря им команды ИИ могут работать быстрее, безопасно взаимодействовать и постоянно совершенствовать общие ресурсы.

ИИ столкнется с регулированием

Обучение работе с ИИ необходимо не только разработчикам. Юристам и политикам также придётся освоить азы.

Первая проблема — безопасность. Очевидно, что ИИ не застрахован от ошибок, и эти ошибки могут привести к реальному ущербу. Исследования показали, что надёжный код ИИ может появиться ещё очень нескоро. В обозримом будущем нам следует относиться к коду, сгенерированному ИИ, с такой же тщательностью, как, например, к беспилотным автомобилям. Формальные аудиты и сертификация обязательны.

Во-вторых, распространённость ИИ может поднять новые вопросы об интеллектуальной собственности и её определениях . Например, когда мы используем общедоступный код для обучения моделей, нарушаем ли мы права авторов? Недавние судебные иски, такие как иски против GitHub Copilot и Open AI, заставляют нас задать этот вопрос.

Это открывает большие возможности для компаний, разрабатывающих инструменты для проверки и сертификации кода, созданного ИИ. Инструменты, способные идентифицировать код, созданный ИИ, выявлять потенциальные риски и одобрять его, защитят пользователей и укрепят доверие.

Программное обеспечение может выглядеть по-другому изнутри

Разработчики ИИ могли бы в конечном итоге обучаться, изучать и развивать свои шаблоны кодирования посредством бесчисленных итераций проб и ошибок. Первые работы в этом направлении появились в 2022 году, включая такие проекты, как CodeRL, которые применяли обучение с подкреплением для оптимизации генерации кода на основе обратной связи по выполнению. Хотя код по-прежнему мог быть написан на привычных языках, таких как Java или Kotlin, его структура могла быть оптимизирована исключительно для машинной эффективности, а не для удобства чтения человеком.

Ещё более пугающая мысль заключается в том, что мы можем столкнуться с новыми языками программирования, которые не следуют ни одному из шаблонов, знакомых нам, людям, поскольку они были разработаны исключительно для разработчиков ИИ. Это не научная фантастика — это новый рубеж в разработке программного обеспечения, где ИИ может писать код, по сути, неузнаваемый нами.

Как отмечает Эрик Мейер в своей статье ACM, вскоре нам, возможно, придётся смириться с миром, в котором код в первую очередь служит машинам, а люди полагаются на метаинструменты для проверки и корректировки результатов. Результат? Более быстрые и эффективные бизнес-системы, даже если нам потребуются новые абстракции для понимания того, что происходит «под капотом».

Программное обеспечение может выглядеть одинаково, но разработчики ИИ выбирают свои любимые

В эпоху искусственного интеллекта успех языка может зависеть скорее от его доступной кодовой базы, чем от элегантности синтаксиса. Это простая математика: чем больше примеров кода доступно, тем лучше ИИ может понимать этот язык и генерировать на нём код.

Это создаёт уникальную возможность подготовить языки программирования к внедрению искусственного интеллекта. Цель — не заменить языки программирования, а развить их для этого нового совместного будущего.

Такие языки, как Rust, с строгими гарантиями безопасности памяти, или Dafny, поддерживающий формальную верификацию, обладают ценными свойствами в ситуациях, когда важна надёжность. Другие, например, Julia, хорошо масштабируются для числовых задач и задач с большим объёмом данных, что делает их привлекательными для рабочих процессов ИИ. Гонка за звание предпочтительного языка программирования для ИИ только начинается.

Проблема унаследованного кода

Давайте поговорим о слоне в комнате: устаревшем коде. Хотя все в восторге от ИИ, создающего новые приложения, есть реальность стоимостью в триллионы долларов, которую мы не можем игнорировать. Наш мир управляется огромным количеством кода, и он никуда не денется.

Реальная возможность здесь кроется в создании интеллектуальных решений для обслуживания, способных решать задачи корпоративного масштаба. В качестве примеров можно привести инструменты, которые помогут модернизировать устаревшие кодовые базы, автоматически предлагать обновления библиотек и предоставлять глубокий анализ миллионов строк кода.

Сценарий 2: ИИ как усилитель

В этом более консервативном видении будущего ИИ не заменяет разработчиков, а даёт им новые возможности и трансформирует инструментарий, которым они пользуются. Разработчики сохраняют полный контроль, а ИИ лишь способствует резкому росту их производительности.

Развитие поддержки ИИ за пределами кодирования

В будущем такие задачи, как отладка, профилирование и настройка сред разработки, вероятно, станут частично или полностью автоматизированными. До сих пор автоматизация была направлена в основном на ускорение самого процесса кодирования. Следующее поколение инструментов ИИ, вероятно, будет решать более широкий спектр задач, таких как поиск ошибок и оптимизация производительности.

Однако даже при автоматизации этих задач разработчики-люди по-прежнему будут играть решающую роль в проверке и верификации работы ИИ. Задача заключается в создании инструментов, которые помогут в выполнении этих задач и укрепят доверие, позволяя разработчикам быстро подтверждать правильность и полезность действий ИИ.

Разработчики ИИ как часть человеческих команд

Команды разработчиков уже движутся к привлечению ИИ в качестве активного участника. Первые признаки этого можно увидеть в таких инструментах, как боты GitHub, которые устраняют уязвимости без участия человека. Вскоре ИИ-агенты смогут взять на себя повседневные задачи, такие как решение проблем, обновление документов и наведение порядка в кодовых базах.

Такой сдвиг позволяет разработчикам уделять больше времени сложной творческой работе, в то время как ИИ занимается рутинным обслуживанием.

IDE, адаптированные для работы с разработчиками ИИ

Этот сдвиг уже происходит. По мере того, как ИИ присоединяется к командам разработчиков, разработчикам-людям понадобятся инструменты для управления этими новыми цифровыми коллегами. Это означает назначение задач, отслеживание прогресса и проверку результатов — всё это в IDE.

Новые, удобные интерфейсы помогут разработчикам видеть, над чем работает каждый агент, проверять списки задач и отвечать на вопросы. По мере того, как ИИ выполняет всё больше обновлений и обслуживания, эти инструменты, напоминающие инструменты менеджера, станут незаменимыми. Как и любой член команды, ИИ может обратиться за помощью при необходимости.

ИИ-помощники за пределами развития

Что, если бы у каждого участника процесса разработки (менеджера по продукту, инженера по контролю качества, команды DevOps и других) был свой собственный ИИ-помощник? Похоже, мы уже движемся в этом направлении: появляются стартапы, предлагающие помощь с использованием ИИ для специалистов, не относящихся к традиционной разработке ПО.

Конечная цель? Меньше времени на выполнение рутинных задач и больше времени для сосредоточения людей на стратегической работе, анализе результатов и принятии ключевых решений.

Здесь кроется огромный неиспользованный потенциал для повышения производительности. Сейчас самое время начать изучать потребности каждого специалиста в ИИ-помощнике и запустить несколько прототипов.

Помощники ИИ в качестве технических руководителей

Совсем скоро ИИ-помощники смогут выступать в роли «технических руководителей», готовых ответить на любые ваши вопросы по проекту. Магистры права (LLM) уже могут отвечать на общие вопросы и давать советы по конкретным разделам кода, но пока только в рамках узкоспециализированного контекста, заданного в подсказке.

По мере развития этих моделей они смогут использовать всю кодовую базу, историю разработки проекта, проблемы из трекера, чаты команды и всю документацию.

ИИ нужен контроль

По мере того, как ИИ генерирует всё больше кода, нам потребуются способы его отслеживания, проверки его качества и обеспечения корректной работы. Простой проверки кода, сгенерированного ИИ, будет недостаточно для гарантии его надёжности. Одним из вероятных решений является внедрение тегов на уровне Git для обозначения кода, сгенерированного ИИ, что упростит отслеживание и управление им на протяжении всего жизненного цикла.

Это лишь часть картины. Нам также понадобятся инструменты, специально разработанные для тестирования и аудита кода, написанного машинами. Такие платформы, как SonarQube, уже развиваются, поддерживая более автоматизированные проверки качества, а усилия по созданию фреймворков валидации с учётом политик набирают обороты.

В перспективе компании, работающие в этой области, могут помочь нам в формировании методов стандартизации, отслеживания и сертификации кода, генерируемого ИИ. Также появляются более широкие нормативные инициативы, такие как Закон ЕС об ИИ и рекомендации Национального института стандартов и технологий США (NIST), которые подчёркивают прозрачность, подотчётность и прослеживаемость как важнейшие принципы ответственного использования ИИ при разработке программного обеспечения.

Образование с использованием искусственного интеллекта

По мере того, как ИИ меняет подход к разработке, наш подход к обучению программированию должен идти в ногу со временем. Представьте себе, как начинающие разработчики учатся не просто программировать, а программировать в среде, улучшенной ИИ, которая имитирует реальную разработку. Интегрируя ИИ в обучение программированию, мы можем помочь новичкам быстрее и естественнее осваивать инструменты, подготавливая их к успешному использованию технологий, которые они будут использовать.

Подведение итогов: будущее, основанное на искусственном интеллекте, неизбежно

Разработчики DST Global рассмотрели текущие тенденции в области ИИ, влияющие на разработку программного обеспечения, и рассмотрели два совершенно разных сценария развития событий с использованием ИИ. Независимо от того, что готовит будущее, ясно одно: ИИ превратится из помощника, оказывающего поддержку, в активного участника процессов кодирования, тестирования и анализа. Этот сдвиг создаст новые роли для разработчиков: проводников и рецензентов, тесно взаимодействующих с агентами ИИ.

По мере того, как ИИ автоматизирует всё больше рутинной работы и получает более богатый контекст проекта, нам понадобятся новые интерфейсы, надёжные инструменты верификации и адаптируемые рабочие процессы. Подготовка к такому будущему подразумевает развитие машинного обучения, эксперименты с интерфейсами и углубление интеграции ИИ. Спасибо, что присоединились к нам в этом исследовании!