LLM даёт лишь 2% результата разработки: почему 98% зависят от «обвязки»

Тезис «98 против 2» озвучил Александр Сахаров, директор по работе с технологическими партнерами и член правления «Диасофт», ссылаясь на доклад Кирилла Меньшова на конференции ЦИПР (AI Disrupts SDLC), данные Anthropic, консалтинговых компаний и годовые наблюдения Сбербанка за своими командами. Суть: модель подобна трактору, она мощная, но без водителя, механика, агронома и гаража наломает дров. В американской терминологии процессную обвязку называют harness, Сбербанк использует термин integrated development platform, «Диасофт» говорит об экосистеме разработки (development ecosystem).

Почему голая LLM не справляется с корпоративным кодом?

Для «свадебного сайта» хватит одного промпта (текстовой команды для нейросети). Но у компаний из топ-1000, по словам Сахарова, требования другие:

• Документирование по стандартам.
• Контроль информационной безопасности.
• Сертификация ФСТЭК отдельных подсистем (например, управления ролевым доступом).
• Постановка продукта в реестр российского ПО.
• Прохождение ГОСТа по безопасной разработке.

Если отдать задачу голой LLM, она напишет подсистему с нуля, вместо того чтобы взять готовый сертифицированный модуль. Чтобы этого не случилось, нужны сотни инструкций, сгруппированных по двум десяткам направлений: информационная безопасность, масштабируемость, работа с данными и требованиями, архитектура, сборка, интеграционные, нагрузочные и регрессионные тесты, обратная совместимость, контроль юнит-тестов.

Факт, который легко упустить в разговоре об LLM-разработке: токены (единицы текста, за которые платит разработчик при каждом обращении к модели) расходуются мгновенно. По словам Сахарова, без ограничений модель способна по ходу дела создать СУБД, переписать операционную систему и потратить бюджет, а вернуть токены уже нельзя.

Что понадобится

• Доступ к LLM. Закрытая модель (доступная только через API провайдера: ChatGPT, Claude, GigaChat) или открытая модель с открытыми весами (когда параметры нейросети можно скачать и запустить на своём сервере) для локального развёртывания.
• Среда разработки с ИИ-ассистентом. Copilot, Cursor, Cline или аналог. В России доступны GigaCode от Сбера, а также средства внутри экосистемы «Диасофт» Digital Q.
• Набор инструкций (системных промптов). Текстовые правила, которые задают модели рамки: какие модули брать готовыми, какие стандарты соблюдать, что запрещено генерировать с нуля.
• Контрольные точки (квалити-гейты). Автоматические или ручные проверки на каждом этапе: безопасность, соответствие ГОСТу, архитектурная целостность.
• Команда. Аналитики, архитекторы, тестировщики, DevOps-инженеры. LLM не заменяет их, а работает внутри их процесса.
• Время. Полный перевод разработки на агентную схему у «Диасофт» занял шесть месяцев силами команды из двадцати человек.

Пошаговая инструкция: как встроить LLM в корпоративную разработку

1. Опишите ограничения до первого промпта. Составьте перечень модулей, которые модель не должна генерировать с нуля (сертифицированные компоненты, модули из реестра ПО). Оформите это как системный промпт (постоянную инструкцию, которая действует при каждом обращении к модели):

Системный промпт (фрагмент):
Подсистему управления ролевым доступом НЕ пиши с нуля.
Используй модуль access-control из репозитория /certified/fstec/.
Все изменения в модуле безопасности требуют ручного ревью архитектора.

1. Сгруппируйте инструкции по направлениям. По опыту «Диасофт», направлений около двадцати: информационная безопасность, архитектура, тестирование, работа с бизнес-требованиями и так далее. Каждое направление получает свой набор правил.

2. Выстройте цепочку ИИ-агентов. Первый агент принимает требования и передаёт задачу дальше. Следующие агенты уточняют бизнес-процессы, прорабатывают безопасность, создают тестовые сценарии, прогоняют через DevOps (автоматизированный конвейер сборки, тестирования и доставки кода). На каждом переходе стоит квалити-гейт.

3. Поставьте контроль расхода токенов. Ограничьте бюджет на один запуск цепочки, логируйте, сколько токенов съел каждый шаг. Без лимита модель может потратить ресурсы на ненужные действия.

4. Решите вопрос вендорной зависимости. Тим Зинин, управляющий партнёр компании «Зинин, Штурбин и партнёры», предупреждает: готовый харнес (обвязка) от внешнего поставщика часто не позволяет выполнить нужные действия, модель может переключиться с мощной версии на упрощённую без предупреждения. Для корпоративных задач в России, где доступ к ряду западных сервисов ограничен, это не теория, а ежедневная проблема. Рассмотрите опенсорсные (с открытым кодом) инструменты с возможностью доработки или отечественные платформы.

5. Проведите пилот на одном проекте. Не переводите всю разработку разом. Возьмите один набор требований, прогоните через цепочку агентов, замерьте результат: соответствие ГОСТу, количество ручных правок, расход токенов.

Что делать с этим прямо сейчас, по ролям

Разработчику или тимлиду. Начните не с выбора модели, а с описания ограничений: какие модули нельзя генерировать, какие стандарты обязательны. Этот список инструкций и есть ядро LLM-разработки в корпоративном контексте.

Руководителю или предпринимателю в РФ. Если ваш продукт должен соответствовать ГОСТам, попасть в реестр ПО или пройти сертификацию ФСТЭК, закладывайте бюджет не на модель, а на обвязку. По опыту «Диасофт», это шесть месяцев работы команды из двадцати человек.

Автору Дзена или маркетологу. Принцип «2% модель, 98% обвязка» работает и для контента. Нейросеть выдаёт черновик, но без редполитики, фактчека, стилевых инструкций и ручного контроля результат непригоден для публикации. LLM-разработка контента устроена по тем же правилам, что и LLM-разработка кода.

Главный вывод прост и неудобен: покупка ИИ-ассистента без процесса вокруг него это покупка трактора без поля, водителя и дороги до участка. Начните с обвязки, модель подождёт.