ТЕХНОНИКОЛЬ проверила ai-native разработку за 90 дней: лицензии без пересборки процессов замедляют на 19%

Что стоит за термином?

AI-native разработка (когда весь рабочий процесс изначально спроектирован для совместной работы людей и ИИ-агентов) не имеет единого стандарта. Генеральный директор ТЕХНОНИКОЛЬ Диджитал Яков Ильиных разделяет два понятия. AI-assisted, это когда модель помогает человеку на отдельных этапах: дополняет код, генерирует тесты. AI-native, это когда требования машиночитаемы, правила формализованы, контекст ограничен правами, изменения проверяются автоматически, а ключевые решения подтверждает человек.

Источник опубликован в корпоративном блоге на Хабре. Ильиных описывает не победный отчёт, а проверяемую гипотезу: положительный результат пилота заранее не объявлен.

Обычная задача, например добавить статус заказа или обновить форму, в таком контуре проходит иначе. ИИ-агент (программа, которая сама выполняет цепочку действий без пошаговых команд человека) изучает постановку, находит связанные компоненты, предлагает план, меняет код, запускает проверки и готовит запрос на слияние. Человек принимает решение и отвечает за результат.

Почему простая раздача лицензий не работает?

Главный аргумент Ильиных опирается на конкретные данные. В 2025 году организация METR провела рандомизированное исследование: 16 опытных разработчиков выполнили 246 задач в знакомых проектах с открытым кодом. Результат: с ИИ-инструментами уровня февраля-июня 2025 года они работали в среднем на 19% медленнее.

При этом после эксперимента те же участники оценивали, что ИИ ускорил их на 20%. Разрыв между ощущением и реальностью составил почти 40 процентных пунктов.

Данные 2026 года, по словам Ильиных, не сняли противоречие. В опросе METR 349 специалистов оценили прирост ценности от ИИ в 1,4-2 раза, но авторы исследования отдельно предупреждают: самооценка не равна измеренной производительности. Продолжение полевого эксперимента с 57 разработчиками и более чем 800 задачами пришлось перепроектировать, потому что участники отказывались работать без ИИ.

Отчёт DORA за 2025 год называет ИИ усилителем организационной системы: он усиливает не только сильные стороны, но и слабые. Раздача лицензий сама по себе ничего не доказывает.

Аргументы за AI-native подход

Ильиных выстраивает пять слоёв корпоративного контура, каждый из которых решает конкретную проблему:

• Шлюз моделей. Все инструменты обращаются к моделям через единую точку. Шлюз выбирает провайдера, маскирует чувствительные данные, ведёт журнал запросов и позволяет заменить модель без остановки процесса. Простые задачи идут в компактные модели, сложные в более мощные.
• Контекст для агента. Агенту нужны не только исходный код и документация. Нужны актуальные требования, схемы данных, граф зависимостей, каталог тестов и история архитектурных решений. RAG (технология поиска по корпоративной базе знаний) ускоряет извлечение, но не заменяет источник истины.
• Формализованные правила (guardrails). Это ограничители, которые работают вне модели: классификация данных, маскирование, контроль маршрута и блокировка запрещённой передачи. Один системный промпт (инструкция, которую модель получает перед каждым запросом) здесь не справится, нужны DLP-системы (системы предотвращения утечек данных) и policy engine (движок политик доступа).
• Автоматическая проверка. Код, сгенерированный агентом, проходит те же тесты и проверки, что и человеческий.
• Человек на ключевых точках. Финальное решение и ответственность остаются за разработчиком.

Если ИИ за минуту написал тысячу строк, а команда два дня их переписывала, выигрыш появился только в презентации. Ильиных сравнивает выбор модели до пересборки процессов с выбором шуруповёрта до проектирования завода.

Аргументы против и честные оговорки

Само исследование METR, на которое опирается Ильиных, фактически работает и против AI-native подхода. Если даже опытные разработчики замедлились с ИИ-инструментами, нет гарантии, что пересборка процессов развернёт этот результат. Ильиных прямо признаёт: он не может подтвердить, что корпоративный AI-native контур гарантированно превращает замедление в ускорение.

Есть и практическая сложность. Контекст российских компаний включает унаследованные системы, 1С, интеграционные шины, закрытые сегменты сети и документацию в жанре «спросите того, кто это писал». Для агента такой контекст просто не существует, пока компания не сделала его доступным и управляемым. Это требует серьёзных вложений до того, как ИИ начнёт приносить пользу.

По данным исследования ИСИЭЗ НИУ ВШЭ 2025 года, из более чем 15 тысяч крупных и средних организаций, уже использующих ИИ, 56% привлекали внешние компетенции, 23% разрабатывали ИИ-решения своими силами, 18% дорабатывали решения с открытым кодом. Единственно верной платформы нет, работает гибридная модель.

Начинать трансформацию с выбора модели столь же странно, как начинать строительство завода с выбора шуруповёрта. : Яков Ильиных, генеральный директор ТЕХНОНИКОЛЬ Диджитал

Почему в России всё сложнее?

На 9 сентября 2026 года Россия отсутствует в официальном списке поддерживаемых стран Anthropic ни для коммерческого API, ни для Claude.ai. Другие зарубежные облачные сервисы также могут быть недоступны или работать с ограничениями.

Это означает, что ai-native разработка в российской компании не может зависеть от одной зарубежной модели или одного поставщика. Шлюз моделей из описания Ильиных становится не архитектурным изыском, а страховкой от внезапной потери доступа.

Для персональных данных граждан РФ необходимо учитывать 152-ФЗ (закон о персональных данных), включая локализацию ряда операций при сборе данных. Конкретный сценарий требует отдельной юридической оценки. Корпоративный контекст, в котором работает агент, может содержать коммерческую тайну, персональные данные, исходный код и сведения об инфраструктуре.

Что делать с этим прямо сейчас, по ролям?

Разработчикам и техлидам. Прежде чем просить бюджет на Copilot или аналог, проверьте: машиночитаемы ли ваши требования, формализованы ли архитектурные правила, есть ли граф зависимостей. Без этого агент будет галлюцинировать (уверенно выдумывать несуществующее) на каждом втором запросе.

Руководителям и предпринимателям в РФ. Закладывайте шлюз моделей с первого дня. Привязка к одному зарубежному API создаёт риск остановки процесса. Из доступных в России вариантов стоит рассматривать YandexGPT, GigaChat, а также модели с открытыми весами (когда параметры модели опубликованы и её можно развернуть на своих серверах), которые можно запускать локально.

Авторам Дзена и маркетологам. Если вы пишете про ИИ в бизнесе, кейс ТЕХНОНИКОЛЬ полезен как шаблон честного разбора: не «мы внедрили и всё ускорилось», а «мы запустили пилот, замеряем, результат пока не объявлен». Такой формат вызывает больше доверия у аудитории, чем победные реляции.

Через полгода мы узнаем, подтвердил ли пилот ТЕХНОНИКОЛЬ гипотезу или опроверг её. Но уже сейчас сам подход, сначала пересобрать процессы, потом подключать модели, потом измерять, выглядит единственным способом не повторить путь тех 16 разработчиков из исследования METR, которые были уверены в ускорении, а на деле потеряли пятую часть скорости.