Ещё недавно искусственный интеллект в разработке воспринимался преимущественно как помощник: подсказать синтаксис, написать небольшой фрагмент кода, объяснить ошибку или предложить вариант решения. Сейчас ситуация изменилась. AI-ассистенты способны создавать целые функции и модули, генерировать тесты, проводить рефакторинг, работать с несколькими файлами и даже самостоятельно выполнять последовательность инженерных задач. Для бизнеса это выглядит как возможность ускорить разработку и снизить стоимость отдельных операций. Но вместе с ростом возможностей появляется вполне закономерный вопрос: если код написал искусственный интеллект, кто отвечает за то, что он работает правильно, безопасно и не создаёт проблем при дальнейшем развитии продукта?
На российском рынке этот вопрос уже перестал быть теоретическим. По данным совместного исследования Yandex B2B Tech и Университета ИТМО, опубликованного в сентябре 2025 года, 75% опрошенных разработчиков активно используют AI-ассистентов для написания кода и работы с документацией. При этом среди причин отказа от таких инструментов респонденты называли низкое качество сгенерированного кода, дополнительное время на его проверку и риск утечки данных. Только 6% участников исследования считали, что AI способен полностью автоматизировать разработку, тогда как большинство ожидало от него частичной помощи в рутинных задачах.
Источник — исследование Yandex B2B Tech и ИТМО.
Мы в GreenCore считаем, что главный вопрос сегодня заключается не в том, может ли нейросеть писать код. Может, и делает это всё лучше. Вопрос в том, как встроить AI в инженерный процесс, не потеряв контроль над качеством, безопасностью и архитектурой продукта. Искусственный интеллект может быть полноценным инструментом разработки, но он не становится владельцем программного решения. Ответственность за результат по-прежнему лежит на людях и компании, которые принимают код, выпускают его в продуктивную среду и обязуются поддерживать систему.
Распространение AI-инструментов в российской разработке происходит достаточно быстро. По данным РУССОФТ, доля отечественных софтверных компаний, использующих генеративный искусственный интеллект при разработке ПО, выросла с 24,9% в 2023 году до 45,4% в 2024 году. При этом объём работ, выполненных с применением генеративного AI, в пересчёте на трудозатраты увеличился более чем в десять раз — с эквивалента 1,7 тыс. до 19,5 тыс. человеко-лет. Важно, что речь идёт об оценке объёма выполненных задач, а не о фактическом сокращении такого количества сотрудников.
Эти показатели демонстрируют, что AI постепенно становится частью производственного процесса, а не просто экспериментальным инструментом отдельных разработчиков. Компании используют его для генерации кода, подготовки тестов, анализа документации, рефакторинга и ускорения работы с существующими системами. Однако рост объёма задач, выполняемых с помощью AI, сам по себе не означает пропорционального повышения качества программного обеспечения. Скорость создания кода и качество конечного продукта — разные показатели, и смешивать их опасно.
Исследование Yandex B2B Tech и ИТМО также показало, что половина опрошенных компаний готова менять платформы разработки ради расширенной функциональности и встроенных AI-инструментов, а 90% планируют инвестировать в такие платформы. При этом российские решения вызывают интерес у участников исследования в том числе благодаря вопросам безопасности и независимости от зарубежных поставщиков. Это важная особенность локального рынка: при выборе инструмента компании оценивают не только его производительность, но и возможность использовать его в корпоративном контуре без неконтролируемой передачи исходного кода и внутренних данных.
Проблема качества при этом не уникальна для России. В октябре 2025 года в журнале ACM Transactions on Software Engineering and Methodology вышло исследование уязвимостей кода, созданного GitHub Copilot на основе реальных проектов GitHub. Авторы изучали, какие проблемы безопасности могут попадать в кодовые базы при использовании AI-ассистента, и пришли к выводу, что такие изменения требуют отдельного внимания при проверке. Другая работа, представленная на симпозиуме IEEE по надёжности программного обеспечения в 2025 году, охватила более 500 тысяч образцов кода на Python и Java. Исследователи обнаружили различия в профилях дефектов человеческого и AI-кода, включая повышенную представленность некоторых высокорисковых уязвимостей в сгенерированных фрагментах.
Исследование ACM и исследование IEEE.
Это не означает, что AI-код заведомо хуже написанного человеком. Он может быть корректным, лаконичным и хорошо покрытым тестами. Но внешняя убедительность результата не гарантирует, что он соответствует архитектуре проекта, учитывает все ограничения предметной области или безопасно обрабатывает нестандартные ситуации. Нейросеть может предложить решение, которое работает на типовом примере, но ломается при необычном наборе входных данных. Может использовать устаревший подход, добавить ненужную зависимость или реализовать собственный механизм авторизации там, где в проекте уже существует проверенный корпоративный компонент.
Поэтому мы считаем, что российским компаниям нужно переходить от вопроса «разрешать ли разработчикам пользоваться AI?» к вопросу «какие правила должны обеспечивать качество кода, созданного с его помощью?». Полный запрет на AI в большинстве случаев означает отказ от полезного инструмента. Полное доверие к результатам генерации — отказ от инженерного контроля. Зрелая модель находится между этими крайностями.
Есть задача на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR? Создайте тендер и выберите подходящего исполнителя из откликов.
Заполнить заявку
13847 тендеров
проведено за восемь лет работы нашего сайта.
Одна из главных ошибок при внедрении AI в разработку — оценивать результат по принципу «собралось и работает». Для небольшого скрипта или внутреннего прототипа этого иногда достаточно. Но в корпоративной системе требования значительно шире: код должен соответствовать архитектуре, корректно взаимодействовать с другими компонентами, выдерживать ожидаемую нагрузку, безопасно работать с данными и оставаться понятным для тех, кто будет его сопровождать.
Представим, что разработчику нужно добавить новый механизм обработки заявок. AI генерирует функцию, которая успешно проходит несколько ручных проверок. На первый взгляд задача решена. Но в реальной эксплуатации может выясниться, что функция не учитывает повторную отправку запроса, некорректно обрабатывает параллельные операции, допускает доступ к данным без достаточной проверки прав или создаёт дублирующиеся записи. Формально код выполняет поставленную задачу, но не соответствует требованиям надёжности системы.
Есть и менее очевидная проблема — архитектурная совместимость. AI обычно работает с контекстом, который ему предоставили, и не всегда способен увидеть все скрытые зависимости большого проекта. Он может предложить решение, которое локально выглядит логичным, но противоречит принятым соглашениям, дублирует существующую функциональность или нарушает границы между компонентами. Если такие изменения регулярно принимать без проверки, архитектура постепенно начинает терять целостность. В результате команда получает систему, которую всё сложнее развивать, несмотря на то что отдельные фрагменты кода выглядят вполне качественно.
Отдельного внимания заслуживает безопасность. При генерации кода AI может использовать небезопасные способы обработки пользовательского ввода, некорректно работать с токенами и секретами, предлагать неподходящие механизмы шифрования или подключать сомнительные зависимости. В корпоративных продуктах подобные ошибки могут привести не просто к техническому дефекту, а к утечке информации, нарушению доступа к данным или компрометации инфраструктуры.
В российском контексте добавляется ещё один уровень ответственности — работа с персональными данными, коммерческой тайной и внутренним исходным кодом. Если разработчик передаёт фрагменты корпоративного проекта во внешний AI-сервис, необходимо понимать, где обрабатывается информация, какие условия хранения и использования данных применяются, кто имеет к ним доступ и допускается ли такая передача внутренними политиками компании. Требования к обработке персональных данных и трансграничной передаче информации также нельзя игнорировать только потому, что запрос отправляется через инструмент разработки.
Наконец, существует риск постепенной потери инженерной самостоятельности. Если разработчик регулярно принимает предложения AI, не разбираясь в логике их работы, команда может ускорить производство кода, но одновременно ослабить способность самостоятельно находить ошибки и оценивать технические решения. Особенно это опасно, когда начинающие специалисты используют генерацию как замену изучению фундаментальных принципов программирования. В результате старшие инженеры получают не меньше работы, а больше: им приходится проверять решения, которые автор изменения сам не всегда способен объяснить.
Таким образом, качественный AI-код — это не код, который просто выполняется. Это код, который решает поставленную задачу, соответствует архитектуре, проходит необходимые проверки, не создаёт неприемлемых рисков и может безопасно сопровождаться в будущем.
В подходе CTO GreenCore ключевой принцип заключается в том, что AI должен встраиваться в существующую инженерную дисциплину, а не создавать отдельный упрощённый путь попадания кода в продуктивную среду. Если изменение создано нейросетью, оно не должно получать послаблений при проверке. Наоборот, в некоторых случаях к нему стоит применять дополнительные требования, особенно если речь идёт о безопасности, критичных бизнес-процессах или архитектурно значимых компонентах.
Первый шаг — определить правила использования AI. В компании необходимо зафиксировать, какие инструменты разрешены, для каких задач их можно применять, какие данные допустимо передавать в запросах и какие изменения требуют обязательного участия старшего инженера. Например, генерация шаблонного кода, документации или тестовых данных может иметь один уровень контроля, а работа с авторизацией, платёжной логикой, персональными данными и криптографией — совершенно другой. Такой подход позволяет не запрещать полезные сценарии, но ограничивать применение AI там, где цена ошибки особенно высока.
Второй шаг — сохранить персональную ответственность за каждое изменение. У любой задачи, попадающей в основную кодовую базу, должен быть конкретный разработчик, который понимает, что именно было создано, зачем это нужно и какие последствия может иметь изменение. Он должен быть способен объяснить логику решения, проверить его поведение и ответить на вопросы при code review. Формулировка «это написал AI» не может служить оправданием для отсутствия понимания. Если специалист не способен объяснить сгенерированный фрагмент, значит, он ещё не готов принимать его в проект.
Третий шаг — сделать автоматические проверки обязательной частью процесса. Сгенерированный код должен проходить те же этапы CI/CD, что и написанный вручную: сборку, статический анализ, тестирование, проверку зависимостей и анализ безопасности. Для критичных компонентов могут потребоваться дополнительные проверки, включая нагрузочные тесты, анализ прав доступа и ручной аудит. При этом AI может помогать создавать тесты или искать потенциальные дефекты, но его собственная оценка не должна заменять независимые механизмы контроля. Если нейросеть написала код и сама же заявила, что он корректен, это ещё не является доказательством качества.
Четвёртый шаг — контролировать архитектурную совместимость. CTO и ведущие инженеры должны обеспечить, чтобы AI-инструменты получали актуальный контекст проекта: правила разработки, принятые архитектурные решения, описание основных компонентов и ограничения на использование отдельных библиотек. Но одного контекста недостаточно. Важно проверять, не нарушает ли новое изменение архитектурные границы, не дублирует ли существующие механизмы и не создаёт ли лишних зависимостей. Для этого полезны архитектурные проверки в CI/CD, анализ связности компонентов и регулярное ревью значимых изменений.
Пятый шаг — оценивать не объём сгенерированного кода, а эффект для разработки. Если после внедрения AI команда стала создавать больше строк кода, но одновременно увеличились количество дефектов, время исправлений и стоимость сопровождения, говорить об улучшении производительности преждевременно. CTO должен смотреть на полный цикл: сколько времени занимает реализация задачи, сколько изменений проходит проверку с первого раза, как часто возникают откаты, сколько дефектов обнаруживается после релиза и сколько ресурсов уходит на поддержку. Только такая оценка показывает, действительно ли AI ускоряет разработку, а не переносит затраты с написания кода на его последующую проверку.
Этот подход согласуется и с рекомендациями OWASP SAMM по AI-assisted development. Организация отдельно подчёркивает необходимость управлять использованием AI, обучать разработчиков проверке его результатов, сохранять человеческое утверждение изменений и внедрять детерминированные проверки в конвейер сборки. В рекомендациях также отмечается, что ответственность за безопасность и качество поставляемого программного обеспечения остаётся на стороне организации и исполнителя, даже если при разработке использовались AI-инструменты.
На этот вопрос нельзя ответить одним должностным названием. Ответственность распределяется по уровням, и каждый из них должен выполнять свою функцию. Разработчик отвечает за конкретное изменение: он должен понимать сгенерированный код, проверить его корректность и не передавать в основную ветку решения, которые сам не способен обосновать. Code reviewer отвечает за независимую оценку изменений в рамках своей компетенции. Технический руководитель отвечает за стандарты качества, архитектурную целостность и организацию процесса проверки. CTO определяет общие правила применения AI, допустимый уровень риска и механизмы контроля. Компания как поставщик или владелец продукта отвечает перед заказчиком и пользователями за итоговое качество системы.
Для IT-компаний, которые разрабатывают решения на заказ, этот вопрос имеет ещё и договорное измерение. Если подрядчик использует AI при создании программного обеспечения, это не должно автоматически менять обязательства перед клиентом. Заказчику важен согласованный результат: функциональность, безопасность, соответствие требованиям и возможность дальнейшего сопровождения. Использование нейросети — внутренний инструмент исполнителя, а не основание снижать требования к качеству. При этом в договоре и внутренних регламентах имеет смысл отдельно определить допустимые инструменты, правила обработки исходного кода и данных заказчика, требования к проверке и порядок урегулирования вопросов, связанных с интеллектуальными правами.
В GreenCore мы придерживаемся прагматичного взгляда: искусственный интеллект не нужно ни идеализировать, ни демонизировать. Он способен заметно ускорить отдельные этапы разработки, помочь инженерам быстрее разобраться в незнакомом коде, подготовить тесты и сократить время на рутинные операции. Но его эффективность определяется не количеством сгенерированных строк, а тем, насколько грамотно команда использует полученный результат.
В ближайшие годы разница между сильными и слабыми IT-командами будет определяться не столько доступом к AI-инструментам — они постепенно становятся массовыми, — сколько способностью управлять качеством их применения. Одни компании будут просто генерировать больше кода и получать больше задач на исправление. Другие выстроят инженерные процессы, в которых AI ускоряет работу специалистов, но не подменяет их экспертизу и ответственность.
Поэтому на вопрос «кто отвечает за код, написанный AI?» наш ответ однозначен: отвечает тот, кто его проверил, принял и выпустил, а на уровне бизнеса — компания, которая поставляет и сопровождает продукт. Нейросеть может предложить решение, но только инженерная команда способна подтвердить, что ему можно доверять. И именно CTO должен создать систему, в которой это подтверждение не зависит от удачи, личной внимательности отдельного разработчика или уверенного ответа самой модели.