Игрушки кончились: почему вайбкодинг не масштабируется или как мы заставили ИИ делать ревью и писать ТЗ

Рынок прошел стадию слепого восторга от нейросетей. Сейчас ИТ-компании ищут способы превратить LLM из развлечения в предсказуемый инструмент для продакшена. Команда PWD тоже прошла этот путь: мы тестировали разные гипотезы и пришли к выводу, что ИИ работает эффективно только тогда, когда он бесшовно вшит в процессы и архитектуру компании.
На весеннем ИТ-митапе в ArtPlay мы обсуждали эту тенденцию с коллегами по рынку. Часто можно услышать кейсы о создании недорогих прототипов силами агентов без привлечения большой команды. Но когда речь заходит об Enterprise-решениях, высоконагруженной архитектуре или кластерах в Kubernetes, доверять код ИИ без многоуровневого системного контроля — значит брать на себя неоправданные риски.
Рассказываем, как мы масштабируем экспертизу и переходим от ситуативного вайбкодинга к системному подходу на примере автоматизации ревью кода и написания ТЗ.

Вайбкодинг: отличный старт, но недостаточный масштаб

«Вайбкодинг» — это подход, при котором разработчик точечно просит LLM сгенерировать или поправить участок кода. Это прекрасный инструмент для проверки концепций, генерации идей и решения R&D-задач.
Однако при переносе этого подхода на стандарты агентства мы выявили следующие зоны для роста:

• Плавающее качество: Нейросеть может выдавать нестабильный результат, периодически ломая логику.
• Сложность масштабирования: Успешный опыт в личном чате отдельного менеджера трудно стандартизировать для всего отдела.
• Ограниченность в клиентских проектах: Для сложных проектов этот подход несет слишком много рисков.

Поэтому мы сменили фокус: перестали использовать ИИ просто как «умного собеседника» и интегрировали его как системный модуль в производственный конвейер.

Кейс 1: Системное AI-ревью кода по регламентам

В крупной IT-интеграции соблюдение строгих регламентов — это основа стабильности и безопасности продукта. Ранее ревью кода по стандартам Битрикс24 полностью ложилось на лидов: это требовало высокой концентрации внимания и занимало значительную часть рабочего времени. Чтобы оптимизировать ресурс старших специалистов и исключить человеческий фактор, мы спроектировали систему автоматизированного AI-ревью.

Как устроена архитектура под капотом:

• Инфраструктура: Ядром системы выступает самописный Go-оркестратор. Пайплайн запускается автоматически при мерже в main-ветку или мануально в GitLab.
• Анализ файлов: Оркестратор выкачивает изменения через API и распределяет их по типам файлов (.php, .js, .ts, .yml).
• Сбор базы знаний: Для глубокого платформенного анализа мы разработали краулер, который спарсил актуальную документацию Битрикс24 и сформировал из нее выжимку «best practices» (правила написания контроллеров, гридов, роутинга).
• Параллельная проверка: Ревью проходит в три этапа: сначала анализируется общая архитектура, затем параллельно запускается платформенное ревью на соответствие стандартам Битрикс, и в финале — контроль безопасности. В качестве движка используются модели Claude (Sonnet и Haiku).

• Доставка результатов: По итогам формируется JSON-артефакт. Оркестратор дедуплицирует замечания и через хуки автоматически создает дискуссии с предложениями правок прямо в строках кода в GitLab. Параллельно обновляется статус задачи в трекере и отправляется отчет в Telegram.

Эволюция инструмента и оптимизация ресурсов: В процессе тестирования гипотез мы отказались от моделей OpenAI, так как они были склонны к галлюцинациям и находили критические ошибки там, где код был корректен. Также мы проработали экономику запросов: внедрили систему «раннего прерывания» (если проверка одного из скиллов падает, процесс останавливается), установили жесткие лимиты и тумблеры защиты от дублирующих проверок на каждый коммит.


Бизнес-результат: Мы полностью исключили ситуации, когда ревью откладывается из-за загруженности лида. Время получения качественной обратной связи сократилось с нескольких часов до 10 минут. При этом стоимость проведения одной проверки оптимизирована и составляет от 10 центов до 2 долларов.

Кейс 2: Генерация ТЗ как управляемый конвейер

Процесс подготовки технического задания традиционно требует плотного вовлечения аналитиков, менеджеров и разработчиков. Мы увидели возможность для оптимизации этого цикла, переведя часть рутинных задач на ИИ: формирование списков сущностей, отрисовку BPMN-диаграмм, создание таблиц и ролевых моделей. За командой при этом остается важнейшая функция — проектирование бизнес-логики.
Архитектура процесса:

• Сбор данных: Базой для ТЗ служат транскрибации клиентских ВКС. Менеджер очищает саммари от нерелевантной информации и загружает в специальную директорию репозитория.
• Передача контекста: ИИ-агент обращается к этой базе, а также использует эталонные примеры ТЗ PWD для соблюдения корпоративных стандартов.
• Human-in-the-loop: Система генерирует документ итеративно, блок за блоком. Каждый этап проходит обязательную валидацию нашим специалистом, что гарантирует предсказуемость результата.

Тестирование гипотез и метрики: На первых этапах внедрения мы инвестировали дополнительное время в тщательную вычитку сгенерированного текста командой из четырех человек, чтобы откалибровать систему. Сейчас процессы настроены, и мы прогнозируем, что при управлении пайплайном грамотным специалистом экономия трудозатрат на рутине составит 40-50%. Дополнительный плюс: ИИ помогает учитывать системные ограничения платформы Битрикс24, снижая риск упущения важных деталей на этапе проектирования.

Выводы: ИИ как инструмент системного роста

Чистый ИИ-креатив в B2B-сегменте не приносит стабильного результата. Эффективность достигается только за счет жесткой структуры.
Наши рекомендации для полезного внедрения нейросетей:

• Переходите от ситуативного вайбкодинга к проектированию управляемых пайплайнов.
• Разбивайте комплексные задачи на микро-шаги.
• Всегда внедряйте ручной контроль (Human-in-the-loop) на критических этапах бизнес-процесса.

Как отмечает технический лид PWD, системная интеграция ИИ — это не просто способ сэкономить часы работы. Это инвестиция в фундаментальное повышение качества продукта и надежный метод сокращения скрытых ошибок на боевых серверах. Мы уже начали обкатку ИИ-пайплайнов для написания кода на реальных проектах, делая процессы еще более прозрачными и технологичными.