Распространение агентных систем искусственного интеллекта (agentic AI), способных самостоятельно генерировать и выполнять программный код, радикально ускорило процессы разработки в компаниях. Однако, как отмечают практики инженерного менеджмента, это не привело к сопоставимому росту качества продуктов и выявило новые системные ограничения в программной инженерии.

Cкорость создания кода перестала быть ограничивающим фактором. Даже до внедрения ИИ основная сложность разработки заключалась не в объёме, а в постановке требований, интеграции с существующими системами и поддержке программ в реальных условиях эксплуатации. Агенты же усилили этот дисбаланс: они ускоряют генерацию кода, но не снижает уровень неопределённости в архитектуре и требованиях.

На практике это приводит к тому, что нагрузка смещается в сторону контроля человеком. Объём сгенерированного кода растёт быстрее, чем способность команд его проверять и встраивать в существующие системы. В результате code review становится новым узким местом, а инженеры теряют часть контекста, необходимого для выявления ошибок, допущенных агентами.

Эксперты также отмечают рост организационных рисков. При масштабном использовании агентных систем возникают проблемы с распределением ответственности, контролем доступа и управлением изменениями. Без централизованных стандартов компании сталкиваются с фрагментацией процессов, дублированием решений и ростом операционных издержек.

Изображение сгенерировано: Nano Banana

Отдельный блок проблем связан с безопасностью и управлением правами доступа. Рекомендации, которые сейчас обсуждаются в индустрии, включают принцип минимальных привилегий для ИИ-агентов, разделение прав на чтение и выполнение операций, а также обязательное участие человека в критических действиях, затрагивающих продакшн-системы.

Финансовый аспект также становится значимым ограничением. По мере масштабирования агентных систем компании сталкиваются с резким ростом затрат на вычисления. В индустрии приводятся примеры, когда неконтролируемые циклы работы агентов приводили к многократному увеличению расходов на ИИ-инфраструктуру, что вынуждало вводить лимиты и квоты.

На уровне архитектуры и стратегии разработки эксперты выделяют необходимость перехода к мульти-модельным системам, где разные модели используются для разных задач. Это снижает риски зависимости от одного поставщика и позволяет оптимизировать качество решений под конкретные типы инженерных задач.

При этом меняются и подходы к оценке эффективности разработки. Традиционные метрики вроде количества кода или числа закрытых задач становятся менее релевантными. Вместо них всё чаще предлагают ориентироваться на бизнес-результаты, стабильность систем и качество изменений, включая частоту ошибок после релизов и устойчивость к регрессиям.

Существенные изменения затрагивают и роль инженеров. По мере того как генерация кода автоматизируется, основной ценностью становится не написание синтаксиса, а системное проектирование, управление сложными интеграциями и контроль поведения агентных процессов. Это требует переобучения специалистов и изменения моделей оценки их работы.

Эксперты предупреждают, что преждевременное сокращение инженерных команд на фоне внедрения ИИ может оказаться ошибочным шагом, поскольку реальные ограничения смещаются не к объёму разработки, а к способности управлять её сложностью.

В результате формируется новая картина разработки ПО: агентный ИИ не устраняет сложность инженерных систем, а перераспределяет её, ускоряя создание кода, но одновременно усиливая нагрузку на архитектуру, контроль качества и организационные процессы.