«Код.ру» взял интервью у Александра Лукьянченко, CTO Architecture в Авито, на полях Avito.Tech.Conf. Поговорили о том, как ИИ-агенты меняют повседневную работу разработчиков, какие задачи им уже доверяют и почему ответственность за результат остаётся на человеке.
По словам Лукьянченко, среднее время от начала работы над изменением до его выпуска в Авито сократилось больше чем на 30%. Вместе с ускорением появились новые узкие места — проверка кода, проработка продуктовых идей и коммуникации. Обсудили, как компания с ними справляется, чему теперь нужно учиться начинающим разработчикам и как меняется роль руководителей.
— Если сравнить инженера в Авито год назад и сегодня, как изменились его повседневные инструменты с появлением агентов?
— Ключевое отличие в том, что сегодня инженер работает с агентами каждый день. Люди больше не пишут код руками, хотя год назад это было ещё довольно распространено. Теперь код по умолчанию генерирует агент. Инженер смотрит на результат, проверяет его, проводит ревью и может сказать агенту: «Переделай вот это». То есть человек по-прежнему управляет разработкой, но всё большую часть работы выполняет через агента.
И это касается не только написания кода, а всего цикла разработки. Агент помогает продумать техническое решение и спецификацию. Он генерирует сам код и тесты. Через агента же изменения доставляются в продакшен, то есть выкатываются к пользователям. Благодаря этому уходят многие привычные узкие места разработки, но появляются новые.
Самая показательная метрика для нас — сколько в среднем времени проходит от начала работы над изменением до его выпуска. Это время сократилось больше чем на 30%. В основном это произошло за счёт ускорения написания кода, отладки и исправления ошибок. У нас зрелый процесс создания продукта, в котором участвует много специалистов, и общая скорость зависит в том числе от коммуникаций между ними.
— Что вы называете ИИ-агентом внутри Авито? Где для вас заканчивается привычный ИИ-ассистент и начинается агентная разработка?
— Разница прежде всего в том, насколько самостоятельно инструмент может решать задачу. Ещё недавно мы работали в основном с чатами-ассистентами: просили сгенерировать тесты, помочь найти ошибку или написать шаблонный код. Отдельные шаги ускорялись, но человек сам вёл всю работу и передавал ассистенту только небольшие её фрагменты.
Агенту отдают задачу целиком, и он сам выполняет её от начала до конца: пишет код, запускает команды, обращается к нужным сервисам — как это сделал бы человек. Если что-то сломалось или тесты не прошли, агент сам разбирается, почему так произошло, исправляет ошибки и перезапускает проверку. Так агент может работать часами без необходимости объяснять ему каждый следующий шаг.
Весной мы объявили себя AI First — компанией, для которой ИИ в приоритете. Наша цель — встроить ИИ в повседневную работу всех сотрудников, не только разработчиков. Но сам по себе агент без контекста и интеграций с внутренними системами почти бесполезен. Запуск тестов, работа с платформой, использование дизайн-системы и тысячи других сценариев невозможны без таких подключений.
Поэтому для нас агент — это связка модели и подключений к внутренним системам Авито. Все такие подключения собраны в MCP Hub — единой точке интеграций с корпоративными системами, например внутренним мессенджером или базой знаний.
Хороший пример того, как это работает, — наш агент для ревью кода. Первая его версия писала слабые замечания. Новая собирает весь необходимый контекст по всей кодовой базе, проводит ревью с разных сторон, после чего отдельный агент отбирает действительно важные комментарии. Благодаря этому ревью стало полезным: теперь агент оценивает изменения с учётом того, как устроена система.
То же самое с поиском информации. Раньше, чтобы понять, как работает какая-то функция, приходилось читать код с нуля или искать по внутренней документации. Теперь вопрос задают агенту. Через минуту он возвращает ответ, а за десять минут может текстом описать, как всё устроено. Исследовательская часть работы стала заметно быстрее.
При этом агенту отдают не всё продуктовое изменение целиком, а отдельные его части. Каждую такую часть он делает самостоятельно. Человек связывает их между собой и проверяет результат.
— Какие задачи вы уже готовы отдавать агентам почти полностью, а где без инженера по-прежнему нельзя?
— Мы уже отдаём часть задач полностью агентам, предварительно чётко проработав формулировку и критерии готовности. Например, агент может проверять код, исправлять ошибки или помогать с поддержкой разработчиков. Есть задачи, в которых агент способен несколько часов работать самостоятельно.
Но ответственность и проверка — на человеке. Агент может помочь и здесь: например, модель, которая проверяет код, обращает внимание инженера на конкретные фрагменты и говорит: «Вот эти два места обязательно посмотри». Финальную проверку результата проводит человек.
Следующий большой шаг — чтобы человек сформулировал продуктовую задачу, а цепочка агентов в облаке сама прошла большую часть пути и принесла готовые изменения в коде. Инженеру останется проверить результат и при необходимости отправить его на доработку. Сейчас мы движемся в эту сторону.
— Насколько ИИ уже ускоряет разработку в Авито? Какими метриками вы измеряете реальный эффект?
— Измерить эффект сложнее, чем кажется, и единого общепринятого подхода в индустрии нет.
Сейчас мы смотрим, сколько в среднем занимает выпуск одного изменения от начала до конца по всей разработке Авито. На этот год мы ставили цель ускориться на 15%. В итоге примерно за полгода ускорились больше чем на 30%. Причём речь идёт о полноценных релизах, которые доходят до пользователей.
К этой метрике мы пришли не сразу. Сначала мы считали сэкономленное время: сколько часов агент высвобождает на каждом этапе разработки. Но от этого отказались, так как это время просто перераспределяется на другие задачи и общий эффект незаметен.
Если у вас каждый день появился свободный час, вы от этого не начнёте производить больше продуктовых изменений. Час просто размоется, и для бизнеса эффекта ноль. Поэтому мы отказались от подсчёта сэкономленных часов как основной оценки эффекта. Сначала нужно понять, что мешает использовать выигрыш во времени, и изменить сам процесс работы.
— Если агенты позволяют производить больше кода быстрее, что становится новым узким местом разработки?
— Когда агенты берут на себя значительную часть написания кода, ограничения закономерно смещаются на соседние этапы. Мы видим три основных узких места и с каждым работаем отдельно.
Первое — код-ревью. Количество изменений существенно выросло, а вместе с ним выросла и нагрузка на их проверку. Поэтому мы внедряем автоматическую проверку. Она подсвечивает специалисту места, которые требуют его внимания, а безопасные изменения одобряет автоматически.
Второе — продуктовая проработка. Быстрая разработка даёт эффект, только если команда хорошо понимает, какую задачу решает. Поэтому этап исследования и формирования гипотез становится всё более значимым. Здесь мы развиваем быстрое прототипирование: гипотезу можно проверить на небольшой группе реальных пользователей, не тратя время на долгую подготовку документации.
Третье — коммуникации. В зрелом процессе над одной продуктовой доработкой работают около десяти ролей: продакт, аналитик, дизайнер, инженеры разных направлений, тестировщики. На каждом этапе нужно обсудить задачу, подготовить материалы и передать работу дальше. Поэтому путь от идеи до запуска занимает несколько месяцев.
Наш анализ показал, что именно здесь сосредоточен основной потенциал для дальнейшего ускорения. Поэтому мы пробуем работать небольшими командами, в которых меньше отдельных ролей и каждая команда ведёт задачу от начала до конца. Это позволяет сократить количество передач работы между участниками.
— Как меняется код-ревью, когда значительную часть кода может генерировать ИИ? Не становится ли проверка результата новым узким местом?
— По данным всей разработки Авито, количество изменений кода выросло на десятки процентов при том же составе команд. При этом общее время на проверку практически не изменилось. Это значит, что ревью стали проводить быстрее, а в каких-то случаях изменения почти не просматриваются человеком.
Для нас это повод пересмотреть процесс, потому что код-ревью решает сразу две задачи: помогает находить проблемы на раннем этапе и даёт инженерам понимание того, как развивается система. Нам важно сохранить обе функции, не увеличивая нагрузку на специалистов.
Для этого мы развиваем два направления. Первое — автоматическое ревью. Модель анализирует изменения и выделяет фрагменты, которые требуют внимания специалиста, чтобы он мог сосредоточиться на самом важном. Второе — автоматическое одобрение безопасных изменений, которые не затрагивают критичные части системы.
— Какие команды лучше всего работают с ИИ?
— По нашему опыту, лучше всего с агентами работают команды, где один человек ведёт изменение от начала до конца. Мы увидели это на двух примерах.
Первый — команда, которая делает главную страницу и поиск Авито. Там каждый инженер и раньше отвечал за изменение целиком, а не за свой маленький участок. С появлением агентов прирост производительности у этой команды оказался заметно выше, чем у других.
Причина в том, что агенты ускоряют выполнение работы, но не ускоряют передачу задачи от одного человека к другому. В матричной структуре, где много разных направлений, над одной доработкой работают около десяти ролей, и много времени уходит на то, чтобы договориться и передать работу дальше. Когда изменение ведёт один человек, этих передач просто нет, и ускорение от агентов не теряется.
Второй пример — наш внутренний проект Fast&Furious. Это способ быстро проверять продуктовые идеи: вместо долгой подготовки документов один человек с помощью агента за спринт собирает рабочую первую версию продукта. Её сразу показывают небольшой части реальных пользователей и смотрят, подтверждается ли гипотеза. Причём так могут делать и инженеры, и сотрудники, не связанные с разработкой.
Поэтому сейчас мы пробуем перераспределять роли так, чтобы больше задач можно было вести от начала до конца без многочисленных передач между специалистами.
— Что происходит с джуниор-разработчиками, если простые задачи первыми забирают ИИ-агенты? Как в такой среде выращивать будущих сеньор-инженеров?
— Агенты не забирают у начинающих специалистов всю работу, но меняют то, как они учатся. Возьмём типовую задачу: добавить на страницу кнопку. Сначала нужно понять, какой сервис за неё отвечает, как фронтенд обращается к бэкенду и что записывается в базу данных. Раньше для этого приходилось с нуля читать код, потому что в документации было описано далеко не всё. Теперь можно спросить агента, и за несколько минут он объяснит, как устроен этот участок системы.
Дальше джун реализует изменение вместе с агентом, но важно, чтобы на работающей кнопке обучение не заканчивалось. Нужно разобраться, почему решение устроено именно так и какие у него ограничения. Понимание формируется через реальные задачи и внимательный разбор результата, даже если сам код помогает написать агент.
Начинающие специалисты компании по-прежнему нужны. Работа со стажёрами и джунами — одна из ключевых стратегических задач Авито. Сейчас на наших образовательных проектах учатся более 2 тысяч студентов, а к 2028 году мы планируем подготовить до 3 тысяч IT-специалистов. Лучше всего работают форматы, в которых обучение сразу связано с практикой на реальных задачах. Например, Академия аналитиков Авито в 2025 году подготовила 153 специалиста, и больше половины из них стали сотрудниками компании.
— Какими навыками работы с ИИ должен владеть инженер, которого хочет нанять Авито? Есть ли матрица оценки таких компетенций или представление о том, что важно?
— Мы выделяем два ключевых навыка.
Первый — продуктовое мышление. Инженеру важно понимать, какую задачу он решает, зачем и как её лучше реализовать. То есть мыслить не отдельной функцией в коде, а продуктовым изменением целиком.
Второй — умение эффективно работать с агентами. Сегодня с ними пробовали работать практически все разработчики, но между первым знакомством и уверенным применением есть большая разница. Нужно уметь чётко поставить агенту задачу, дать контекст и, что особенно важно, проверить результат. Агент всегда быстро предлагает решение, которое выглядит корректным. Но только человек может убедиться, что оно действительно решает задачу, выполнено правильно и не несёт рисков в будущем.
Именно сочетание продуктового мышления и навыков работы с агентами позволяет инженеру эффективно создавать продукты: понимать, что нужно сделать, и доводить решение до проверенного результата.
— Если через несколько лет инженер сможет управлять сразу несколькими агентами, как изменится роль техлида?
— Мы уверены, что команды и управленческая структура никуда не исчезнут.
Сейчас в индустрии популярна идея плоской структуры. Обычно в компании несколько уровней управления: у инженеров есть руководитель команды, у руководителей команд — свой руководитель и так далее. В плоской структуре таких уровней почти нет: один руководитель отвечает сразу за очень большое число людей, а каждый сотрудник, вооружённый агентами, работает максимально самостоятельно. Логика понятна: если у каждого есть агенты, зачем столько менеджеров?
Но на практике это работает не так просто. Например, в одной из западных компаний создали ИИ-подразделение, где на одного руководителя приходилось до 50 подчинённых. А уже через полгода, по данным СМИ, компания стала предлагать рядовым сотрудникам этого подразделения снова стать руководителями, то есть начала возвращать управленческий слой.
Дело в том, что крупный продукт — это всегда командная работа. Команды отвечают за отдельные направления, и каждый участник развивает свою часть. Меняться будет состав команд: каждая станет меньше, потому что потребуется меньше ролей. А самих команд, наоборот, станет больше.
А чем больше команд, тем важнее координация между ними. Именно для этого и нужны руководители руководителей. Например, идей по улучшению карточки объявления на Авито очень много. Если каждая команда будет менять её самостоятельно, карточка превратится в «новогоднюю ёлку», и пользоваться ей станет неудобно. Поэтому кто-то должен видеть общую картину, расставлять приоритеты и принимать решения. Эта часть работы руководителей сохранится, даже если способы разработки сильно изменятся.
— Сейчас многие бигтехи внедряют ИИ в разработку и интегрируют разный софт и модели. Что доступно инженеру для агентной разработки в Авито, чего нет в компаниях меньшего масштаба?
— Я бы выделил прежде всего инфраструктуру вокруг агентов. Доступ к ИИ-инструментам сам по себе не даёт преимущества. Гораздо важнее, насколько глубоко они встроены во внутренние системы и процессы компании и что инженер может с их помощью сделать.
Внутренняя утилита Avito AI позволяет быстро установить и настроить ИИ-агентов сразу со всеми подключениями к системам компании. Более ста интеграций собраны в едином каталоге MCP Hub.
Библиотека Skill Hub содержит более 4 тысяч скиллов, то есть готовых инструкций для типовых задач. В ней есть ранжирование по качеству и популярности, а также реестр проверенных решений, чтобы сотрудникам было проще выбрать подходящий инструмент.
Для работы агентов мы используем изолированные среды: в них есть всё необходимое для выполнения задач, а доступ ограничен так, чтобы защитить стабильность сервисов.
Отдельную защищённую среду мы развиваем для нетехнических сотрудников, чтобы они могли самостоятельно создавать решения с помощью агентов и делиться ими с коллегами.
При этом ИИ уже используется далеко за пределами разработки. Корпоративным ассистентом, подключённым к ключевым рабочим системам, ежемесячно пользуются более 4 тысяч сотрудников.
Есть и набор аналитических инструкций, который внутри компании мы называем ИИ-аналитиком. Он помогает работать с данными: найти нужный отчёт или разобраться, почему изменилась ключевая метрика. Около 70% таких задач он решает успешно.
— Если сильный инженер придёт сегодня в команду Tech Platform Авито, какую ещё не решённую индустрией проблему в области ИИ и разработки он сможет решать здесь в ближайшие пару лет?
— Я бы выделил две большие задачи, и обе связаны с тем, как превратить возможности агентов в результат на реальных задачах компании.
Первая — организационная. Большая часть ограничений сегодня связана не с технологиями, а с коммуникациями и самим процессом создания продукта. Тысячам людей нужно синхронизироваться между собой, готовить и согласовывать документы. Перестроить процессы и роли так, чтобы убрать эти барьеры, — сложная задача, и культурная, и процессная.
Вторая — техническая. Модели показывают высокие результаты в тестах, но между тестами и реальными задачами компании есть разрыв. Наша цель — чтобы инженер мог передавать агентам задачи целиком, будь то работа с техническим долгом, доработка продукта или запуск нового, а агент доводил их до результата самостоятельно, без постоянного участия человека.
Индустрия этот путь ещё не прошла, и у нас есть возможность сделать это одними из первых.
Комментарии