Как ИИ меняет разработку: от кода за неделю до новых ролей программистов
Искусственный интеллект больше не далёкая перспектива. Он меняет процессы разработки ПО уже сегодня. Недавний эксперимент по созданию браузерного расширения для анализа объявлений о продаже видеокарт показал, как эффективен тандем разработчика и ИИ-ассистентов.
От идеи до релиза за неделю
Проект Avito GPU Helper - это более 8200 строк JavaScript и Python-парсер. Его создали за семь дней вечерней работы. Расширение определяет рыночную стоимость видеокарт, проверяет объявления по девяти анти-скам критериям, оценивает надёжность продавцов.
Архитектура решения состоит из 12 модулей, которые взаимодействуют через глобальный объект. За время разработки вышло 13 релизов - от первого MVP до версии 3.0.5. Security-аудит выявил 17 уязвимостей. Четыре из них были критическими. Восемь уже устранены.
Что делает ИИ, а что - человек
ИИ-ассистенты взяли на себя большую часть инженерной работы:
- Написание boilerplate-кода, типовых функций.
- Создание документации (README, Privacy Policy, CHANGELOG).
- Настройка CI/CD конфигураций.
- Code review, поиск уязвимостей по стандартам CWE.
- Генерация регулярных выражений для эвристик.
Разработчик выступал архитектором проекта: формулировал продуктовые требования, принимал технические решения, тестировал на реальных данных, выпускал релизы.
Где ИИ даёт сбои
Практическое тестирование показало серьёзные ограничения ИИ в понимании бизнес-контекста. Например, эвристика для обнаружения увода покупателей в мессенджеры оказалась бесполезной. Модерация Авито эффективно удаляет открытые контакты из объявлений.
Другая эвристика должна была выявлять мошенническую продажу «коробок от видеокарт по цене самих карт». Анализ реальных объявлений показал: коробки продают за 200-500 рублей. Мошеннической схемы «коробка за 30000 рублей» не существует.
ИИ допускал типичные ошибки безопасности:
- Предлагал использовать innerHTML, создавая XSS-риски.
- Пытался парсить DOM по нестабильным CSS-классам вместо надёжных data-атрибутов.
- Переоценивал сложность решений, предлагая избыточные варианты.
Новая модель работы разработчика
Эксперимент показал: задача, которая заняла бы 3-4 месяца традиционной разработки, выполнена за неделю. Без человеческой экспертизы продукт был бы непригоден для реального использования.
Что не умеет ИИ:
- Понимать бизнес-потребности, контекст.
- Тестировать в реальных условиях.
- Принимать продуктовые решения.
- Работать с внешними системами.
- Признавать ошибки без подсказки.
Где ИИ превосходит человека:
- Генерация типового кода.
- Создание документации.
- Поиск уязвимостей по известным паттернам.
- Code review.
- Настройка инфраструктуры.
Практические выводы для команд разработки
Эффективная работа с ИИ требует постоянной инженерной проверки, критической оценки предложений. Разработчики эволюционируют в сторону ролей архитекторов, ревьюеров. Они направляют, контролируют работу ИИ-ассистентов.
Для команд, работающих с пользовательскими данными, отзывами, такой подход актуален. Сервисы автоматизации ответов на отзывы уже используют ИИ для генерации персонализированных ответов. Человеческий контроль остаётся критически важным для понимания контекста, специфики каждого маркетплейса.
Будущее разработки
Команды, которые быстрее освоят эффективное взаимодействие с ИИ, получат конкурентное преимущество. Скорость разработки возрастает в разы, но качество продукта по-прежнему определяет экспертиза, инженерное мышление человека.
Ключевой навык будущего - уметь правильно ставить задачи ИИ, проверять результаты, адаптировать их под реальные бизнес-потребности. Это важно при работе с российскими маркетплейсами, где специфика модерации, поведения пользователей требует глубокого понимания локального контекста.