Городская лента

СТО банка: ИИ ускоряет код, но без контроля тиражирует ошибки

· 5

Технический директор Своего Банка Максим Гречихо считает ИИ полезным инструментом профессиональной разработки, но скептически относится к созданию ПО без понимания того, как работает результат. В банковских системах даже небольшая ошибка в бизнес-логике при большом количестве операций может иметь серьёзные последствия, поэтому без инженерного контроля ИИ способен так же быстро тиражировать ошибки, как и ускорять работу.

По словам Гречихо, ИИ нужно встраивать в полный жизненный цикл ПО — от постановки задачи и технического задания до проектирования, тестирования, выпуска и сопровождения. Требования информационной безопасности и практики DevOps сохраняются, а на каждом этапе нужен специалист, который понимает, что создаёт вместе с ИИ-помощником, и отвечает за решения.

Роль разработчика смещается к постановке задач, архитектуре, интеграциям и проверке результата. Сгенерированный фрагмент может выглядеть корректным, но не учитывать ограничения соседних систем или особенности банковского процесса, поэтому проверять нужно поведение системы в целом, включая нагрузку и нештатные ситуации. Ускорение написания кода не означает такого же сокращения срока выпуска продукта.

После релиза команда должна уметь разобраться в решении при инциденте, изменить бизнес-логику и проверить обновление зависимостей. Быстро получить работающий прототип недостаточно: компании нужно сохранять знания о системе и возможность управлять ею весь срок эксплуатации, поэтому понимание кода и документирование решений становятся особенно важными.

Для безопасной работы с LLM банку нужен собственный порядок: корпоративные инструкции и навыки для ИИ-агентов, контролируемое подключение к внутренним данным через MCP-серверы, разграничение доступа и очистка чувствительной информации перед передачей во внешние модели. При этом очистка данных — лишь один механизм: заранее нужно определить, какую информацию вообще допустимо выводить за пределы организации.

KPI сотрудников должны стимулировать освоение ИИ, но оценивать следует качество, полезный результат и фактические трудозатраты, включая проверку и доработку. Количество обращений к модели или объём сгенерированного кода сами по себе об эффективности мало что говорят. На первом этапе сроки и оценки трудоёмкости могут не сократиться: сотрудникам нужно время на освоение инструментов и уверенность, что рост производительности не обернётся бесконечным увеличением нагрузки.

Гречихо разделяет осведомлённость об инструментах, их фактическое использование и подтверждённый эффект для бизнеса: сам факт внедрения ИИ ещё не говорит о росте производительности. Он называет перспективным путём профессиональную инженерную работу с ИИ-помощником, где скорость подкреплена управляемым процессом, подтверждённым качеством и понятной ответственностью.