Сергей Востриков

Сегодня человек может попросить ИИ-модель сделать сайт или прототип интернет-магазина и получить рабочую первую версию приложения. Но первые цифровые помощники были значительно проще — а будущие будут гораздо умнее.

Руководитель направления «Маркетплейс и интеграции» Битрикс24 Сергей Востриков рассказал про путь развития от первых компьютерных ассистентов для написания кода до современных ИИ-агентов и их ближайшие перспективы развития.

Первые ИИ-технологии: простые помощники для генерации кода

До полноценных агентов уровня Claude Code и Codex у инженеров уже были технологии, упрощающие разработку. Но это были простые дополнительные программы-расширения, которые подсказывали окончание строки кода, возможные функции или типы данных в программе.

Это работало просто: пока разработчик писал код, программа-редактор параллельно строила карту проекта. Редактор понимал структуру проекта: какие в нём есть файлы, функции, зависимости. А ещё редактору известны стандартные элементы кода, поэтому он мог предлагать инженеру, что можно использовать в программе.

Постепенно такие программы стали немного умнее и научились показывать контекстные подсказки и документацию во время работы над кодом. Эти функции тоже работали потому, что у редакторов уже была готовая информация для разработчика.

GitHub Copilot в 2021 году был большим скачком, но его раннюю версию нельзя сравнивать с современным агентским режимом. В анонсе 2021 года Copilot описывался как инструмент для парного программирования, который предлагает целые строки и функции и может помогать искать альтернативные решения. Но это всё ещё был инструмент внутри редактора, а не самостоятельный агент.

Так работали первые технологии: они подсказывали, что можно писать в конкретном месте, но не понимали всей картины кода и не работали автономно. Поэтому этот этап нельзя называть ИИ-программированием в современном смысле.

Приход ИИ в бизнес-автоматизацию и разработку

Одновременно с ИИ-помощниками для кода развивались решения для бизнес-сценариев. В начале бизнес-инструменты выглядели как low-code программы, которые позволяли собирать сценарии из готовых блоков. Чаще всего они решали узкий круг задач. Примеры таких технологий — чат-бот поддержки и лидогенерация через автообзвон.

Скриптовые боты работают по заранее заданным правилам. У них уже есть набор вопросов и ответов, из которых создаются ветки диалога. Если пользователь пишет слово «Доставка» или нажимает аналогичную кнопку, бот показывает варианты доставки. Команда или кнопка «Вернуть товар» показывают инструкцию возврата. Бот не понимает диалог глубоко — так же как первые ИИ-помощники по разработке не понимали программу.

Ранний автообзвон работал как связка телефонии, CRM и сценария. Система набирала номер из базы, звонила через облачную АТС, проигрывала аудиофразу, ждала реакции человека и фиксировала результат. Например, человек мог нажать 1 или 2 в ответ на вопрос. Для лидогенерации это уже было полезно, потому что робот мог быстро прозвонить большую базу и отдать менеджерам только тех, кто проявил минимальный интерес.

Такие инструменты были ближе к бизнесу, потому что работали не с кодом, а с заявками, намерениями человека, коммуникациями. Они эволюционировали так же, как агенты разработки и учились работать в сложных сценариях.

Полноценные инженерные задачи в разработке агенты начали выполнять с появлением сильных LLM. Они помогали собрать проект, могли изучить репозиторий и предложить исправление, написать тесты.

Что именно сделало агента исполнителем

Чтобы стать полноценным исполнителем, модели не хватало возможности действовать во внешнем мире. LLM умеет анализировать текст, строить план и отвечать, но не может открыть файл или отправить письмо. Поэтому нейросети был нужен дополнительный технический слой.

Доступ к внешнему миру дают такие инструменты, как MCP. Это открытый стандарт подключения моделей искусственного интеллекта к внешним источникам данных и инструментам. Это превращает модель из системы для вопросов и ответов в агента, который имеет доступ к определённой инфраструктуре и умеет доводить задачу до понятного результата.

Две ветки развития: вайб-кодинг инструментов и агенты со скиллами

ИИ-развитие разделилось на 2 близкие ветки примерно в тот период, когда компания Anthropic представила инструмент Claude Skills. Скилл — это инструкция, которая объясняет агенту правильное выполнение задачи. Например: «При создании программы сначала проверь структуру, потом функции, потом обозначь потенциально уязвимые для безопасности места».

Теперь искусственный интеллект развивается в двух направлениях:

  • Инструменты вайб-кодинга, когда человек с помощью ИИ создает приложение, сайт или внутренний инструмент.
  • Автономные агенты OpenClaw и его аналоги. При работе с ними человек даёт нейросети скиллы и контекст задачи, и агент сам выполняет часть работы.

Эти два направления близки, но их результаты отличаются.

  • Вайб-кодинг чаще приводит к созданию детерминированного инструмента, который работает по заранее заданной логике. Например, форма заявки всегда собирает одни и те же поля, а калькулятор всегда считает по одной формуле. После создания такой инструмент работает как обычная программа: входные данные — алгоритм работы — предсказуемый результат.
  • Агент со скиллами работает менее детерминированно, зато лучше адаптируется к изменяющимся данным и нестандартным ситуациям, если весь процесс нельзя описать как жёсткий алгоритм. Например, задачи требуют разного анализа, и решение может зависеть от данных в нескольких системах. Агент выбирает шаги по ситуации: уточнить данные, проверить результат, передать спорное место человеку.

Получается, что детерминированный инструмент эффективен, когда процесс стабильный. Агент со скиллами эффективнее, когда процесс каждый раз немного разный.

Куда движется развитие и как может выглядеть будущий цифровой сотрудник

Настоящая ценность от инструментов появляется не в момент генерации кода, а когда эти новые технологии можно безопасно встроить в рабочий контур. Для бизнеса важно, кто имеет доступ к новому приложению, какие данные оно использует и насколько безопасно работает с основной инфраструктурой.

Поэтому верхняя точка развития ИИ-программирования — платформа, где ИИ может создавать и запускать инструменты в готовой среде. Платформа сама распределяет роли, права, понятные ограничения. Компании постепенно приходят к этому выводу и начинают создавать подобные платформы под конкретные бизнес-сценарии, например VibeCode Битрикс24 или Replit.

В современных технологиях можно заметить появляющийся образ цифрового сотрудника, который складывается из скиллов, инструментов и бизнес-контекста. Цифровой сотрудник отличается от обычной автоматизации, потому что работает не только по заранее прописанной цепочке, но и принимает решения сам в рамках заданных правил. Он может выбрать инструмент и объяснить свои действия. Но для бизнеса это допустимо только при наличии прав, ограничений, контроля и понятной зоны ответственности.

Логичной следующей ступенью развития будет агент, который не только выполняет задачи, но и предлагает или создаёт себе инструменты. Например, агент видит, что задача повторяется, и предлагает автоматизировать её. В идеале агент-сотрудник будущего не просто выполняет поручения, а помогает улучшать саму систему работы.

Источник: