AI И НЕЙРОСЕТИ

Devin работал 44 дня и 22 из них не получал сообщений от инженера

22 из 44 дней инженер не общался с Devin, но ИИ-агент продолжил работу и создал Android-приложение без постоянных подсказок.

✍️ Редакция iTech News | 20.11.2026 | ⏱ 3 мин | Источник: The New Stack
💡

Инженер не отправлял сообщения своему ИИ-агенту 22 дня из 44, а тот всё равно продолжил работу и создал Android-приложение. Этот кейс с Devin интересен не эффектной формулировкой, а сменой роли инструмента: автономный ИИ-инженер пытается стать не собеседником в чате, а исполнителем задачи с длинным циклом работы.

О таком эпизоде сообщает The New Stack. По приведённому изданием описанию, Cognition почти три года развивает Devin как автономного инженера: система должна получать задачу и доводить её до результата, включая подготовку изменений для pull request. В данном случае заметным оказался не только итог в виде Android-приложения, но и отсутствие постоянного человеческого диалога: половину 44-дневного периода инженер не обращался к агенту.

Для рынка инструментов разработки это важнее очередной демонстрации генерации кода. Ассистент, который предлагает фрагмент функции или объясняет ошибку, работает в темпе человека: вопрос — ответ — следующая правка. Агент, способный удерживать задачу неделями, претендует на другой участок процесса: разбирать бэклог, выполнять цепочки подзадач, фиксировать промежуточные результаты и возвращаться к работе без нового промпта на каждом шаге.

При этом из доступного описания нельзя сделать вывод, что Devin самостоятельно заменил команду Android-разработки. Не раскрыты требования к приложению, объём написанного кода, набор интеграций, число итераций ревью и проверок, а также то, какие действия оставались за инженером. Фраза «построил приложение» без этих деталей — хороший повод посмотреть на направление развития агентов, но слабая метрика производительности. Для техлида разница между прототипом, собирающимся на локальной машине, и продуктовой поставкой с тестами, безопасностью, аналитикой и поддержкой всё ещё измеряется не одним удачным демо.

Тем не менее сам режим работы заслуживает внимания. Обычный генеративный инструмент быстро теряет контекст: разработчику приходится повторять ограничения, архитектурные решения и статус задачи. У долгоживущего агента ключевой вопрос другой — где и как хранится этот контекст, как система понимает приоритеты и что делает при неоднозначности. Чем дольше агент действует без человека, тем дороже становится каждая неверная предпосылка. Он может не просто предложить спорную строку кода, а несколько дней последовательно развивать ошибочное решение.

Поэтому внедрение такого класса систем упирается не только в качество модели. Командам понадобятся чёткие границы полномочий: какие репозитории и ветки доступны агенту, может ли он подключать зависимости, работать с тестовыми данными и открывать pull request. Не менее важны наблюдаемость и контроль: журнал действий, понятное состояние задачи, возможность остановить выполнение и проверить, на каких основаниях были приняты технические решения. Автономность без следов работы в инженерной среде быстро превращается из экономии времени в источник дорогих расследований.

Для российских продуктовых команд практический вывод пока довольно приземлённый. Автономный ИИ-инженер имеет смысл начинать не с критичного сервиса и не с обещания сократить штат, а с ограниченного контура: воспроизводимые задачи, хорошие тесты, закрытый набор разрешённых инструментов и обязательное ревью человеком. Особенно подходят рутинные изменения с ясным критерием готовности — обновление зависимостей, подготовка типового экрана, устранение известных дефектов или перенос однообразной логики. Здесь можно измерить не впечатление от диалога с моделью, а число принятых изменений, время проверки и объём исправлений после агента.

Кейс Devin поднимает неприятный, но полезный вопрос: готова ли организация доверить не только написание кода, но и самостоятельное ведение задачи между контрольными точками. Если такие агенты действительно научатся надёжно работать днями и неделями, конкурентным преимуществом станет не доступ к модели, а дисциплина процессов вокруг неё — качество постановки задач, тестовое покрытие, правила доступа и способность быстро заметить, что цифровой коллега уверенно идёт не туда.

Поделиться: Telegram X LinkedIn