AI И НЕЙРОСЕТИ

LLM в проде: почему нейросети пока не заменяют инженеров

LLM уже помогают писать и сопровождать код, но без контекста, ревью и ответственности они быстро создают новый техдолг.

✍️ Редакция iTech News | 20.11.2026 | ⏱ 4 мин | Источник: Habr / Карьера
⚡

LLM в проде уже перестали быть экспериментом, но до автономной замены инженеров им далеко: авторы круглого стола о внедрении ИИ сходятся в главном — модель без контекста компании, проверки и ответственного человека умеет ускорять работу, а иногда столь же быстро производит неподдерживаемый код. Для российских команд это важный спор: бизнес ждёт сокращения издержек, а эксплуатация получает всё больше систем, за которые кто-то всё равно должен отвечать.

Обсуждение собрало представителей h3llo.cloud, EasyP, Logic BPM, Cloud.ru и MWS Cloud Platform, сообщает Habr / Карьера. В нём участвовали Эдгар Сипки из EasyP, Ольга Дробышева из Logic BPM, Антон Быстров из Cloud.ru, Сергей Киселёв из MWS Cloud Platform и автор материала из h3llo.cloud. Их позиции расходятся в оценке скорости перемен, но не в одном практическом выводе: нейросеть нельзя просто подключить к корпоративной базе знаний и считать, что инженерная задача решена.

Проблема, по мнению участников, начинается с самого способа внедрения. Компании берут готовую модель, загружают в неё разрозненные страницы из Confluence, добавляют промпты в YAML и ждут предсказуемого результата. При этом правила деплоя, устройство репозиториев, ограничения безопасности и принятые в команде архитектурные решения остаются за пределами контекста. В таком режиме модель воспроизводит вероятный код, а не понимает систему, в которую этот код попадёт.

Отсюда и конфликт вокруг вайбкодинга. Сгенерированный фрагмент может пройти локальную проверку и выглядеть убедительно, но развалиться на стыке сервисов, в CI/CD или под нагрузкой. Автор приводит пример проекта, оставленного уволившимся сотрудником: по следам в репозитории было видно использование старой версии Gemini Pro, а поддерживать результат оказалось дороже, чем переписать его. Это не аргумент против генеративных инструментов, а напоминание о цене отсутствующего ревью.

Модель — сильный помощник, но не владелец риска

В инженерной логике LLM в проде больше похожа на очень начитанного джуна: она быстро находит шаблоны, знает библиотеки и способна подготовить черновик, но не несёт ответственности за последствия. Человек, допустивший ошибку в схеме миграции или удаливший данные, получает обратную связь и меняет практику. Модель лишь выдаст новое извинение в следующем диалоге. Поэтому финальное решение о вливании кода, изменении инфраструктуры или доступе к данным должно оставаться за сотрудником, который понимает контекст и принимает риск на себя.

Техническая сторона спора затрагивает и DevOps. Быстров описывает знакомую многим картину: разработка передаёт код «через забор» эксплуатации, а инфраструктурная команда в ответ создаёт собственный забор из регламентов и ручных процедур. В результате вместо устранения системной причины появляются скрипты-обходы, а авторы приложений не знают, как устроены пайплайны доставки, мониторинг и безопасность. ИИ способен автоматизировать часть этой рутины, но не исправит разрыв между командами сам по себе.

Есть и технологические ограничения. Простые и строгие по стилю проекты модель обычно обрабатывает увереннее. Сложные корпоративные системы с многослойными абстракциями быстро съедают окно контекста: новые детали вытесняют старые, а ответ становится всё менее связанным с реальной архитектурой. Участники круглого стола предлагают не ограничиваться базовой моделью: использовать качественный поиск по внутренним данным, задавать правила работы с репозиториями и при необходимости адаптировать модель на материалах компании. Это уже отдельная инженерная дисциплина, а не магическая кнопка «сделать быстрее».

Бизнес ждёт не чат-бота, а сокращения задержек

Бизнес смотрит на ситуацию жёстче. Ему неинтересно, кто именно передал заявку между отделами; ему нужны предсказуемый результат и меньшая стоимость обслуживания. Ольга Дробышева связывает внедрение ИИ прежде всего с перестройкой процессов, а не с заменой одной роли другой. В материале упоминается, что Logic BPM планирует коммерческий релиз low-code сервис-деска в 2026 году, а клиенты уже спрашивают, сколько сотрудников потребуется для его поддержки. Желательный для них ответ — один человек, а не отдельная команда сопровождения.

Та же логика подталкивает компании к managed-сервисам: если провайдер берёт на себя обновления Kubernetes, масштабирование и часть эксплуатации, держать большую локальную DevOps-команду становится труднее обосновать. Но экономия здесь не равна исчезновению инженерной работы. Она переносится к тем, кто проектирует интеграции, контролирует данные, задаёт политики доступа и разбирает инциденты, когда автоматизация выходит за рамки штатного сценария.

Похоже, LLM в проде не отменят профессию инженера, как CMS не отменили веб-разработчиков, а low-code не избавил компании от специалистов по платформам. Они изменят распределение задач: меньше ручной подготовки типового кода и больше требований к архитектуре, проверке и эксплуатации. Главный вопрос теперь не в том, заменит ли модель человека, а в том, какие команды успеют выстроить вокруг неё процессы раньше, чем накопят техдолг из красивых, но никем не понятых ответов.

Поделиться: Telegram X LinkedIn