Coinbase, Shopify и Ramp уже не довольствуются коробочными ассистентами: каждая компания строит собственные AI-агенты для разработки с доступом к репозиториям, тестам и внутренним системам. Но, сообщает The New Stack, даже у таких команд самодельность заканчивается на уровне платформы: за модельный слой, который действительно думает, они все равно платят Anthropic. Для русскоязычных техлидов и платформенных команд это важный сигнал: борьба идет не за очередной чат, а за свой runtime, контроль, аудит и скорость доставки кода.
Во всех трех кейсах повторяется одна и та же схема. Модель сама по себе не знает корпоративный монорепозиторий, не держит долгую сессию, не умеет безопасно гонять тесты и не проходит аудит. Поэтому компании строят свой harness: слой вокруг LLM, где живут история сессии, доступ к инструментам, изоляция окружения, логирование, права, навыки и правила. Рынок довольно быстро выяснил банальную, но дорогую вещь: выигрыш дает не столько вопрос, какая модель умнее, сколько то, насколько хорошо она встроена в инженерную фабрику компании.
Coinbase к этому пришла рано. В декабре 2025 года ее Agentic AI Tiger Team описала шестинедельный эксперимент: две внутренние автоматизации ушли в прод, еще две довели до end-to-end в разработке, экономия превысила 25 часов в неделю, а время запуска нового агента сократилось с 12+ недель до менее чем недели. Ставка была на code-first графы, трассировку каждого tool call и аудируемость для юридических и регуляторных сценариев. Уже в мае 2026-го Coinbase показала Mux — внутренний multi-agent инструмент, у которого было 600+ пользователей, а power users мерджили в 3,5 раза больше PR, чем базовая группа. При этом в штатном наборе компании остаются Claude Code, Cursor и Copilot: свой orchestration-слой не отменяет внешнюю модель.
Shopify пришла к схожему выводу, но с упором на общий контекст и публичные рабочие процессы. В open-source фреймворке Roast, опубликованном в июне 2025 года, встроенный CodingAgent прямо работает поверх Claude Code. Год спустя Shopify описала River — Slack-native агент, который уже коавторит каждый восьмой merged PR. За 30 дней у River было 59 918 сессий в 5 170 Slack-каналах, он затронул работу 7 000+ сотрудников и помог слить 3 536 PR. Под капотом не волшебный бот, а платформа Aquifer: отдельные сущности session, harness и sandbox, причем agent loop вынесен за пределы sandbox. Логика простая: если агент уронит окружение командой уровня rm -rf, сессия и история не должны умереть вместе с ним. Для тех, кто строит AI-агенты для разработки внутри большой компании, это уже не экзотика, а инженерная гигиена.
Ramp выглядит еще более прагматично. В январе 2026 года компания показала Inspect — фоновый coding-agent, чьи сессии запускаются в изолированных VM на Modal с Vite, Postgres и Temporal. Агент подключен к Sentry, Datadog, LaunchDarkly, Braintrust, GitHub, Slack и Buildkite, то есть умеет не просто писать код, а проверять его на живой инфраструктуре и собирать доказательства, будто это делает инженер Ramp. Через пару месяцев команда уже писала, что примерно 30% всех PR, смерженных в frontend- и backend-репозитории, были написаны Inspect. И да, здесь снова нет побега от Anthropic: Ramp развивает CLI и skills, которые встраиваются прямо в Claude Code, а сам Inspect проектировался как слой, совместимый с frontier-моделями, MCP и кастомными инструментами.
Главный вывод для любого CIO, который мечтал купить one-size-fits-all coding assistant и закрыть вопрос, довольно жесткий. AI-агенты для разработки перестают быть личным плагином в ноутбуке и превращаются в часть platform engineering: общий event log, внутренний router моделей, skills, доступ к репозиториям и telemetry, публичные Slack-треды, PR-процессы, политики одобрения. Модель в этой схеме становится сменным, хоть и дорогим, двигателем. Ценность смещается в слой, где компания кодирует собственные привычки: как открывать PR, как ходить в продовые логи, какие тесты гонять, что считать рискованным изменением и кому можно дать право на действие без ручного подтверждения. Проще говоря, крупные команды перестали покупать умного собеседника и начали собирать производственную линию для кода.
Для российского рынка вопрос не в том, повторять ли за Coinbase или Shopify дословно. Вопрос в другом: кто у вас владеет этим слоем — вендор IDE, модельная компания или внутренняя platform team. Пока модели быстро выравниваются по возможностям, именно этот слой начинает определять скорость, безопасность и цену экспериментов. Следующий раунд конкуренции вокруг AI-агентов для разработки, похоже, развернется не между чат-окнами, а между корпоративными агентными платформами, которые умеют превращать промпт в проверяемый результат, а не в очередной почти готово.