Инженеры Kilo Code используют ИИ-агентов в 99% случаев

По словам Эмили Шарио (Emilie Schario), сооснователя Kilo Code, инженеры в этой компании читают или пишут код самостоятельно лишь в 1% случаев — остальное делают агенты. Такой сдвиг заставляет команды разработчиков задаваться новыми вопросами: каким системам безопасно доверять управление, кто занимается устранением неполадок, когда модели ошибаются, как поддерживать мультимодельные архитектуры и означают ли взлетевшие до небес счета за токены реальный прогресс или просто раздутый ИТ-бюджет.

Технические руководители из Replit, Kilo Code и Symbotic считают это естественной и долгожданной эволюцией, поскольку агентный ИИ внедряется во все новые корпоративные рабочие процессы.

«Если не происходит чего-то действительно сложного или связанного с отладкой, в 99% случаев инженеры больше не читают и не пишут код», — заявила Эмили Шарио, сооснователь Kilo Code, на конференции VB Transform 2026.

ИИ хорош в написании кода с нуля, но не так силен с существующими проектами

Для Джареда Го (Jared Go), главного инженера по ИИ и облачным технологиям в компании по автоматизации складов Symbotic, текущий момент связан с правильным направлением фокуса ИИ. «Таковы мои критерии, — сказал он. — Давайте посмотрим на это через призму безопасности, элегантности, чистого, лаконичного кода и надежности». В таком случае основную тяжелую работу выполняет ИИ, и ручное рецензирование кода уже не играет столь критической роли.

Участие человека становится необходимым на более поздних этапах, отметил Го, поскольку агенты не умеют принимать серьезные продуктовые решения. «Создание нового кода с нуля (greenfield) дается агентам очень легко. Написание, обновление или поддержка существующего кода (brownfield), как мы все знаем, — это та сфера, где кроются реальные трудности».

В Replit придерживаются немного иного подхода: хотя компания «сделала ставку на агентов», к написанию кода с помощью ИИ здесь относятся более консервативно, пояснил Амол Джайн (Amol Jain), руководитель отдела продуктовой инженерии. Каждый запрос на слияние (PR) проверяется агентом, который присваивает ему оценку риска; PR с низким уровнем риска разработчики объединяют самостоятельно, в то время как остальные отправляются проверяющим-людям, которые читают код и дают обратную связь.

«Идея заключалась в том, чтобы человек был над циклом (human on the loop), а не внутри него», — сказал Джайн. Внутренний инструмент Replit по сути представляет собой автопилот для разработчиков программного обеспечения: инженеры ставят задачу агентам, которые выполняют комплексное планирование, реализацию и тестирование.

«Это целый парк агентов, которые работают в собственных облачных виртуальных машинах (ВМ) с контролем доступа за прокси-серверами токенов, что обеспечивает их безопасность», — рассказал Джайн.

Он поделился примером, когда инженер не мог воспроизвести или решить «очень сложную ошибку» глубоко в системной архитектуре. Задачу передали ИИ-менеджеру, который велел ей «уйти в спящий режим». Затем агент-менеджер запустил множество базовых агентов, которые обнаружили проблему, а следом — еще целую группу агентов, нашедших решение. Шесть часов спустя у ИИ был готов Pull Request для исправления бага, над которым безуспешно ломали головы люди-инженеры.

Мультимодельность — это будущее

Поставщики ИИ также отходят от модели привязки к одному вендору (lock-in), поскольку клиенты все чаще требуют возможности выбора среди множества моделей.

Kilo Code, со своей стороны, поддерживает в своем шлюзе более 500 моделей. «Программное обеспечение, которое вы используете для агентной разработки, должно быть отделено от модели, с помощью которой вы ее ведете», — подчеркнула Шарио.

Например, по словам Шарио, компании часто используют дорогие передовые модели для проектирования архитектуры проекта, а затем переключаются на менее дорогие модели с открытыми весами для выполнения остальной работы.

Также важно учитывать ограничения провайдеров моделей — например, когда им приходится работать в закрытых или изолированных средах, или учитывать требования региональных регуляторов. «В этот процесс маршрутизации закладывается то, что важно для вас, какие ограничения вы установили, какие политики хранения данных определили, какие ключи предоставили, какие коммиты могли сделать…», — пояснила Шарио.

Аналогичным образом в Replit лучше понимают спектр соотношения стоимости и возможностей, чем их клиенты, утверждает Джайн. «Мы по сути принимаем за пользователей решения о том, какую модель использовать, когда и в каком объеме, чтобы минимизировать затраты и максимизировать возможности».

Токенмаксинг: за и против

Разумеется, важным фактором по мере роста внедрения ИИ становятся неконтролируемые расходы, из-за чего некоторые предприятия отслеживают и ограничивают использование ИИ с помощью «токенмаксинга».

Опасения исходят с обеих сторон, говорит Шарио: как изнутри компаний, так и от клиентов. От последних она слышит: «Я случайно потратил весь свой годовой бюджет на ИИ… и что мне теперь делать?». В ответ на это, по словам Шарио, Kilo Code предлагает клиентам проверенный рабочий процесс: использовать дорогие модели для планирования, а затем модели с открытыми весами ради экономии.

Кроме того, расширению возможностей моделей способствуют обмен навыками, четкие инструкции и протокол контекста модели (Model Context Protocol, MCP). «Понимание того, где именно вы можете поднять квалификацию своей команды, чтобы помочь им извлечь максимум пользы из используемых моделей, имеет огромное значение», — уверена Шарио.

Тем временем внутри компании Шарио отметила одного конкретного инженера с «тяжелой рукой», который постоянно возглавляет рейтинги по использованию ресурсов. «Мне регулярно приходится делать замечания: «Что ты там делаешь?»», — рассказала она. Легко посмотреть на счет в 600 долларов за ежедневную работу и отреагировать: «Ого, как много!», но оценка объема выполненной работы порой полностью оправдывает эти затраты.

«Стоимость одного пулл-реквеста — это метрика, на которую я сейчас обращаю внимание, — говорит Шарио. — Мне кажется, это ближе всего отражает то, как я могу измерить ценность». В конечном счете ИИ меняет представление компаний об окупаемости инвестиций (ROI), поскольку проблемой являются не сами траты. «Проблема — это траты без какой-либо отдачи от них».

Symbotic, в свою очередь, установила для своих сотрудников месячные лимиты затрат. Компания создала инструмент, который дает руководителям наглядное представление о пулл-реквестах и тенденциях использования ресурсов. По словам Го, менеджеры могут повышать или понижать уровень лимита для пользователей по своему усмотрению. «Наличие лимита и возможность видеть, у скольких людей в этом месяце вырос этот предел, имеет огромное значение, когда вы пытаетесь обуздать расходы и повысить эффективность», — отметил Го.

Когда Cursor (которым активно пользуется Symbotic) отменил устаревшую скидку, благодаря которой компания пользовалась фиксированной ставкой за запрос даже для передовых моделей, и перевел всех на стандартные тарифные планы, это заставило пересмотреть вопросы эффективности в масштабах всей компании, рассказал Го. «Люди начали говорить: «Вам стоит попробовать эту модель… Она лучше работает для этого кода на C# или чего-то еще»», — поделился он.

Однако проблема затрат все дальше выходит за рамки ИТ; так, в Replit расширили применение агентов за пределы разработки и в итоге обнаружили, что пользователь из службы поддержки «тратит безумные деньги», рассказал Джайн. Заглянув под капот, выяснилось, что причиной было выполнение автоматизации на базе GPT 5.5 Pro Max.

«По крайней мере до того момента окупаемость была вполне очевидной, — сказал Джайн. — Мы видели трехкратный рост производительности разработки, поэтому никто пока не задавал лишних вопросов».

Наглядность, которая не является «антипродуктивной», маршрутизация моделей и разумные значения по умолчанию имеют решающее значение, подчеркнул он. «Большинству задач передовые модели просто не нужны».