Что на самом деле нужно для выпуска продакшн-кода SaaS за 60 минут с помощью Claude Code

Каждый руководитель инженерного отдела, наблюдающий за волной агентского программирования (agentic coding), рано или поздно сталкивается с одним и тем же вопросом: если ИИ способен генерировать код производственного качества быстрее любой команды, то как выглядит управление процессами, когда человек больше этот код не пишет?

У большинства команд пока нет хорошего ответа на этот вопрос. Treasure Data, поддерживаемая SoftBank платформа клиентских данных (CDP), обслуживающая более 450 мировых брендов, теперь нашла его, хотя некоторые уроки пришлось усваивать на собственном горьком опыте.

Сегодня компания официально анонсировала Treasure Code — новый интерфейс командной строки на базе ИИ, который позволяет дата-инженерам и платформ-командам управлять всей CDP с помощью естественного языка, в то время как за создание и итерации под капотом отвечает Claude Code. Инструмент был создан всего одним инженером.

В компании говорят, что на написание самого кода ушло около 60 минут. Но эта цифра почти не имеет значения. Гораздо важнее то, что должно было произойти *до* того, как эти 60 минут стали возможны, и то, что сломалось *после*.

«С точки зрения планирования нам все равно нужно было снизить риски для бизнеса, и это заняло пару недель», — рассказал VentureBeat Рафа Флорес (Rafa Flores), директор по продукту Treasure Data. — «С точки зрения генерации идей и реализации — здесь все сливается воедино, и вы просто действуете по принципу «вперед, вперед, вперед». И речь идет не просто о прототипировании, а о безопасном выводе продуктов в продакшен».

Сначала постройте уровень управления

Прежде чем была написана хотя бы одна строка кода, Treasure Data пришлось ответить на более сложный вопрос: что именно системе должно быть запрещено делать и как обеспечить соблюдение этого на уровне платформы, а не надеяться, что код сам это учтет?

Защитные механизмы (guardrails), созданные Treasure Data, функционируют выше самого кода. Когда любой пользователь подключается к CDP через Treasure Code, контроль доступа и управление разрешениями наследуются непосредственно от платформы. Пользователи могут обращаться только к тем ресурсам, на доступ к которым у них уже есть права. PII (персональные данные) не могут быть раскрыты. API-ключи не могут быть обнажены. Система не может высказываться уничижительно о бренде или конкурентах.

«Нам пришлось привлечь специалистов по информационной безопасности (CISO). Я сам участвовал. Наш технический директор, руководители инженерных отделов — просто чтобы убедиться, что эта штука не выйдет из-под контроля», — сказал Флорес.

Эта база сделала возможным следующий шаг: позволить ИИ генерировать 100% кодовой базы под контролем трехступенчатого конвейера качества, поддерживающего стандарты продакшена на всех этапах.

Трехступенчатый конвейер для генерации кода с помощью ИИ

Первый этап — это средство проверки кода на базе ИИ, которое также использует Claude Code.

Инструмент проверки кода располагается на этапе пулл-реквеста (pull request) и запускает структурированный контрольный список проверки для каждого предлагаемого слияния, проверяя архитектурное соответствие, соблюдение требований безопасности, правильность обработки ошибок, покрытие тестами и качество документации. Когда все критерии выполнены, слияние может происходить автоматически. Если нет, код отправляется на доработку человеку.

Тот факт, что Treasure Data создала средство проверки кода с помощью Claude Code, не случаен. Это означает, что инструмент, проверяющий сгенерированный ИИ код, сам был создан ИИ. Это доказательство того, что рабочий процесс подкрепляет сам себя, а не зависит от отдельного уровня контроля качества, написанного людьми.

Второй этап — это стандартный CI/CD-конвейер, выполняющий автоматизированные модульные, интеграционные и сквозные (end-to-end) тесты, статически анализирующий код, проверяющий его линтерами и проводящий проверки безопасности для каждого изменения. Третий этап — проверка человеком, которая требуется везде, где автоматизированные системы фиксируют риски или правила предприятия требуют официального одобрения.

Внутренний принцип, которым руководствуется Treasure Data: ИИ пишет код, но ИИ не выпускает код в релиз.

Почему это не просто Cursor, направленный на базу данных

Очевидный вопрос для любой инженерной команды заключается в том, почему бы просто не направить существующий инструмент, такой как Cursor, на свою платформу данных или не выставить ее в виде MCP-сервера, позволив Claude Code напрямую делать запросы.

Флорес возразил, что разница заключается в глубине управления. Общее подключение дает доступ к данным на естественном языке, но не наследует существующие структуры разрешений платформы, а это означает, что каждый запрос выполняется с теми правами, которые разрешены API-ключом.

Treasure Code наследует полный уровень контроля доступа и разрешений Treasure Data, поэтому то, что пользователь может сделать с помощью естественного языка, ограничено тем, на что у него уже есть права в платформе.

Второе отличие — оркестрация. Поскольку Treasure Code подключается напрямую к AI Agent Foundry от Treasure Data, он может координировать субагентов и навыки (skills) на всей платформе, а не выполнять отдельные задачи изолированно. Это разница между тем, чтобы сказать ИИ выполнить анализ, и тем, чтобы заставить его одновременно оркестровать этот анализ по направлениям омниканальной активации, сегментации и отчетности.

Что все-таки пошло не так

Даже при наличии архитектуры управления запуск прошел не идеально, и Флорес говорил об этом откровенно.

Сначала Treasure Data предоставила Treasure Code клиентам без плана выхода на рынок (go-to-market). Предполагалось, что функция останется незаметной, пока команда обдумывает следующие шаги. Клиенты все равно ее нашли. Более 100 клиентов и почти 1000 пользователей начали использовать инструмент в течение двух недель исключительно благодаря органическому поиску.

«Мы не проводили никаких маркетинговых кампаний. Мы не думали, что люди его найдут. Ну, они нашли», — сказал Флорес. — «Нам пришлось экстренно решать: как вообще выводить продукт на рынок? Стоит ли делать бету, раз технически он уже запущен?»

Спонтанное внедрение также создало пробел в обеспечении соответствия требованиям (compliance). Treasure Data все еще находится в процессе официальной сертификации Treasure Code в рамках своей программы соблюдения требований Trust AI — сертификации, которую они не успели завершить до того, как продукт попал к клиентам.

Вторая проблема возникла, когда Treasure Data открыла возможность разработки навыков для нетехнических команд. Менеджеры по работе с клиентами (CSM) и директора по работе с ключевыми клиентами начали создавать и отправлять навыки, не понимая, что именно будет одобрено и принято в репозиторий. Это привело к значительным напрасным усилиям и образованию очереди из запросов, которые не могли пройти политику доступа репозитория.

Корпоративное признание и то, чего все еще не хватает

Thomson Reuters входит в число ранних пользователей. Флорес рассказал, что компания пыталась создать собственную платформу ИИ-агентов собственными силами и испытывала трудности с поддержанием необходимого темпа. Она подключилась к AI Agent Foundry от Treasure Data, чтобы ускорить работу по сегментации аудитории, а затем перешла на Treasure Code для более быстрой кастомизации и итераций.

По словам Флореса, отзывы были сосредоточены на расширяемости и гибкости, а также на том факте, что закупки уже были осуществлены, что устранило серьезный корпоративный барьер для внедрения.

Пробел, на который указал Thomson Reuters и который, как признает Флорес, продукт пока не устраняет, — это руководство по уровню зрелости ИИ. Treasure Code не подсказывает пользователям, кто должен его использовать, с чего начать в первую очередь или как структурировать доступ для разных уровней навыков внутри организации.

«ИИ, который позволяет вам расширять возможности, но также подсказывает, как ими пользоваться — я думаю, это очень сильное отличие», — отметил Флорес. Он видит в этом следующий значимый уровень, который предстоит построить.

Какой вывод должны сделать руководители инженерных отделов

У Флореса было время подумать о том, чему его научил этот опыт, и он прямо сказал о том, что изменил бы. В следующий раз, по его словам, релиз остался бы внутренним.

«Мы выпустим его только внутри компании. Я не выпущу его ни для кого за пределами организации», — сказал он. — «Это будет более контролируемый релиз, чтобы мы могли на самом деле понять, с чем именно мы сталкиваемся, с меньшими рисками».

Что касается разработки навыков, урок заключался в том, чтобы установить четкие критерии для того, что получает одобрение и объединяется, *до* того, как открывать процесс для команд за пределами разработки, а не после.

Общая черта обоих уроков совпадает с тем, что сформировало архитектуру управления и трехступенчатый конвейер: скорость является преимуществом только в том случае, если окружающая ее структура выдерживает нагрузку. Для руководителей инженерных отделов, оценивающих готовность агентского программирования к продакшену, опыт Treasure Data сводится к трем практическим выводам.

1. Инфраструктура управления должна предшествовать коду, а не следовать за ним. Контроль доступа на уровне платформы и наследование разрешений сделали безопасным решение позволить ИИ генерировать код свободно. Без этой основы преимущество в скорости исчезает, поскольку каждый результат требует исчерпывающего ручного рассмотрения.

2. Контроль качества, который не зависит полностью от людей, обязателен при масштабировании. Создайте шлюз качества, который не полностью зависит от людей. ИИ может последовательно проверять каждый пулл-реквест без усталости и систематически проверять соблюдение политик во всей кодовой базе. Проверка человеком остается важной, но в качестве финального рубежа, а не основного механизма обеспечения качества.

3. Планируйте органическое внедрение. Если продукт работает, люди найдут его до того, как вы будете к этому готовы. Пробелы в соблюдении требований и выходе на рынок, которые Treasure Data закрывает до сих пор, являются прямым следствием недооценки этого фактора.

«Да, вайб-кодинг может работать, если все делается безопасным способом и установлены правильные защитные механизмы», — резюмировал Флорес. — «Примите его не как способ заменить хорошую работу, которую вы делаете, а как средство автоматизации рутинной работы, которую вполне можно доверить алгоритмам».