23 июля 2026
22
Мультимодальные интерфейсы, внедрение ИИ-инструментов, новые подходы к анализу данных и принятию решений в компаниях уже активно меняют процесс разработки программного обеспечения. О том, как может эволюционировать создание ПО в недалеком будущем, рассказал Максим Ковтун, управляющий партнер «Разработка и тестирование» IBS.
История автоматизации — это процесс постепенного расширения того, что человек делегирует машинам. Сначала механизмы освободили людей от тяжелого ручного труда, затем компьютеры взяли на себя вычисления, а интернет и облачные технологии устранили необходимость в физическом перемещении данных. В настоящее время искусственный интеллект выводит этот процесс на принципиально новый уровень — ему доверяют рутинное принятие решений и написание кода, меняя тем самым саму природу интеллектуального труда. Текущую трансформацию еще 15 лет назад предсказал Клаус Шваб в своей концепции «Четвертой промышленной революции». Он описал, как стирается грань между физическим, цифровым и биологическим мирами. Эрик Бриньольфсон и Эндрю Макафи более 12 лет назад говорили о грядущем переходе к автоматизации интеллектуального труда в книге «Вторая эра машин». И вот это время пришло.
Чтобы представить, что будет дальше и как изменится разработка ПО, стоит сконцентрироваться на трех категориях изменений: устройствах взаимодействия с физическим миром, процессах анализа данных и принятия решений, внедрении инструментов ИИ в сам процесс разработки.
Даже роботы под влиянием ИИ превратятся из жестко запрограммированных исполнителей в адаптивных агентов, способных самостоятельно планировать маршруты и безопасно взаимодействовать с людьми, обучаясь на нескольких примерах. Ключевой сдвиг — интеграция ИИ с физическим миром, превращающая роботизированные системы в интеллектуальные оркестрационные платформы.
Агенты будут непрерывно отслеживать потоки данных и выявлять аномалии, возможности и риски до того, как их сформулирует человек. Например, агент финансового мониторинга заметит паттерн задержки оплат у клиентов из одного сектора, проанализирует их публичные новости, выявит риск каскадного неплатежа и предложит руководителю сценарии за два часа до совещания.
Вместо того, чтобы строить сводные таблицы, сотрудник будет вести диалог с агентами, которые уже провели анализ и возвращают обоснованные гипотезы со степенью уверенности и альтернативными интерпретациями.
Дашборды уступят место AR-наложению на реальные объекты, 3D-моделям бизнес-процессов, куда можно «войти» и увидеть узкие места, и голосовым сводкам для ситуаций, когда экран недоступен. Сейчас есть четкое распределение решений: рутинные, формализуемые задачи полностью забирают агенты (автопополнение запасов, маршрутизация заявок); в решениях средней сложности агент готовит варианты, а человек утверждает; этические решения остаются за человеком, но с мощной аналитической поддержкой агентов. При такой схеме каждое решение фиксируется в журнале с цепочкой обоснований, благодаря чему легко проследить, какие данные учли, кто принял финальное решение и на каком основании.
Агенты будут не просто воспроизводить правильные ответы, а выбирать стратегии поведения, решая многоэтапные задачи и обучаясь на собственном опыте. С новыми подходами к интерфейсам и анализу данных программное обеспечение перестанет быть традиционным «приложением для экрана», что изменит методы его создания.
Развиваемый подход использования агентов должен удешевить трансляцию требований в код, но для этого в первую очередь необходимо изменить процесс выявления требований. Сбор требований трансформируется через несколько взаимодополняемых подходов. Вместо текстовых ТЗ и пользовательских сценариев (user stories) бизнес-заказчик совместно с агентом создаст исполняемые спецификации — набор примеров поведения системы, которые агент сразу будет проверять на непротиворечивость и генерирует формальные критерии приемки.
Бизнес-заказчик сможет не описывать требования, а сразу пробовать работу будущей системы через диалог с агентом, который генерирует прототип на лету, подключаясь к тестовому контуру API. Для сложных бизнес-правил агент поможет сформулировать формальные контракты с предусловиями, постусловиями и инвариантами, переводя их на язык специализированной программы-решателя (SMT-солвера) для проверки внутренних противоречий. Агенты также будут анализировать историю обсуждений, переписку и протоколы совещаний, выявляя неявные требования и конфликты. Например, в одном месте сказано «хранить данные пять лет», а в другом — «соответствовать регламенту хранения данных», в котором срок указан три года. Для крупных систем требования согласуются через симуляцию работы в «цифровом двойнике» существующих процессов, где бизнес-заказчик видит узкие места и корректирует правила прямо в симуляции. Наконец, даже после утверждения требований агенты постоянно отслеживают изменения законов, рыночных условий и внутренних обсуждений, анализируя влияние на уже сгенерированный код.
Инженер и изобретатель Марк Андриссен, создавший первый в мире веб-браузер Mosaic, не раз подчеркивал: ИИ снижает стоимость разработки настолько, что «код становится бесплатным, ценность переходит в данные и бизнес-логику». Сэм Альтман, генеральный директор OpenAI, в прогнозах о «мире изобилия» говорит о таком же удешевлении интеллектуального труда. Он считает, что к 2027 году стоимость использования ИИ может упасть в 100 раз, что сделает передовые технологии доступными каждому. Согласно результатам обзора актуальных технологических трендов Thoughtworks Technology Radar 2025, индустрия переходит от разрозненных ИИ-инструментов к оркестрации множества агентов.
Классическая концепция «сдвиг влево» (Shift-Left) — подход в разработке ПО, при котором тестирование, обеспечение безопасности и контроль качества переносятся на максимально ранние этапы жизненного цикла проекта (влево по временной шкале) — в эпоху генеративного ИИ получает новое воплощение: агент сначала создает формальные спецификации и тестовые сценарии, а затем генерирует код, который обязан их пройти. Появление мультимодальных интерфейсов потребует от разработчиков проектирования диалоговых сценариев, привязки комментариев к взгляду и жесту, управления вниманием пользователя.
Разработка выйдет за пределы экрана. Чтобы одно приложение работало через AR-очки, голосового ассистента и тактильные интерфейсы, его логика должна быть отделена от каналов ввода-вывода. Это усилит тренд на методологию разработки ПО, при которой проектирование интерфейса прикладного программирования (API) происходит до написания основного кода (API-first дизайн) и агентную оркестрацию, где ИИ-агенты решают, через какой канал выдать результат.
Заказная разработка больше не будет создавать отдельные мобильные или веб-приложения. ПО становится набором сервисов, вызываемых агентами, а разработка интерфейса заменяется проектированием сценариев мультимодального взаимодействия. Специалист в области ПО не будет писать код вручную, а проектировать сложные системы из модулей, создаваемых ИИ; владеть промпт-инжинирингом на уровне архитектуры, задавая контекст так, чтобы сеть агентов выдала согласованное решение; и отвечать за валидацию. Если ИИ генерирует 99% кода, самая дорогая работа — гарантировать, что 1% «галлюцинаций» не обрушит бизнес.
Модель «заказчик → архитектор → тимлид → разработчики» уступает место гибридным командам людей и ИИ-агентов. Количество сотрудников сократится, но их квалификация и ответственность возрастут. Доменный эксперт или продуктовый архитектор, понимающий бизнес клиента, будет формализовать правила в виде, понятном агентам, и утверждать неизменяемые инварианты. Архитектор агентских систем спроектирует состав и взаимодействие агентов, определяя границы участия человека и отвечая за эффективность процесса
Инженер-оркестратор, бывший старший разработчик, переключится с ручного написания кода на управление генерацией с помощью инструментов вроде LangGraph. Инженер верификации переведет бизнес-правила на язык формальной логики и настроит SMT-солверы, математически доказывающие соответствие кода спецификации. Инженер данных и контекста станет архитектором системы знаний для агентов, управляя этапами обработки запросов и формирования ответов ИИ, версионированием промптов. Специалист по безопасности и эксплуатации агентов возьмет на себя защиту от инъекций промптов, аудит цепочек поставок ИИ-компонентов и контроль физических угроз. Инженер мультимодальных интерфейсов будет проектировать сценарии для AR-очков, голоса и тактильных устройств, зная инструменты разработки промышленных решений.
Вместо привычной иерархии возникнет более плоская структура, где агенты возьмут на себя рутинные операции. Потребность в «кодировщике» резко сократится, но «инженер программного обеспечения» — специалист, понимающий физику, бизнес-процессы и безопасность, умеющий управлять большим количеством интеллектуальных агентов, — станет элитарной профессией. Порог входа сместится с синтаксиса языка на понимание функциональной области. Стоимость работ будет определяться сложностью домена и достигаемым бизнес-эффектом, а не количеством написанных строк кода. Экспертиза в бизнесе и решение клиентской задачи станут по-настоящему ценными.
Если в процессе чтения вы узнали свои задачи — поиск пропущенных кейсов в требованиях, долгие согласования документации или анализ рисков вручную, — значит, вы уже на этапе, где ИИ-инструменты дают не преимущество, а снимают ограничения. Практический курс «ИИ для бизнес-аналитика» построен именно вокруг этих сценариев: от резюмирования интервью со стейкхолдерами до автоматической проверки требований на противоречивость. 16 часов, 62% практики, и ИИ становится не отдельным навыком, а естественной частью вашего аналитического мышления.
Автор — Максим Ковтун, управляющий партнер «Разработка и тестирование» IBS.
Оригинал статьи — на сайте IBS.ru
Чтобы представить, что будет дальше и как изменится разработка ПО, стоит сконцентрироваться на трех категориях изменений: устройствах взаимодействия с физическим миром, процессах анализа данных и принятия решений, внедрении инструментов ИИ в сам процесс разработки.
Устройства взаимодействия
В нашем 2026-м доминируют клавиатура, мышь и плоский дисплей. В недалеком будущем интерфейсы станут мультимодальными и контекстно-зависимыми. Очки дополненной реальности (AR-очки) заменят планшеты на складах, в логистике и здравоохранении: ввод команд — голосом, жестом, взглядом; вывод — наложение цифровой информации на реальные объекты. Стационарные рабочие места перейдут на легкие AR-дисплеи или лазерные проекции, где текстовый ввод для сложных формулировок дополнится диктовкой, а вывод превратится в несколько виртуальных экранов с пространственным аудио. Появятся тактильные перчатки для удаленного управления роботами и сенсорные столы для командной работы, интегрированные с агентами, которые анализируют жесты, взгляды и идентифицируют пользователей. Наконец, само физическое пространство станет активным интерфейсом: через датчики, микрофоны, камеры оно будет распознавать, кто находится в помещении и какие задачи решаются, настраивая среду и снабжая контекстной информацией.Даже роботы под влиянием ИИ превратятся из жестко запрограммированных исполнителей в адаптивных агентов, способных самостоятельно планировать маршруты и безопасно взаимодействовать с людьми, обучаясь на нескольких примерах. Ключевой сдвиг — интеграция ИИ с физическим миром, превращающая роботизированные системы в интеллектуальные оркестрационные платформы.
Изменения процесса анализа данных и принятия решений
Изменения интерфейсов меняет и саму природу анализа данных: плоские информационные панели (дашборды) уступают место контекстной, пространственной визуализации. В настоящее время процесс принятия решений в компании инициативен: сотрудник обращается к BI-системе, вручную сопоставляет источники, формулирует гипотезу и запускает действие через ERP или CRM. В ближайшем будущем этот процесс станет непрерывным, упреждающим и распределенным между человеком и агентами.Агенты будут непрерывно отслеживать потоки данных и выявлять аномалии, возможности и риски до того, как их сформулирует человек. Например, агент финансового мониторинга заметит паттерн задержки оплат у клиентов из одного сектора, проанализирует их публичные новости, выявит риск каскадного неплатежа и предложит руководителю сценарии за два часа до совещания.
Вместо того, чтобы строить сводные таблицы, сотрудник будет вести диалог с агентами, которые уже провели анализ и возвращают обоснованные гипотезы со степенью уверенности и альтернативными интерпретациями.
Дашборды уступят место AR-наложению на реальные объекты, 3D-моделям бизнес-процессов, куда можно «войти» и увидеть узкие места, и голосовым сводкам для ситуаций, когда экран недоступен. Сейчас есть четкое распределение решений: рутинные, формализуемые задачи полностью забирают агенты (автопополнение запасов, маршрутизация заявок); в решениях средней сложности агент готовит варианты, а человек утверждает; этические решения остаются за человеком, но с мощной аналитической поддержкой агентов. При такой схеме каждое решение фиксируется в журнале с цепочкой обоснований, благодаря чему легко проследить, какие данные учли, кто принял финальное решение и на каком основании.
Агенты будут не просто воспроизводить правильные ответы, а выбирать стратегии поведения, решая многоэтапные задачи и обучаясь на собственном опыте. С новыми подходами к интерфейсам и анализу данных программное обеспечение перестанет быть традиционным «приложением для экрана», что изменит методы его создания.
Эволюция процесса разработки программного обеспечения
Как правило, команды тратят 35–40% времени и бюджета на выявление, интерпретацию и согласование требований, а не на написание кода. Это и есть та самая «сущностная сложность» или неизбежная сложность самой задачи, о которой писал Фредерик Брукс в «Мифическом человеко-месяце, или Как создаются программные системы». Писать код не так сложно, как понять и согласовать, что именно писать.Развиваемый подход использования агентов должен удешевить трансляцию требований в код, но для этого в первую очередь необходимо изменить процесс выявления требований. Сбор требований трансформируется через несколько взаимодополняемых подходов. Вместо текстовых ТЗ и пользовательских сценариев (user stories) бизнес-заказчик совместно с агентом создаст исполняемые спецификации — набор примеров поведения системы, которые агент сразу будет проверять на непротиворечивость и генерирует формальные критерии приемки.
Бизнес-заказчик сможет не описывать требования, а сразу пробовать работу будущей системы через диалог с агентом, который генерирует прототип на лету, подключаясь к тестовому контуру API. Для сложных бизнес-правил агент поможет сформулировать формальные контракты с предусловиями, постусловиями и инвариантами, переводя их на язык специализированной программы-решателя (SMT-солвера) для проверки внутренних противоречий. Агенты также будут анализировать историю обсуждений, переписку и протоколы совещаний, выявляя неявные требования и конфликты. Например, в одном месте сказано «хранить данные пять лет», а в другом — «соответствовать регламенту хранения данных», в котором срок указан три года. Для крупных систем требования согласуются через симуляцию работы в «цифровом двойнике» существующих процессов, где бизнес-заказчик видит узкие места и корректирует правила прямо в симуляции. Наконец, даже после утверждения требований агенты постоянно отслеживают изменения законов, рыночных условий и внутренних обсуждений, анализируя влияние на уже сгенерированный код.
Инженер и изобретатель Марк Андриссен, создавший первый в мире веб-браузер Mosaic, не раз подчеркивал: ИИ снижает стоимость разработки настолько, что «код становится бесплатным, ценность переходит в данные и бизнес-логику». Сэм Альтман, генеральный директор OpenAI, в прогнозах о «мире изобилия» говорит о таком же удешевлении интеллектуального труда. Он считает, что к 2027 году стоимость использования ИИ может упасть в 100 раз, что сделает передовые технологии доступными каждому. Согласно результатам обзора актуальных технологических трендов Thoughtworks Technology Radar 2025, индустрия переходит от разрозненных ИИ-инструментов к оркестрации множества агентов.
Классическая концепция «сдвиг влево» (Shift-Left) — подход в разработке ПО, при котором тестирование, обеспечение безопасности и контроль качества переносятся на максимально ранние этапы жизненного цикла проекта (влево по временной шкале) — в эпоху генеративного ИИ получает новое воплощение: агент сначала создает формальные спецификации и тестовые сценарии, а затем генерирует код, который обязан их пройти. Появление мультимодальных интерфейсов потребует от разработчиков проектирования диалоговых сценариев, привязки комментариев к взгляду и жесту, управления вниманием пользователя.
Разработка выйдет за пределы экрана. Чтобы одно приложение работало через AR-очки, голосового ассистента и тактильные интерфейсы, его логика должна быть отделена от каналов ввода-вывода. Это усилит тренд на методологию разработки ПО, при которой проектирование интерфейса прикладного программирования (API) происходит до написания основного кода (API-first дизайн) и агентную оркестрацию, где ИИ-агенты решают, через какой канал выдать результат.
Заказная разработка больше не будет создавать отдельные мобильные или веб-приложения. ПО становится набором сервисов, вызываемых агентами, а разработка интерфейса заменяется проектированием сценариев мультимодального взаимодействия. Специалист в области ПО не будет писать код вручную, а проектировать сложные системы из модулей, создаваемых ИИ; владеть промпт-инжинирингом на уровне архитектуры, задавая контекст так, чтобы сеть агентов выдала согласованное решение; и отвечать за валидацию. Если ИИ генерирует 99% кода, самая дорогая работа — гарантировать, что 1% «галлюцинаций» не обрушит бизнес.
Модель «заказчик → архитектор → тимлид → разработчики» уступает место гибридным командам людей и ИИ-агентов. Количество сотрудников сократится, но их квалификация и ответственность возрастут. Доменный эксперт или продуктовый архитектор, понимающий бизнес клиента, будет формализовать правила в виде, понятном агентам, и утверждать неизменяемые инварианты. Архитектор агентских систем спроектирует состав и взаимодействие агентов, определяя границы участия человека и отвечая за эффективность процесса
Инженер-оркестратор, бывший старший разработчик, переключится с ручного написания кода на управление генерацией с помощью инструментов вроде LangGraph. Инженер верификации переведет бизнес-правила на язык формальной логики и настроит SMT-солверы, математически доказывающие соответствие кода спецификации. Инженер данных и контекста станет архитектором системы знаний для агентов, управляя этапами обработки запросов и формирования ответов ИИ, версионированием промптов. Специалист по безопасности и эксплуатации агентов возьмет на себя защиту от инъекций промптов, аудит цепочек поставок ИИ-компонентов и контроль физических угроз. Инженер мультимодальных интерфейсов будет проектировать сценарии для AR-очков, голоса и тактильных устройств, зная инструменты разработки промышленных решений.
Краткие итоги: что ждет разработку программного обеспечения в будущем
Ключевое изменение — в сборе требований — переход от текстовых ТЗ к исполняемым, проверяемым артефактам. Цикл «требование → интерпретация → код → замечания» изменится на «видение → моментальный прототип или контракт → валидация → финальная генерация», где обратная связь поступает не через недели, а минуты. По моей оценке, это сократит длительность этапа проектирования на 30–50%. Именно эти изменения процесса и есть недалекое будущее заказной разработки, а не простая замена разработчика на агента.Вместо привычной иерархии возникнет более плоская структура, где агенты возьмут на себя рутинные операции. Потребность в «кодировщике» резко сократится, но «инженер программного обеспечения» — специалист, понимающий физику, бизнес-процессы и безопасность, умеющий управлять большим количеством интеллектуальных агентов, — станет элитарной профессией. Порог входа сместится с синтаксиса языка на понимание функциональной области. Стоимость работ будет определяться сложностью домена и достигаемым бизнес-эффектом, а не количеством написанных строк кода. Экспертиза в бизнесе и решение клиентской задачи станут по-настоящему ценными.
Если в процессе чтения вы узнали свои задачи — поиск пропущенных кейсов в требованиях, долгие согласования документации или анализ рисков вручную, — значит, вы уже на этапе, где ИИ-инструменты дают не преимущество, а снимают ограничения. Практический курс «ИИ для бизнес-аналитика» построен именно вокруг этих сценариев: от резюмирования интервью со стейкхолдерами до автоматической проверки требований на противоречивость. 16 часов, 62% практики, и ИИ становится не отдельным навыком, а естественной частью вашего аналитического мышления.
Автор — Максим Ковтун, управляющий партнер «Разработка и тестирование» IBS.
Оригинал статьи — на сайте IBS.ru