Вайб-кодинг в банках: почему ИИ не заменит инженеров, а лишь усложнит их задачи

Habr AI · оригинал

Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Технический директор Своего Банка Максим Гречиха объясняет, что генеративный ИИ полезен для бытовых задач, но в корпоративном секторе требует строгого инженерного контроля. Внедрение LLM-инструментов должно быть интегрировано в полный жизненный цикл разработки с сохранением ответственности человека за качество и безопасность.

Статья раскрывает практические ограничения применения ИИ в критически важных системах, демонстрируя разрыв между маркетинговыми обещаниями автоматизации и реальными требованиями к надежности банковского ПО.

Тема «вайб-кодинга» — разработки программного обеспечения с опорой на интуицию и генеративные модели без глубокого понимания архитектуры — стала одной из самых обсуждаемых в IT-сообществе. Однако в секторе финансовых технологий, где ошибки могут иметь серьезные последствия, подход к использованию искусственного интеллекта требует более взвешенной оценки. Максим Гречиха, технический директор Своего Банка, в беседе с Habr AI разделяет понятия бытового и корпоративного применения LLM-инструментов. По его мнению, для настройки домашнего оборудования или создания простых скриптов такие технологии демонстрируют высокую эффективность. В банковских системах же даже незначительная логическая ошибка при массовом потоке операций способна привести к критическим сбоям, поэтому слепое доверие к сгенерированному коду недопустимо.

Ключевой аргумент против полной автоматизации заключается в уровне ответственности. ИИ способен быстро тиражировать как решения, так и ошибки, если за процессом не стоит квалифицированный специалист. Гречиха подчеркивает, что интеграция ИИ должна происходить в рамках стандартного жизненного цикла разработки: от постановки задачи до тестирования и сопровождения. Требования информационной безопасности и DevOps-практики сохраняются в неизменном виде. Основанием для доверия к продукту становится не факт использования нейросети, а проверяемое качество и соблюдение нормативных требований.

Роль разработчика при этом трансформируется. Вместо ручного написания строк кода инженеры уделяют больше внимания архитектуре, интеграции компонентов и проверке системного поведения. Сгенерированный фрагмент может выглядеть корректно изолированно, но игнорировать ограничения соседних сервисов или специфику банковских процессов. Ускорение этапа написания кода не гарантирует пропорционального сокращения сроков выпуска продукта, так как критическим остается этап валидации и отладки.

Важным аспектом является долгосрочная поддержка решений. Команда должна сохранять способность разбираться в сгенерированном коде при возникновении инцидентов, изменять бизнес-логику и обновлять зависимости. Без глубокого понимания системы и документирования решений компания рискует потерять контроль над продуктом на этапе эксплуатации. Это делает навыки чтения и анализа кода не менее важными, чем навыки его генерации.

Для безопасной работы с LLM в корпоративном секторе необходимы строгие регламенты. Они включают создание внутренних инструкций для ИИ-агентов, контролируемое подключение к данным через MCP-серверы и жесткое разграничение доступа. Особое внимание уделяется очистке чувствительной информации перед передачей во внешние модели, а также определению границ допустимых данных, которые вообще могут покидать периметр организации.

Изменения затрагивают и систему оценки эффективности сотрудников. KPI должны стимулировать не количество обращений к модели или объем сгенерированного кода, а качество результата и фактические трудозатраты на проверку и доработку. Гречиха отмечает, что скепсис опытных специалистов часто обусловлен высокими требованиями к качеству или негативным прошлым опытом. Однако именно их экспертиза позволяет точно формулировать задачи и выявлять скрытые ограничения предложенных ИИ решений.

Главный критерий успешного внедрения — подтвержденный эффект для бизнеса, а не просто факт использования технологий. Необходимо измерять полный путь от постановки задачи до стабильной работы решения, учитывая затраты на исправление ошибок. Перспективным направлением остается профессиональная инженерная работа с ИИ-помощником, где скорость подчинена управляемому процессу и понятной ответственности.