Влияние искусственного интеллекта на разработку программного обеспечения оказалось глубоким и продолжает меняться буквально на глазах. Год назад в AMD описывали планы применять ИИ не только для написания новых строк кода, но и на других этапах жизненного цикла разработки (SDLC) — при сортировке проблем, отладке и тестировании. Тогда компания рассчитывала на 25-процентный прирост производительности за два-три года.
Источник изображения — spectrum.ieee.org
Но с каждым новым релизом возможности больших языковых моделей растут скачкообразно, ускоряя разработку, повышая качество сгенерированного кода и принципиально меняя саму инженерную практику. Всего год спустя цель оказалась перевыполнена: достигнут 30-процентный общий прирост производительности. Более того, в компании пересматривают уже не только то, как ИИ применяется внутри SDLC, но и структуру самого цикла разработки.
Главная революция в программной инженерии, по мнению AMD, ещё впереди. До сих пор ИИ преимущественно учили тому, как задачи выполняет человек, и просили копировать существующие процессы. Во многом это загоняет модели в рамки человеческих шаблонов мышления. Следующая трансформация придёт от совместных роёв ИИ-агентов, способных находить решения самостоятельно.
Агенты сегодняшнего дня
Разработку систем для генерации кода, автоматизации тестирования, анализа ошибок и код-ревью в AMD начали в 2024 году. Тогда цель формулировалась так: довести долю production-кода, написанного ИИ, до 25 процентов к 2027 году, постепенно автоматизируя всё большие участки цикла разработки.
Измерять производительность по своей природе сложно, но с самого начала компания последовательно отслеживала одну объективную метрику — процент исходного кода, сгенерированного ИИ. Принципиально важно, что засчитывается только тот код, который прошёл все ревью и тесты и в итоге попал в финальный продукт. Разумеется, сгенерированный код — не единственный источник прироста производительности, но это одна из немногих метрик, которую можно измерять объективно и единообразно.
По этому показателю отметка в 20 процентов была пройдена в начале текущего года, а сейчас компания движется к 50 процентам по всей кодовой базе. В отдельных программных компонентах доля сгенерированного ИИ кода уже превышает 80 процентов.
Агентный подход позволил встроить ИИ в каждый этап жизненного цикла. При анализе и сортировке агенты обучены разбирать отчёты о проблемах, находить и группировать похожие обращения и подсвечивать фрагменты кода, которые вероятнее всего придётся править. На этапе отладки и генерации агенты получают задачу проанализировать баг-репорт и внести необходимые изменения. При тестировании они пишут модульные тесты, а после их прохождения определяют, какие нужны интеграционные и продуктовые проверки. Наконец, на стадии согласования и релиза агенты готовят архитектурную сводку, обзор изменений и полные результаты тестов для рассмотрения инженерами — и, получив одобрение, интегрируют правки в следующий выпуск.
Агенты завтрашнего дня
Сегодня инженеры создают агентов по своему образу и подобию: передают им знания о системе, о том, как они сами исправили бы проблему и как реализовали бы изменение. Само по себе это уже крупный технологический сдвиг. Инженер способен создать несколько «ИИ-версий» себя, запустить их параллельно и масштабировать собственную экспертизу далеко за пределы личной производительности. Ограничение, однако, в том, что такие агенты по-прежнему скованы человеческим мышлением и человеческими подходами.
Источник изображения — spectrum.ieee.org
Следующая крупная трансформация, как считают в компании, произойдёт тогда, когда совместные рои агентов смогут самостоятельно выявлять и разрабатывать решения — при том что человек задаёт, что решать, а не ограничивает своими представлениями о том, как это делать. Вместо подробных инструкций инженер определит проблему, желаемый результат и ограничения по качеству, производительности и системным требованиям, позволив агентам самим найти оптимальный путь.
Дальше рой работает параллельно, генерируя, оценивая и дорабатывая сразу несколько подходов к решению. Агенты автоматически проверяют корректность, замеряют производительность, тестируют компромиссы и сравнивают альтернативные реализации с заданными критериями успеха. В финале они готовят ранжированные варианты решений вместе с результатами проверок и метриками для рассмотрения и утверждения инженером. Такие агенты уже не улучшают отдельные этапы цикла разработки — они переписывают сам цикл.
Чтобы к этому прийти, нужно изменить способ обучения агентов. Сегодня улучшение происходит по схеме «один инженер — один агент»: человек смотрит результат, правит промпт и повторяет цикл. Чтобы выйти за пределы этой модели, агенты должны непрерывно учиться друг у друга, переиспользовать удачные стратегии и совершенствоваться совместно — между проектами и командами.
Движение в эту сторону уже идёт: в AMD активно применяют многоагентные процессы через агентные оболочки вроде Codex и Claude Code, параллельно разрабатывая собственные внутренние многоагентные системы под следующее поколение инструментов.
Наглядный пример — работа над устранением проблем в Radeon Software eXperience (RSX), компоненте интерфейса, через который пользователи настраивают графический драйвер и следят за его поведением. В октябре 2025 года компания начала применять агентов для автоматической отладки и исправления поступающих обращений по RSX. Готовые инструменты «из коробки» дали скромный результат — было закрыто лишь 6 процентов проблем.
Доля программных проблем в Radeon Software eXperience (RSX), исправленных ИИ-агентами автоматически, устойчиво росла и достигла 75 процентов к июню 2026 года. Источник изображения — spectrum.ieee.org
Анализируя неудачи и выискивая точки роста, в компании выстроили цикл обучения — поначалу во многом ручной, — чтобы понять, где именно агенты не справляются и как это исправить. Вместо переобучения базовых моделей уточнялись цели, которые ставились перед агентами: им дали возможность итеративно перебирать несколько подходов, оценивать результаты по заданным критериям успеха и сходиться к лучшим решениям. Параллельно росли и возможности самих моделей и агентных сред. В сумме это подняло долю решённых обращений с 6 до более чем 75 процентов.
Чтобы агенты и их рои стали по-настоящему продуктивными, нужен непрерывный обучающий контур, возвращающий ошибки и человеческие вмешательства обратно в будущие сценарии работы. Задача — выстроить этот контур вокруг ясных измеримых целей. Каждый цикл фиксирует новые наблюдения, делая всю инженерную схему умнее и эффективнее. Со временем именно этот самоусиливающийся контур, а не сама по себе базовая модель, станет ключевым драйвером прогресса.
Как меняется роль инженера
В AMD рассматривают ИИ как средство повысить производительность, улучшить качество и освободить сотрудников для работы более высокого уровня. Заявленная цель — усилить персонал искусственным интеллектом, а не сократить штат.
Под эту трансформацию компания вкладывается в обучение и подготовку по всей организации: методы работы меняются быстро, и в AMD хотят, чтобы каждый сотрудник умел применять ИИ уверенно, ответственно и результативно.
По мере совершенствования агентов инженеры будут тратить меньше времени на ручную реализацию решений, сосредотачиваясь на формулировании требований, проверке результатов и стратегических решениях, которые и двигают инновации. Стоит, впрочем, держать в голове, что все приведённые цифры — это данные самой компании о собственных процессах, и универсальным отраслевым ориентиром они пока не являются: доля сгенерированного кода сильно зависит от типа проекта, а на драйверах и утилитах она объективно выше, чем на системах с жёсткими требованиями к надёжности.
