Развитие искусственного интеллекта смещается от использования помощников (copilots) и кодирования на основе настроения (vibe coding) к созданию систем ИИ, способных рассуждать в рамках рабочих процессов, координировать специализированных агентов и достигать результатов с минимальным участием человека.
На мероприятии DevSparks Hyderabad 2026 Эланго Сомасундарам, управляющий директор и технический директор UBS India, отметил, что переход к агентному ИИ заключается не столько в замене инженеров, сколько в изменении самой природы инженерной деятельности.
По словам Эланго, следующее конкурентное преимущество будет зависеть не только от улучшения самих моделей, но и от более богатого контекста, надежных защитных механизмов (guardrails) и разработчиков, способных мыслить шире, чем просто код.
Он подчеркнул: «Мы вступаем в эру агентной инженерии, где агенты ИИ не просто отвечают на запросы, а понимают контекст задачи и используют его для принятия более обоснованных решений».
Эланго проследил эволюцию ИИ через ряд этапов: от автоматизации рутинных процессов (robotic process automation) и облачных технологий до помощников, vibe coding и узкоспециализированных агентов. В то время как помощники могут предсказать следующую строку кода, vibe coding позволяет создавать программы через естественные языковые подсказки, а агенты выполняют конкретные задания. Агентный ИИ идет дальше: он начинает с намерения, определяет необходимые задачи, делегирует их специализированным агентам и предоставляет конечный результат.
Следующим рубежом названа агентная инженерия. Вместо того чтобы разработчики вручную разбивали требования на эпики, определяли зависимости, координировали команды и соединяли рабочие процессы, интеллектуальные системы будут все чаще самостоятельно понимать эти взаимосвязи. Это указывает на иной подход к разработке программного обеспечения, где ИИ начинает участвовать в архитектурном мышлении, которое традиционно выполнялось опытными инженерами.
Согласно Эланго, навыки быстро становятся товаром. Большинство организаций теперь имеют доступ к мощным базовым моделям и специализированным компетенциям, которые были демократизированы благодаря экосистемам с открытым исходным кодом и сообществам ИИ/МО. Он утверждал, что отличительной чертой является именно контекст.
«Как нам привнести больше контекста в разрабатываемые нами агенты? Вы можете получить навык, но как вы обеспечите включение контекста? Данные становятся важными», — заявил он.
Для предприятий, особенно в регулируемых отраслях, таких как банковское дело, контекст включает проприетарные бизнес-процессы, знание продуктов, политики безопасности, ожидания клиентов и организационные рабочие процессы. Общие модели могут писать код, но они не понимают автоматически, как конкретный банк утверждает транзакции, как медицинское учреждение управляет соответствием требованиям или как автомобильная компания проектирует свои продукты.
Это делает качество данных фундаментальным. Предприятия могут располагать огромным объемом информации, однако она часто бывает фрагментированной между системами, дублированной, непоследовательной или оторванной от рабочих процессов, необходимых ИИ. Следовательно, фокус смещается с количества сотрудников, использующих инструменты ИИ, или количества потребляемых токенов, на способность систем ИИ использовать корпоративный контекст для достижения точных и надежных результатов.
Для разработчиков это также меняет характер работы. Вместо того чтобы только реализовывать истории и эпики, им все чаще потребуется обогащать системы ИИ знаниями, необходимыми для правильного решения проблем.
Эланго пояснил, что агентный ИИ не может добиться успеха, фокусируясь только на прикладном уровне. Он описал корпоративную архитектуру как набор взаимосвязанных слоев, охватывающих инфраструктуру и сетевое взаимодействие, управление идентификацией, практики разработки программного обеспечения, управление и безопасность. Современное приложение может работать как в облачной, так и в локальной среде, подключаться к десяткам сервисов и функционировать в рамках архитектурных принципов, специфичных для организации. Поэтому агентные системы должны рассуждать в рамках всей более широкой экосистемы, а не просто генерировать функциональный код.
Управление идентификацией и доступом приобретает особую важность, поскольку агенты все чаще обмениваются информацией друг с другом. Если неточная или галлюцинированная информация передается от одного агента к другому, ошибка может усилиться и привести к неправильному и непреднамеренному результату рабочего процесса, что повлечет за собой серьезные последствия. Поэтому предприятиям необходимы защитные механизмы на каждом архитектурном уровне: связность, аутентификация, элементы жизненного цикла разработки программного обеспечения, соблюдение нормативных требований и политики безопасности становятся частью агентного рабочего процесса, а не проверками, проводимыми в конце.
Эланго также затронул изменение роли человека. Поскольку ИИ автоматизирует все больше этапов исполнения, разработчики продолжат определять цели, проверять результаты и предоставлять бизнес-контекст. Для предприятий более совершенные модели рассуждения сделали внедрение ИИ одновременно более многообещающим и более сложным. Он отметил: «Хотя мы получаем большую эффективность в плане ускорения разработки кода и даже тестирования, конечный результат требует тщательного тестирования. ИИ может генерировать десятки и тысячи строк кода всего за минуту; мы должны убедиться, что в нем нет ничего неверного».
Ранее рабочие процессы ИИ сильно зависели от проверки кода человеком перед его переходом к тестированию. Агентные системы добавляют еще один уровень сложности, поскольку несколько агентов могут независимо генерировать, проверять и выполнять различные части рабочего процесса. В результате предприятия замедляют развертывание — не потому, что технология не обещает ничего хорошего, а потому, что управление стало важнее скорости.
Каждая модель, попадающая в среду предприятия, теперь требует тщательной курации. Команды безопасности должны гарантировать, что конфиденциальная информация не утечет во внешние модели, а разработчики должны быть уверены, что выходные данные, сгенерированные ИИ, соответствуют внутренним политикам перед выходом в продакшен.
Эланго рассматривает банковский сектор как ранний пример того, как агентный ИИ может изменить операционные модели. Рутинные процессы, такие как расчеты платежей, операции с клиентами и оркестрация рабочих процессов, в конечном итоге могут управляться скоординированными агентами вместо крупных операционных команд. Однако это будущее по-прежнему зависит от архитекторов, инженеров, бизнес-лидеров и операционных экспертов, проектирующих экосистему, стоящую за этими агентами.
Более крупная возможность, по его мнению, заключается в дифференциации предприятия. У каждой отрасли есть уникальный контекст, который конкуренты не могут легко воспроизвести. В банковской сфере это включает регуляторные знания, рамки рисков, платежную инфраструктуру и доверие клиентов. По мере созревания агентных систем эти контекстуальные преимущества могут стать более ценными, чем доступ к общим моделям ИИ.
Эланго также обсудил, что агентный ИИ означает для разработчиков. Он настаивал, что опыт по-прежнему имеет значение. Модель ИИ может сгенерировать тысячу строк рабочего кода, но опытный инженер часто знает, как решить ту же проблему более эффективно и результативно, поскольку он понимает бизнес-контекст, уроки из частичных релизов, знает о потребностях клиентов, которые не задокументированы, и изучает их посредством постоянного взаимодействия и уточнений.
Поколение разработчиков будущего, по его словам, должно обладать тремя способностями: пониманием бизнес-проблемы, сотрудничеством в сложных корпоративных экосистемах и четким изложением намерений для систем ИИ, а не просто написанием кода. По мере развития агентной инженерии кодирование станет лишь одной частью инструментария разработчика. Контекст, суждение и системное мышление станут все более важными для тех, кто стремится лидировать с помощью ИИ.