GitLab показала, почему AI-разработчики могут ускорять написание кода, но замедлять выпуск продукта

Это интересный сигнал для бизнеса: производительность программиста и скорость выпуска готового программного обеспечения — не одно и то же.

Представим IT-компанию, которая внедрила AI-инструменты для разработчиков. Раньше специалист тратил несколько часов на подготовку изменений, а теперь получает первоначальный вариант значительно быстрее.

На первый взгляд, производительность должна увеличиться. Но после написания кода остаются проверки, тестирование, согласование изменений, поиск уязвимостей и развёртывание.

Если эти процессы не изменились, компания может столкнуться с неожиданной ситуацией: разработчики создают больше изменений, а очередь на проверку становится длиннее.

Именно эту проблему рассматривает GitLab.

Компания представила дополнительные возможности GitLab Duo Agent Platform, позволяющие запускать многоэтапные рабочие процессы. Агент может получать цель, взаимодействовать с инструментами разработки и передавать результат на следующие этапы.

Например, задача начинается с описания ошибки. Затем необходимо найти соответствующий участок кода, подготовить исправление, выполнить тесты и сформировать запрос на проверку изменений.

Вместо нескольких разрозненных операций компания предлагает объединять эти действия в управляемые процессы.

Однако автоматизация не отменяет необходимости человеческого контроля. Особенно когда изменение касается финансовых операций, персональных данных или критически важных компонентов продукта.

Одно из направлений — управление зависимостями программного обеспечения.

Современное приложение обычно использует множество сторонних библиотек. Если AI-агент добавляет новую зависимость, важно проверить не только её функциональность, но и безопасность.

GitLab Dependency Firewall предназначен для проверки пакетов до их попадания в сборку. Политики могут учитывать известные уязвимости, подозрительные пакеты, лицензии и другие параметры.

На момент анонса инструмент находился в раннем доступе. Его не следует считать универсальной защитой от всех угроз.

Второе направление — управление секретами. GitLab Secrets Manager позволяет ограничивать доступ к конфиденциальным данным, необходимым для выполнения отдельных заданий сборки.

Это важно, поскольку автоматизированные процессы часто взаимодействуют с API, хранилищами и внешними сервисами. Неправильное обращение с ключами доступа может привести к последствиям, значительно превышающим стоимость ошибки в программном коде.

Третье направление — измерение эффективности.

GitLab представила Duo Agent Platform Impact Analytics, позволяющий сопоставлять использование AI-инструментов с выполняемыми задачами и расходами.

Здесь возникает важный управленческий вопрос: если компания тратит больше денег на AI-генерацию кода, становится ли выпуск продукта быстрее?

Количество созданных строк ничего не говорит о качестве программного обеспечения. Даже количество закрытых задач может вводить в заблуждение, если изменения приходится многократно переделывать.

Поэтому измерять необходимо весь путь от постановки задачи до работающего результата.

Для небольшой продуктовой команды полезно начать с нескольких показателей.

Первый — время прохождения задачи. Сколько проходит от принятия задачи в работу до выпуска проверенного изменения?

Второй — количество возвратов. Сколько раз разработчику приходится исправлять результат после тестирования или проверки?

Третий — стоимость завершённой задачи. Сюда входят время специалистов, расходы на AI-инструменты и дополнительные проверки.

Четвёртый — стабильность продукта после выпуска. Быстрая разработка не создаёт экономической выгоды, если количество инцидентов растёт.

При этом сравнивать стоит сопоставимые задачи. Исправление небольшой ошибки и разработка нового платёжного модуля требуют принципиально разных усилий.

Отдельного внимания заслуживает контекст. Агенту недостаточно видеть один файл, если изменение затрагивает несколько сервисов, архитектурные ограничения и правила компании.

GitLab развивает для этого Orbit — систему, связывающую сведения о жизненном цикле разработки. Компания сообщает о снижении числа повторных попыток в отдельных сценариях, однако такие показатели нельзя автоматически переносить на другие команды.

Практический вывод

Внедрение AI в разработку стоит оценивать не по скорости генерации кода, а по скорости безопасного выпуска работающих изменений.

Для руководителя это означает необходимость пересмотреть всю цепочку создания продукта: от постановки задачи до проверки результата.

Именно здесь может находиться основной экономический эффект — или скрытая причина того, почему дорогие AI-инструменты пока не оправдывают ожиданий.

Источники: Анонс GitLab от 6 октября · Документация GitLab Duo Agent Platform

Идея иллюстрации: производственная линия разработки: постановка задачи, код, тестирование, безопасность и выпуск. На каждом этапе виден отдельный AI-агент.