Код будущего: Хабр и Сбер открывают новый сезон материалов об ИИ в разработке ПО
Искусственный интеллект в IT больше не воспринимается как экспериментальная технология. Он уже участвует в подготовке требований, написании и проверке кода, создании тестов, поиске уязвимостей и сопровождении продуктов. Поэтому главный вопрос для команд сегодня звучит иначе: не "стоит ли применять ИИ", а "как встроить его в разработку так, чтобы получить измеримый результат и не потерять контроль над качеством".
Именно этой трансформации посвящён новый сезон статей "Код будущего", который проводят Хабр и Сбер. Авторы смогут рассказать о собственном опыте применения ИИ при создании программных продуктов, а также исследовать связь искусственного интеллекта и open source. Сезон пройдёт с 11 сентября по 11 ноября 2026 года.
В прошлом году аналогичный проект, организованный командой GitVerse, был посвящён открытым технологиям и собрал около 80 содержательных публикаций. Новый сезон продолжает эту инициативу, но переносит фокус на искусственный интеллект. При этом open source остаётся важной частью повестки: именно открытый код, публичные библиотеки и совместная разработка стали фундаментом для множества современных моделей и ИИ-сервисов.
Основные направления сезона
1. AI-Disrupt PDLC: новый жизненный цикл разработки
Механическое добавление нейросети в отдельные этапы разработки не гарантирует успеха. Если команда сохраняет прежние процессы, а ИИ используется только как дополнительный чат или генератор фрагментов кода, эффект может оказаться ограниченным. Полноценная трансформация требует пересмотреть весь PDLC - Product Development Life Cycle, то есть жизненный цикл создания продукта.
AI-Disrupt PDLC предполагает, что человек и ИИ-агенты совместно участвуют в планировании, проектировании, программировании, тестировании, релизе и мониторинге. В материалах этого направления можно разобрать практические сценарии внедрения ИИ, показать реальные метрики ускорения и честно рассказать о ситуациях, когда автоматизация создавала лишь видимость продуктивности.
Особенно ценны будут кейсы о том, как меняются обязанности специалистов, какие задачи передаются агентам, где необходим обязательный контроль человека и какие ошибки возникают при переходе на новые процессы. Авторы могут рассмотреть работу с требованиями, генерацию документации, автоматизацию ревью, создание тестов, поиск дефектов и сопровождение уже работающих систем.
Сбер развивает собственную линейку инструментов, поддерживающих такой подход. GitVerse представляет собой ИИ-ориентированную платформу полного цикла: на ней доступны открытые и приватные проекты, редактор кода, аналитика и средства сканирования уязвимостей. Платформой пользуются более 250 000 человек, а количество размещённых проектов превышает 230 000.
В экосистему GitVerse входят GigaCode, GigaIDE и GigaStudio. GigaCode способен работать в агентном режиме: анализировать кодовую базу, предлагать комплексное решение и формировать техническую документацию. Инструмент поддерживает свыше 35 языков программирования и интегрируется с популярными IDE. Через GigaCode CLI разработчик может обращаться более чем к 30 ИИ-моделям для генерации и проверки кода, тестирования и рефакторинга.
GigaIDE - среда разработки для локального контура, в которой ИИ-агенты помогают создавать, изменять и отлаживать программы. В ней предусмотрены интеграции с Git, инструменты для работы с базами данных, большими данными и задачами машинного обучения. Также поддерживается подключение к внешним маркетплейсам приложений, а профессиональная версия включает локальный каталог расширений.
GigaStudio ориентирована на создание веб-приложений с помощью естественного языка. Мультиагентная система может самостоятельно подготовить интерфейс, реализовать бизнес-логику и подключить базу данных. С её помощью можно собирать решения разного масштаба - от простых лендингов до SaaS-платформ.
Эти продукты не существуют изолированно: их объединяет общая агентная экосистема, в которой разные инструменты поддерживают разработчика на последовательных этапах работы.
2. Open source для ИИ и ИИ для open source
Второе направление связывает традиционную разработку на базе открытого кода с ИИ-нативным подходом. Здесь можно рассказать о применении открытых моделей, библиотек и платформ в собственных проектах, а также о том, как искусственный интеллект помогает развивать open source.
Потенциальные темы включают автоматическую генерацию документации, создание примеров использования, анализ pull request, поиск ошибок и уязвимостей, написание тестов, классификацию issues и помощь новым участникам проекта. Отдельный интерес представляют инструменты, которые ускоряют сопровождение крупных репозиториев и снижают нагрузку на мейнтейнеров.
Авторы также могут исследовать вопросы лицензирования, происхождения обучающих данных, корректного указания авторства и границ допустимого использования сгенерированного кода. Важно показать не только технологические преимущества, но и риски, возникающие при работе с открытыми моделями и библиотеками.
3. Безопасная разработка в эпоху ИИ
Третья тема посвящена безопасности программных продуктов, созданных с участием нейросетей. ИИ способен ускорить разработку, но одновременно увеличивает вероятность появления новых классов ошибок: небезопасных зависимостей, уязвимого кода, утечек секретов, неправильной обработки пользовательских данных и некорректных решений, принятых агентом.
В публикациях можно рассмотреть практику проверки результатов генерации, организацию human-in-the-loop, защиту промптов, изоляцию инструментов и контроль доступа ИИ-агентов к репозиториям и инфраструктуре. Полезными будут кейсы о том, как встроить автоматические проверки в CI/CD, организовать аудит изменений и определить зоны, где генеративные модели нельзя использовать без дополнительной экспертизы.
На что обратить внимание авторам
Сильный материал должен опираться не на общие рассуждения о перспективах ИИ, а на конкретный опыт. Важно описать исходную проблему, выбранный инструмент, изменения в процессе и полученный результат. Желательно приводить измеримые показатели: время выполнения задач, количество дефектов, скорость прохождения ревью, объём ручной работы или стоимость сопровождения.
Не менее полезно рассказывать о неудачах. Ограничения моделей, ошибки в сгенерированном коде, сложности интеграции, сопротивление команды и рост технического долга помогают читателям лучше понять реальную цену автоматизации. Практический разбор неудачного эксперимента может оказаться ценнее рекламного описания успешного внедрения.
Отдельного внимания заслуживает влияние ИИ на командные роли. Разработчик постепенно становится не только автором кода, но и постановщиком задач для агентов, проверяющим результат, архитектором процесса и ответственным за итоговое решение. Меняются требования к ревью, документации и инженерной культуре.
Критерии ценности материалов
Наиболее убедительными будут статьи, в которых технологии рассматриваются через призму бизнеса и инженерной практики. Важно объяснить, какую задачу решал проект, почему был выбран конкретный подход, какие альтернативы рассматривались и как оценивался эффект.
Хороший материал должен оставаться понятным специалистам с разным уровнем опыта. Сложные архитектурные решения стоит сопровождать схемами, фрагментами конфигураций, примерами запросов и описанием ограничений. При этом публикация не должна превращаться в перечень возможностей инструмента - читателю нужны выводы, применимые в собственных проектах.
Сезон "Код будущего" предлагает посмотреть на ИИ не как на модный аксессуар, а как на фактор перестройки всей разработки. В центре внимания окажутся реальные процессы, открытые технологии, безопасность и взаимодействие человека с агентными системами. Именно практический опыт поможет понять, какие сценарии уже работают сегодня, а какие пока остаются только перспективной концепцией.