Использование ИИ в разработке давно вышло за рамки генерации простых функций. Для крупного финтеха это вопрос системной интеграции и безопасности. В ИТ-кластере «СВОЙ Тех» мы постоянно ищем способы оптимизации Time-to-Market. В этом материале мы делимся опытом того, как заставить нейросети работать с легаси-кодом, зачем им доступ к Figma через MCP-протокол и почему будущее за Spec Driven Development.
Системный подход вместо хайпа
Мы рассматриваем ИИ как реальный производственный инструмент, разделяя процесс на четкие этапы: от оценки задачи до self-review. Главная проблема обычных чатов в том, что они «плывут» на длинных дистанциях из-за лимитов контекста, «слепоты» к архитектуре и отсутствия понимания API-контрактов.
Чтобы победить эти ограничения, мы внедрили связку Plan-First и Spec Driven Development (SDD). Процесс строится следующим образом:
Этап планирования (Plan-First): Сначала ИИ-агент анализирует задачу, чтобы разобраться в нюансах, и формирует верхнеуровневый план (plan). Это позволяет на раннем этапе синхронизировать видение системы и избежать архитектурных ошибок.
Создание спецификации (Spec): На основе утвержденного плана рождается детальная спецификация. Она служит «единым источником истины» внутри проекта, помогая сохранять контекст и значительно облегчая поиск информации или внедрение нового функционала в будущем.
При таком подходе команда определяет поведение, интерфейсы и требования к ПО до написания реализации. ИИ-агент сначала генерирует детальный план и обновляет спецификацию, учитывая бизнес-контекст и текущий код. Разработчик валидирует этот план, исправляет слабые места и только после этого дает отмашку на генерацию кода.
Технологический стек: «Мозг» и «Руки»
Внутри компании мы используем связку из топовых LLM: Claude 4.7 Sonnet, Opus 4.6 и GPT-5.3 CODEX. Для работы с ними выстроено два основных пути:
Cursor: IDE на базе VS Code, которая позволяет выполнять большую часть работы в одной среде — от генерации и анализа кода до отладки интерфейса в браузере. Это наши «руки» для непосредственной работы с файлами.
OpenCode: наше собственное CLI-решение. Оно более легковесное и используется разработчиками для быстрых итераций, оперативного анализа решений и как дополнительная база знаний по проекту.
ChatGPT: выступает в роли «мозга». В нем мы анализируем Best Practices и настраиваем сложные системные промпты, которые затем внедряем в Cursor.
Автоматизация связи «дизайн — код» через MCP
Фронтенд невозможен без верстки, поэтому мы внедрили Model Context Protocol (MCP). Этот открытый стандарт позволяет ИИ-модели подключаться к внешним сервисам, выступая в роли «органов чувств» для ИИ:
Интеграция с Figma: агент получает прямой доступ к параметрам макетов, что позволяет соблюдать требования дизайна без бесконечных правок.
Связка с Sentry: дает ИИ возможность работать с ошибками и событиями в реальном времени. Используя AI-анализ, агент сам ищет актуальные issues, анализирует stacktrace и связывает их с конкретными участками кода для быстрого исправления.
Это работает как «органы чувств» для ИИ: агент получает прямой доступ к параметрам макетов, что позволяет соблюдать требования дизайна без бесконечных правок. А с помощью Cursor Browser мы тестируем и правим интерфейс прямо внутри IDE, что экономит массу времени на этапе верстки и первичного тестирования компонентов.
Безопасность и детерминированность
Вопрос безопасности в финтехе является критическим. У нас действует строгая политика: никакая работа с персональными данными клиентов через внешние ИИ не ведется. Мы используем внутренние ИИ-агенты, работающие через специальные прослойки и фильтры. Агент видит структуру кода и логику, но чувствительная информация и реальные данные для него скрыты. Использование ИИ всегда детерминировано внутренними регламентами.
Верификация и контроль качества
После выполнения задачи наступает этап верификации, где задействовано несколько уровней контроля:
Qodo: инструмент, выступающий в роли независимого ревьюера, который проверяет код по стандартам компании.
Расширенный self-review: разработчик запускает автотесты, сопоставляет реализацию с макетами в Figma и проходит по QA-чеклисту. Для этого этапа мы используем команды с формализованным выводом (findings → plan → todos).
Важный момент: итоговый план всей задачи прикрепляется к тикету. Это позволяет человеку-ревьюеру не просто смотреть на «простыню» кода, а сразу видеть структуру реализации: какие решения были приняты и как именно строилась работа над функционалом. Такой подход значительно ускоряет внешнее ревью и повышает его качество.
MCP-интеграция с GitLab: система оценивает изменения по заданным сценариям и формирует комментарии к Merge Request.
Также ИИ помогает мониторить логи и производительность, позволяя быстрее выявлять причины падения метрик по сравнению с ручным анализом.
Итоги и профит
Внедрение этих инструментов во фронтенд-разработку финтех-группы дало чистый прирост производительности в 10–15% (с учетом затрат на обучение и поддержку инфраструктуры).
Однако важно понимать, что требования к экспертности разработчиков выросли. Теперь необходимо не только уметь писать код, но и виртуозно владеть инструментами автоматизации. Разработка с помощью ИИ становится новым стандартом индустрии, который мы активно формируем.