Мы будем рады ответить на ваши вопросы
Расскажите нам о своём проекте
ИИ в разработке: наш опыт автоматизации рутинных задач | Лучшие практики заказной разработки – Часть 3
Как мы используем ИИ для ускорения заказной разработки: реальные кейсы и инструменты. Третья статья цикла о лучших практиках от
GemsTeam.
GemsTeam.
CEO GemsTeam
Максим Коваленко
Содержимое статьи
Введение
ИИ — это не магия, а мощный инструмент, который может либо ускорить разработку в разы, либо добавить хаоса в проект. Главный вопрос: какие задачи ему можно доверять?
Наш опыт показывает:
✔ ИИ отлично заменяет разработчика в рутине (тесты, шаблонный код, анализ логов)
✖ Но проваливается в архитектуре и проектировании (требует человеческого мышления)
В этой статье разберём:
ИИ — это не магия, а мощный инструмент, который может либо ускорить разработку в разы, либо добавить хаоса в проект. Главный вопрос: какие задачи ему можно доверять?
Наш опыт показывает:
✔ ИИ отлично заменяет разработчика в рутине (тесты, шаблонный код, анализ логов)
✖ Но проваливается в архитектуре и проектировании (требует человеческого мышления)
В этой статье разберём:
- Какие задачи мы успешно автоматизировали с помощью ИИ
- Где нейросети бесполезны или даже опасны
- Как интегрируем ИИ в процессы без риска для качества
Где ИИ работает лучше человека
1. Написание тестов (юнит + интеграционных)
Проблема:
Ручное написание тестов — это:
Наше решение:
text
Проблема:
Ручное написание тестов — это:
- 30% времени разработки
- Монотонная работа, которую все ненавидят
Наше решение:
- Используем GitHub Copilot + ChatGPT для генерации заготовок тестов
- Пример запроса:
text
"Напиши юнит-тест на JUnit 5 для метода calculateBonus(), который принимает userId и возвращает int. Проверь граничные случаи."
Результат:
- Скорость написания тестов выросла в 3 раза
- Покрытие кода достигло 90%+ там, где раньше было 50%
Важно: ИИ генерирует базовые сценарии, но сложную логику (например, мокирование внешних сервисов) всё равно приходится допиливать
вручную.
вручную.
2. Генерация скриптов миграции БД
Проблема:
Как используем ИИ:
1. Описываем изменения в БД обычным языком:
text
- Вручную писать SQL-миграции для 20+ таблиц — ошибкоопасно и долго
- Даже опытные разработчики путаются в ALTER TABLE и индексах
Как используем ИИ:
1. Описываем изменения в БД обычным языком:
text
"Добавь в таблицу users колонку promo_code типа VARCHAR(10), сделай её nullable."
2. ChatGPT превращает это в готовый SQL:
sql
sql
ALTER TABLE users ADD COLUMN promo_code VARCHAR(10) NULL;
Плюсы:
- Нет опечаток в синтаксисе
- Можно сразу проверить скрипт через Liquibase/Flyway
3. Анализ стектрейсов ошибок
Раньше:
Сейчас:
- Разработчик тратил часы, чтобы найти в логах причину NullPointerException.
Сейчас:
- Копируем стектрейс в Amazon CodeWhisperer
- Получаем готовый анализ:
"Ошибка в классе OrderService, строка 142: вызов getPrice() у null-объекта Order. Проверьте инициализацию в методе loadOrder()."
Экономия времени: до 70% на поиске багов.
Где ИИ бесполезен (и даже опасен)
1. Проектирование архитектуры
Почему не стоит доверять:
Почему не стоит доверять:
- ИИ не понимает контекст бизнеса
- Предлагает «книжные» паттерны, которые не масштабируются
Пример:
Запрос: "Как спроектировать микросервис для обработки платежей?"
Ответ ИИ: "Используйте Event Sourcing и CQRS!" — хотя в 80% случаев хватит простого REST.
Запрос: "Как спроектировать микросервис для обработки платежей?"
Ответ ИИ: "Используйте Event Sourcing и CQRS!" — хотя в 80% случаев хватит простого REST.
2. Написание функциональных требований
Опасность:
- ИИ склонен додумывать несуществующие сценарии
- Требования получаются размытыми
Кейс:
ChatGPT предложил добавить «верификацию по голосу» в форму входа, хотя у заказчика не было такой потребности.
ChatGPT предложил добавить «верификацию по голосу» в форму входа, хотя у заказчика не было такой потребности.
3. Критически важный код
Например:
Причина:
ИИ может пропустить edge-cases, которые заметит только человек.
- Расчёты финансовых транзакций
- Логика безопасности (аутентификация)
Причина:
ИИ может пропустить edge-cases, которые заметит только человек.
Наш workflow с ИИ
Чтобы избежать рисков, мы выработали правила:
1. ИИ — только для рутины
2. Обязательный ревью
Весь сгенерированный код проверяет человек.
3. Инструменты:
1. ИИ — только для рутины
- Тесты
- Документация
- Шаблонный код (DTO, API-клиенты)
2. Обязательный ревью
Весь сгенерированный код проверяет человек.
3. Инструменты:
- GitHub Copilot — для повседневного кодинга
- ChatGPT 4 — для сложных запросов
- Amazon CodeWhisperer — для анализа ошибок
Вывод
ИИ — это «умный ассистент», а не замена разработчику. Наш опыт показывает:
✅ Автоматизация рутины экономит до 40% времени
✅ Качество кода не страдает, если ИИ-решения проверяются
✅ Опасные зоны (архитектура, требования) остаются за людьми
Главный принцип:
✅ Автоматизация рутины экономит до 40% времени
✅ Качество кода не страдает, если ИИ-решения проверяются
✅ Опасные зоны (архитектура, требования) остаются за людьми
Главный принцип:
Используйте ИИ там, где он усиливает разработчика, а не заменяет его мышление.
Что дальше?
В финальной части цикла расскажем, как выстроить процесс от ТЗ до MVP без переделок и срывов сроков.
В финальной части цикла расскажем, как выстроить процесс от ТЗ до MVP без переделок и срывов сроков.
