Yandex B2B Tech открыла в платформе разработки SourceCraft доступ к автономным ИИ-агентам: они работают под собственной учётной записью как самостоятельные участники команды — сами готовят рабочее окружение, пишут и проверяют код, запускают тесты и возвращают результат на ревью, а при нехватке данных или необходимости согласования обращаются к людям. По приведённой Яндексом оценке McKinsey, такие агенты в среднем сокращают время на задачах разработки на 11,2%, а объём повторной работы — на 6,8%.

image
image

Что произошло

Агент назначается исполнителем задачи: проще всего это сделать прямо в обсуждениях GitLab, но задачи принимаются и через веб-интерфейс SourceCraft, редактор VS Code, командную строку и мессенджеры. Получив задачу, агент самостоятельно подготавливает рабочее окружение, вносит изменения в код, прогоняет тесты и присылает ссылку на изменения в исходную задачу; если ревьюер оставляет замечания, агент их дорабатывает. К платформе разрешено подключать и собственных агентов, в том числе собранных в Yandex AI Studio.

Контекст

Запуск продолжает сдвиг от ИИ-автодополнения к автономным исполнителям, встроенным в существующий процесс разработки. Технический директор Yandex Cloud Иван Пузыревский формулирует принцип так: инфраструктура должна бесшовно масштабировать существующие процессы, а не перестраивать их заново под каждого нового агента — поэтому агент встроен в привычный GitLab-цикл, а не в отдельный чат-бот. Ставка опирается и на внутренний опыт Яндекса: по данным компании, 73% её разработчиков регулярно используют ИИ, более половины нового кода создаётся генеративными моделями, а программа 75/75/75 требует поднять оба показателя минимум до 75%.

Почему это важно для индустрии

Для индустрии запуск — сигнал о том, что агентный продукт взрослеет: паттерн «агент как исполнитель» упакован в существующий рабочий процесс, а не в отдельный чат-бот, и точка входа находится в трекере задач, а не в IDE. Технически значима не модель, а оркестрация: несколько каналов постановки задач и поддержка сторонних агентов из Yandex AI Studio говорят о ставке на интероперабельность, а не на единственную закрытую модель. Запланированная единая подписка на SourceCraft, Алису AI Про и модели Yandex AI Studio добавляет рыночный слой — централизованный учёт и лимитирование ИИ-расходов превращают агентов в измеримую строку затрат внутри компаний. Если механика подтвердится на практиках, паттерн «агент-исполнитель в трекере задач» быстро скопируют другие платформы, а конкуренция сместится от самих моделей к качеству оркестрации, правам доступа, аудиту действий агентов и измеримым метрикам качества.

Почему это важно для пользователей

Если ваша команда работает в SourceCraft или GitLab, агента можно попробовать без смены инструментов: назначьте его исполнителем бага в обсуждении задачи — он подготовит окружение, пришлёт исправление на ревью, и вам останется либо принять результат, либо оставить замечания на доработку. Общаться с агентом можно из привычных мест — веб-интерфейса, VS Code, командной строки и мессенджеров, а специализированного агента под свои задачи получится собрать в Yandex AI Studio. Барьер эксперимента минимальный, но эффект стоит считать по собственным метрикам: перед масштабированием имеет смысл замерить базовую линию — время цикла, долю повторной работы и нагрузку на ревью — и сравнить с показателями после передачи агентам рутинных задач.

Что пока неизвестно / ограничения

В анонсе нет бенчмарков, указания на то, какая модель стоит за агентами, а также данных о цене, латентности и доле задач, которые агенты закрывают без эскалации к людям. Заявленные эффекты атрибутируются отчёту McKinsey, который приводит сам Яндекс: это усреднённые значения без раскрытой методологии, распределения задач и базовой линии, поэтому переносить их на конкретную команду стоит как гипотезу, а не как измерение. Внутренние метрики Яндекса — доля разработчиков с регулярным использованием ИИ и доля кода, созданного генеративными моделями, — извне не проверяемы, а методика подсчёта такого кода не раскрыта и может смешивать автодополнение с работой автономных агентов. Независимых наблюдений, например о доле ревью, принятых без замечаний, по итогам работы агентов пока не накопилось.

Источники

Автор

Look at AI, редакция