10 минут
Как ИИ-агент ускорил развитие зрелой ИТ-системы и снизил нагрузку на продуктовую команду
В статье расскажем, как внедрили ИИ-агента в крупный сервис по подбору вакансий. Агент собирал данные из трёх корпоративных систем, проверял сценарии и готовил предварительное описание функциональности и постановку задачи.
Сервис с длительной историей
В SimbirSoft обратился крупный сервис по подбору вакансий. Система развивалась много лет, в ней накопились неочевидные правила и сценарии. Часть логики была задокументирована не полностью или описана так, что новому разработчику сложно разобраться.
При этом продукт нуждался в развитии: внедрении новой функциональности, добавлении новых сценариев (скриптов), обогащении информацией. Специалистам приходилось собирать сведения по трем разным системам, чтобы проанализировать и описать логику прежних сценариев и проработать новые так, чтобы они не конфликтовали с уже внедренными функциями.
С какими сложностями столкнулась команда
Продакт-менеджер (далее — продакт), помимо сбора и анализа информации и данных, документировал сведения и ставил задачи, которые поступали напрямую разработчикам. Ситуацию осложняло отсутствие выделенного системного аналитика. Задачи от продакта уходили напрямую в разработку — он вручную заполнял чек-лист проверки затрагиваемой функциональности (единой базы знаний по бизнес-требованиям не было). В чек-листах нужно было проверять, например, учтены ли мобильные приложения, роли пользователей, отображение вакансии для соискателя и работодателя и другие важные детали.
Решение: ИИ-агент, который снимает рутину
Было решено использовать ИИ-агента, который возьмёт на себя рутину по сбору и проверке данных. Агент должен собирать информацию, анализировать её, заполнять форму с требованиями к новой функциональности и готовить предварительное техническое задание (ТЗ). Это помогало автоматизировать базовые регулярные действия системного аналитика, которые занимают значительную часть рабочего времени. Сложность в том, что сведения были фрагментированы и находились в разных частях системы.
Ключевая особенность — подключение агента к трём внешним системам через MCP (Model Context Protocol). Если говорить просто, MCP — это универсальный стандарт подключения, «единая розетка», которая позволяет ИИ безопасно и по понятным правилам обращаться к внешним базам данных, папкам, CRM-системам или сайтам.
В нашем случае данные клиента хранились в трёх системах:
-
Jira — система управления задачами;
-
Wiki — база знаний;
-
Кодовая база — хранилище исходного кода.
Для каждой требовалось отдельное подключение, чтобы агент мог автоматически получать описание задачи, искать по коду проекта и находить статьи. Также в арсенале агента были поиск задач, чтение комментариев, поиск связанных родительских и дочерних задач.
Проще говоря, раньше эти системы были как разные устройства без «общего разъёма»: связи между ними не было, и специалисту приходилось вручную искать информацию, переключаться между сервисами, копировать, вставлять и записывать данные. MCP стал тем самым универсальным разъёмом, который связал их в единый рабочий контур.
Результаты для бизнеса
В итоге процесс стал быстрее. Продакт больше не тратил время на базовый и рутинный сбор информации и заполнение документации.
Выгоды:
-
экономия времени специалистов: агент создаёт и описание функциональности для бизнеса, и формальную постановку задачи для команды разработки;
-
решение проблемы «чистого листа»: продакт не начинает с нуля — часть сценариев уже проработана в соответствии с чек-листом;
-
повышение качества: автоматическая проверка редких и нестандартных сценариев, которые легко пропустить вручную, снижает риск ошибок в постановке задач;
-
итеративное наполнение базы знаний о продукте: ее могут использовать и люди, и ИИ-модели для контекста;
-
разработчики не тратят время на бизнес-исследования: продакт может сам найти нужную информацию;
-
снижение зависимости от отдельных специалистов: в управлении рисками есть понятие bus factor или «фактор автобуса». Это метрика, которая показывает, сколько человек могут внезапно покинуть проект, прежде чем он остановится. В нашем случае часть знаний перестала быть «в голове одного эксперта» и стала доступна в системе.
Специалистам оставалось проанализировать собранные данные и сформировать итоговый документ с описанием будущей функциональности. Это особенно ценно, потому что больше не нужно вручную искать информацию в запутанном коде — всё уже собрал ИИ-агент. Риск переделок и ошибок снизился.
Вывод
ИИ-агент не выполняет всю работу аналитика. Он готовит черновик за минуты, но дальше нужна перепроверка и содержательная доработка. Итоговое решение всё равно принимает человек.
Чтобы такой агент приносил пользу, важно:
-
дать ему чёткие инструкции и ограничения;
-
обеспечить доступ к нужным системам и данным;
-
проверять результат перед передачей в разработку;
-
постепенно наполнять базу знаний, чтобы агент работал точнее.
Преимущество ИИ-агента в том, что он снимает с команды рутину. Автоматизация помогает быстрее проходить путь от идеи до проработанной задачи, снижает риск ошибок и уменьшает зависимость от отдельных экспертов. Для бизнеса это означает меньше времени на подготовку изменений, меньше переделок и более предсказуемое развитие сложной ИТ-системы.
Читайте другие материалы SimbirSoft об использовании искусственного интеллекта в задачах аналитика.
ИИ для аналитика маркетплейсов и не только: чем могут быть полезны нейросети компаниям
Искусственный интеллект для аналитика 1С: как превратить хаос данных в прибыль
Как искусственный интеллект меняет аналитику продаж: современные инструменты и тренды
ИИ-агенты для системного аналитика