ИИ в разработке: как LLM-модели помогают небольшой команде справляться с кодом

В его зоне ответственности находятся Windows, macOS, Linux, Android и iOS. Транспортная логика у всех общая, но вокруг нее неизбежно вырастает платформенный код: свои сетевые API, ограничения фоновой работы, модели разрешений и способы интеграции с системой. Помимо клиентов, есть контрольные и выходные узлы, арбитр, подписанные манифесты, метрики, алертинг, ротация ключей и конфигов. Любое изменение протокола тянет за собой правки на нескольких платформах, в серверных компонентах и тестах.

Рядом существуют партнерские приложения на базе SDK, сайт и документация. Всем этим занимаются другие люди, но общий объем разработки от этого не уменьшается. Команда при этом небольшая, и довольно быстро возникает банальная арифметическая проблема: задач больше, чем специалисты могут последовательно написать руками за разумное время.

Именно тогда в проекте появились большие языковые модели. В основном это Claude, иногда — модели OpenAI. Важно подчеркнуть: LLM используются не как архитекторы и не как замена разработчику, которому можно сказать «сделай мне анти-DPI систему». Они выступают инструментом для вполне конкретного класса инженерной работы — когда нужно быстро сгенерировать, адаптировать или проверить значительные объемы кода, особенно в условиях ограниченных человеческих ресурсов. Такой прагматичный подход позволяет команде сохранять темп и не раздувать штат, но при этом оставляет ответственность за проектную логику за человеком.