# Смерть Shadow AI: как ИИ-агенты меняют правила проектирования систем

Источник: https://www.youtube.com/watch?v=IQ6zFeYDXd8
Канал: TechTrain
Опубликовано: 18.04.2026

---

Вот подробная аналитическая статья, подготовленная на основе выпуска подкаста с экспертами в области ИТ-архитектуры.

# 🏗️ ИИ в проектировании систем: от «умных линтеров» к автономным агентам

Эра Shadow AI, когда разработчики втайне от руководства использовали нейросети для написания простых функций, подошла к концу. Сегодня индустрия стоит на пороге системной трансформации проектирования, где роль архитектора смещается от рисования диаграмм к созданию «агентских навыков» и управлению качеством через высокоуровневые метрики.

## 🛠️ Роль ИИ в современной архитектуре: что работает уже сейчас

На текущем этапе развития большие языковые модели (LLM) перестали быть просто «улучшенными чат-ботами» и превратились в рабочий инструмент архитектора. Эксперты выделяют несколько ключевых сценариев, где ИИ показывает реальную эффективность [04:04].

### Ключевые сценарии использования:

1.  **Контроль пул-реквестов (PR):** В условиях, когда код начинают генерировать не только люди, но и ИИ-агенты, объем изменений растет экспоненциально. Архитектор физически не способен отсмотреть все правки вручную. ИИ берет на себя роль «умного линтера», проверяя код на соответствие архитектурным паттернам и ограничениям в режиме реального времени [05:12].
2.  **Визуализация и документирование:** LLM отлично справляются с генерацией кода для PlantUML, Mermaid или C4-моделей на основе текстовых описаний или каталогов компонентов [04:29].
3.  **Критический анализ:** Максим Смирнов отмечает, что ИИ эффективен в «прожарке» архитектуры. Если попросить модель не просто оценить решение, а найти в нем критические уязвимости или узкие места в производительности, она выдает глубокий фидбек, часто игнорируемый людьми из-за замыленного глаза [22:13].
4.  **Проверка техрадара:** Модели могут автоматически отслеживать использование запрещенных или не рекомендуемых в компании технологий (кольцо *Hold* в техрадаре) на этапе проектирования [28:12].

Руслан Сафин подчеркивает, что внедрение ИИ — это «вин-вин» ситуация: бизнес получает ускорение процессов, а архитектор избавляется от бюрократической рутины (оформление ADR, спецификаций), оставляя себе чистое проектирование и творческие задачи [06:56].

[[JUMP:04:04]]

## 📊 От субъективности к цифрам: архитектурные метрики и техдолг

Одной из главных проблем архитектуры всегда была сложность объективной оценки. С приходом ИИ ситуация меняется: мы переходим к инструментальному контролю архитектурного долга [09:13].

Ранее проверка соответствия паттернам была субъективной («на глаз»). Теперь архитектуру можно анализировать как граф и покрывать юнит-тестами. Руслан Сафин приводит в пример использование инструментов типа *Architecture as Code Tools (ArchUnit)*, которые в связке с ИИ позволяют [56:04]:
*   Автоматически проверять соблюдение принципов декомпозиции.
*   Ранжировать десятки вариантов архитектурных решений, выбирая оптимальный по заданным числовым критериям.
*   Устраивать «соревнования» между разными наборами инструкций (skills), выявляя те, что дают более качественный результат на выходе [57:11].

[[JUMP:09:13]]

## 🧠 Agent Skills: как научить ИИ думать как архитектор

Главный тренд конца 2025 – начала 2026 года — переход от простых промптов к **Agent Skills (агентским навыкам)**. Максим Смирнов объясняет: чтобы универсальная модель стала профессиональным архитектором, ей не нужно переобучение, ей нужен структурированный набор инструкций и контекста [15:09].

### Почему контекст важнее промпта?
Современные исследования показывают: не так важно, как вы сформулируете вопрос (промпт-инжиниринг уходит в прошлое), важно, какие данные вы подадите на вход (контекст-инжиниринг) [1:00:31]. 

**Процесс создания навыка сегодня:**
1.  Создается текстовый файл (часто в формате Markdown или `.skill`).
2.  В него записываются правила, гайды, опросники и примеры эталонных решений.
3.  При необходимости подключаются микро-скрипты на Python для специфических проверок [1:02:39].

Максим предупреждает о риске использования навыков, сгенерированных самим ИИ: исследование *Skill Bench* показало, что «самонаписанные» инструкции могут ухудшать качество ответов, в то время как навыки, написанные человеком, улучшают выдачу на 16% и более [36:38].

[[JUMP:14:17]]

## 📝 ADR как «внешняя память» для ИИ

Архитектурные решения (Architecture Decision Records, ADR) обретают новую ценность. В условиях высокой скорости изменений контекст проекта быстро вымывается. ИИ обладает огромным, но «семиминутным» окном памяти. Чтобы модель понимала, почему 7 лет назад команда отказалась от конкретной технологии, эта информация должна быть оцифрована [34:27].

Руслан Сафин призывает: «Даже если вы не используете ИИ сейчас — пишите ADR. Завтра это станет датасетом, на котором ваш ИИ-агент будет обучаться специфике вашего проекта» [34:53]. Без этой базы знаний ИИ будет раз за разом предлагать решения, которые уже были признаны неэффективными («эффект золотой рыбки»).

[[JUMP:32:24]]

## 🏗️ Spec-Driven Development (SDD): Хайп или реальность?

Концепция разработки на основе спецификаций (SDD) активно продвигается через инструменты вроде *GitHub SpecKit* или *Amazon’s Kira*. Идея в том, чтобы сначала генерировать подробную «конституцию» проекта, а затем по ней нарезать задачи для кодинг-агентов [41:48].

**Текущие проблемы SDD:**
*   **Избыточность:** Для программы в 700 строк кода ИИ может сгенерировать спецификацию на 3000 строк [44:38].
*   **Нестабильность:** Разные проходы по одной спеке могут давать радикально разный результат.
*   **Отсутствие валидации:** Если человек не ревьюит промежуточные спеки, возникает «эффект снежного кома» — маленькая ошибка в логике спецификации приводит к полной неработоспособности итогового кода [46:11].

Тем не менее, для новых проектов (Greenfield) автоматизированный SDD уже позволяет собрать работающий MVP за считанные дни, как это показал эксперимент Руслана Сафина с автономной разработкой (4 дня на работающий прототип при минимальном вмешательстве) [47:01].

[[JUMP:40:13]]

## 💰 Экономика будущего: TokenOps и новые роли

С массовым внедрением ИИ-агентов в процесс разработки появляется потребность в оптимизации затрат на их работу. Возникает дисциплина **TokenOps** (по аналогии с FinOps) [53:50]. 
Инженеры теперь следят не только за производительностью кода, но и за тем, сколько токенов тратит агент. Если агент 10 раз спотыкается на одной ошибке и перезапускает тесты, задача архитектора — поправить входной контекст так, чтобы агент «поумнел» и решал задачу с первого раза, экономя бюджет компании [53:11].

[[JUMP:52:45]]

## 🔮 Горизонт 2–3 года: Средовой подход

В долгосрочной перспективе эксперты прогнозируют переход от системного подхода к **средовому** [1:07:52]. 
1.  **Абстрагирование от кода:** Архитектору станет неважно, как именно реализовано взаимодействие — через микросервисы или монолит, и на каком языке написан код. Мы будем управлять системой через «высокоуровневые законы», подобно тому, как физики описывают волны на воде, не считая столкновения каждой молекулы [1:08:19].
2.  **Эволюция языков:** Современные языки программирования (C#, Java) создавались под человеческий мозг. ИИ они не нужны. Возможен ренессанс DSL (Domain Specific Languages) или появление языков, оптимизированных специально для генерации моделями [1:06:07].
3.  **Бесконечные абстракции:** Мозг человека подстраивается под новые скорости. Если раньше на проверку идеи уходил месяц, а теперь — день, мы просто начнем генерировать более масштабные и сложные идеи [1:07:00].

**Главный совет экспертов:** Не ждать, когда технологии «устаканятся». Нужно начинать «протаптывать нейронные тропинки» в своем мозгу уже сегодня. Тот, кто не начнет внедрять ИИ сейчас, через полгода окажется в ситуации безнадежного отставания, так как порог входа в технологии проектирования будущего растет каждую неделю [59:24].

[[JUMP:1:07:26]]