На очередной встрече из серии Change Agents, организованной венчурным фондом Грейлок (Greylock), лидеры стартапа Resolve AI обсудили будущее автоматизации в разработке ПО. Основной тезис дискуссии: хотя инструменты генерации кода (AI-кодинг) уже стали массовыми, настоящая ценность ИИ кроется в автоматизации сложной операционной деятельности и отладки в реальных условиях эксплуатации (production).
🚀 Переход от написания кода к управлению системами 0:00
Традиционно разработка программного обеспечения воспринимается как процесс написания строк кода, однако реальность крупных технологических компаний иная. По словам Карин Райли, партнера Грейлок, современная инженерия требует глубокого понимания того, как работают инструменты на стыке операционных границ.
Маянк, сооснователь и CTO Resolve AI, опираясь на свой опыт работы в Splunk, утверждает, что инженеры тратят лишь 10–20% своего времени непосредственно на написание новых функций . Остальные 80% уходят на:
- Борьбу с инцидентами в production (incident response).
- Заполнение анкет соответствия (compliance).
- Процедуры развертывания изменений.
- Оптимизацию затрат на инфраструктуру.
Маянк подчеркивает, что в условиях микросервисной архитектуры (в Splunk количество микросервисов превышало число инженеров ) понимание системы целиком становится невозможным для одного человека. Это создает потребность в «фоновых агентах» (ambient agents), которые выполняют сложную работу по анализу первопричин (root cause analysis) в фоновом режиме .
🧠 Из потребительского ИИ в корпоративный сектор 2:48
Рошан, вице-президент по инженерии в Resolve AI, объяснил свой переход из гигантов индустрии (Apple Siri, Meta, Google Gemini) в стартап фундаментальным различием в целях ИИ. Работая над Gemini, его команда создавала такие функции, как Deep Research и Canvas .
По мнению Рошана, потребительские чат-боты вынуждены быть «широкими, но поверхностными», чтобы угодить всем пользователям сразу . В то время как корпоративный сектор (enterprise) предлагает четкое соответствие продукта рынку (PMF), так как здесь ИИ может генерировать прямую экономическую ценность.
Рошан считает, что сейчас наступает время создания узкоспециализированных «агентов глубоких исследований» для конкретных вертикалей . Он также в шутку отметил, что Resolve AI удалось переманить из его бывшей команды в Google больше людей, чем кому-либо другому, что и стало поводом для его личного знакомства с основателями .
📉 Проблема «Vibe Coding» и решение через «Vibe Debugging» 13:02
В индустрии набирает популярность термин «Vibe Coding» (программирование по наитию), когда ИИ позволяет быстро набрасывать код, который «вроде бы работает». Однако Рошан предупреждает, что это создает новую проблему: код пишется быстрее, чем инженеры успевают его осмыслить .
Когда такой код ломается в production, у разработчика нет глубокого понимания системы, чтобы его починить. В качестве противовеса Resolve AI предлагает концепцию «Vibe Debugging» .
Основные отличия «Vibe Debugging» от обычного чат-бота:
- Контекст реального времени: В отличие от статического кода, production — это «живой организм», где поведение системы постоянно меняется в зависимости от трафика и инфраструктуры .
- Интеграция инструментов: Агент должен уметь работать с логами, трассировками (traces), метриками и данными из Slack одновременно .
- Причинно-следственная связь: ИИ должен переходить от простых корреляций к пониманию цепочки событий, вызвавших сбой .
Маянк привел пример, когда Resolve AI не просто нашел причину инцидента, но и по запросу пользователя создал unit-тест, учитывающий логи и трассировки, который сам инженер не смог бы сформулировать самостоятельно .
🏗️ Технологический стек и «Граф знаний» 17:38
Масштаб работы Resolve AI впечатляет: компания находится на пути к потреблению 1 триллиона токенов за квартал . Рошан сравнил это с 1% от всего объема потребления Microsoft Azure или с полной переработкой базы данных Stack Overflow дважды в неделю .
Ключевым компонентом системы является «Граф знаний» (Knowledge Graph) . Он необходим, потому что каждая корпоративная среда уникальна: свои соглашения, схемы данных и наборы инструментов.
Граф знаний позволяет:
- Автоматически обучаться в новой среде без предварительной настройки «золотого пути» (golden path) .
- Моделировать сложные зависимости между микросервисами.
- Накапливать «племенное знание» (tribal knowledge) — неписаные правила и опыт старших инженеров, который обычно теряется в Slack-каналах .
Маянк утверждает, что агент Resolve AI ведет себя как «младший инженер», который «тенью» следует за старшими на созвонах по инцидентам, запоминая их гипотезы и методы проверки .
🛡️ Безопасность, галлюцинации и будущее ИИ-организаций 28:25
В ходе сессии вопросов и ответов обсуждались риски использования ИИ в критических системах. Один из участников спросил о проблемах с файрволами и облачной инфраструктурой, которые часто становятся причиной сбоев, но не всегда отдают логи агенту .
Маянк пояснил, что агент Resolve AI обучается навигации по среде: если он видит сетевые проблемы, он пытается систематически отследить путь трафика и проверить гипотезы, даже если прямых логов нет .
Относительно проблемы «уверенной лжи» (галлюцинаций) ИИ, Рошан отметил, что в Resolve AI выстраивают баланс между жесткими ограничениями (guardrails) и способностью модели к эмерджентному мышлению . Слишком жесткие рамки лишают ИИ возможности находить нестандартные решения.
Будущее, по мнению участников дискуссии, за «AI-first» организациями.
- Маянк считает, что ИИ станет «no-brainer» (очевидным решением) для всех аспектов создания стоимости .
- Рошан предупреждает: те, кто не станет AI-first сегодня, рискуют быть разрушенными более быстрыми конкурентами завтра .
В завершение Карин Райли подчеркнула, что цель Resolve AI — создать замкнутую систему устранения неполадок (closed-loop remediation), которая сможет не только советовать, но и самостоятельно исправлять инциденты с высокой точностью .
