Softline перенесла ИИ в промышленный стандарт и снизила стоимость разработки в 10 раз

ГК Softline (ПАО «Софтлайн») запустила единый сквозной стек искусственного интеллекта, охватывающий более 10 тыс. сотрудников и десятки компаний холдинга. Вместо разрозненных пилотных проектов компания построила защищенную инфраструктуру с собственными GPU-мощностями и корпоративной платформой для управления моделями. Этот шаг позволяет удерживать данные внутри периметра безопасности в соответствии с 152-ФЗ, одновременно снижая стоимость разработки и ускоряя выпуск продуктов.

Важный нюанс: Компания отказалась от стратегии «попробовать и посмотреть» в пользу создания единого технологического фундамента, где ИИ становится частью инфраструктуры, а не просто инструментом.

Собственная инфраструктура и контроль затрат

Основой новой системы стала вычислительная мощность, размещенная в защищенных центрах обработки данных. Это решение устраняет риски утечки информации при использовании внешних облачных сервисов. Платформа уже обрабатывает около 5 млрд токенов (единиц данных) за пару недель, что требует жесткого контроля расходов, так как каждое вычисление имеет свою цену.

Ключевые элементы инфраструктуры:

• Собственные GPU-мощности: Размещены внутри защищенного контура компании, что исключает передачу данных третьим лицам.
• Управление стоимостью: Введена отдельная инженерная дисциплина для контроля расходов на токены, так как бесплатных вычислений от обученных моделей не существует.
• Эволюция инструментов: Развитие идет от универсального чата к специализированным агентам для аналитики, разработки и тестирования.

Рост производительности и новые подходы к разработке

Внедрение ИИ-агентов в процессы разработки (пайплайны) позволило изменить экономику создания ПО. За полгода компания снизила стоимость обработки одного технического задания в токенах примерно в 10 раз. Программисты, работающие с подготовленными задачами, достигают производительности до 1600 строк кода в час, что значительно превышает возможности ручного написания.

Технический директор MD Audit Юрий Тюрин описал три модели работы агентов:

1. Последовательное выполнение инструкций.
2. Сценарии с чек-листами и фиксацией прогресса.
3. Делегирование задач с обязательной серверной проверкой результата.

Во всех случаях агент получает автономию, но работает внутри цикла с обязательным контролем качества. Это позволяет инженеру вести 4–5 задач одновременно.

Стоит учесть: Высокая производительность достигается не за счет полной автоматизации, а за счет детерминированной проверки результатов на каждом этапе, что исключает ошибки генеративных моделей.

Практические результаты и трансформация ролей

Реальные кейсы показывают, как новые инструменты меняют операционную модель. Команда «Инферит Техника» без штата разработчиков за месяц создала систему поддержки решений Inferit Analytics для планирования закупок. Ранее на подобные задачи уходило полгода согласований. Это позволяет быстро проверять гипотезы на реальных данных перед дорогостоящей доработкой ERP или CRM-систем.

В сфере тестирования единая база знаний ускорила создание дефектов в 5 раз. Сервис для анализа причин падений тестов собирает данные из разных источников, обрабатывает их детерминированно и лишь затем привлекает ИИ для анализа, оставляя финальное решение за инженером.

Влияние на персонал:

• Смена фокуса: Специалисты переходят от рутины к проектированию, ревью кода и принятию решений.
• Переобучение: Холдинг инвестирует в программы обмена компетенциями для более чем 10 тыс. сотрудников.
• Стандартизация: Новые проекты строятся на опыте десятков команд, а не начинаются с нуля.

Операционные последствия и тренды

• Снижение барьера входа для экспериментов: Возможность быстро собрать прототип за месяц вместо полугода позволяет компаниям тестировать гипотезы с минимальными рисками, прежде чем инвестировать в масштабные доработки систем.
• Рост требований к инфраструктуре: Переход на собственные GPU-мощности требует значительных капитальных вложений и компетенций в управлении вычислительными ресурсами, что может стать барьером для малых игроков.
• Зависимость от качества данных: Эффективность ИИ-агентов напрямую зависит от наличия структурированной базы знаний о системе; без детального описания процессов и артефактов автоматизация не даст результата.
• Сдвиг в управлении затратами: Токены становятся новой статьей операционных расходов, требующей отдельного учета и оптимизации, аналогично управлению бюджетом на облачные ресурсы.

На фоне этого: Главный эффект внедрения — не замена людей, а изменение их ролей: от исполнителей рутинных операций к архитекторам процессов и контролерам качества.