AI-native разработка на проекте крупного FMCG-производителя
Перевели команду, которая развивает экосистему продаж клиента, на работу с AI-агентами — от требований и кода до ревью и разбора инцидентов. Клиент получает больше доработок за то же время без расширения команды.
- 2 недели — от старта разработки до тестовой среды для интеграции на 34 000 строк кода
- В 2,5 раза — ниже трудозатраты на типовые задачи уже в первом эксперименте
- 1–2 цикла — правок на код-ревью — замечания о стиле и нейминге из него ушли
Клиент и исходная ситуация
Клиент — международный FMCG-производитель. GROTEM несколько лет развивает его экосистему продаж: SFA, B2B-портал, телепродажи и DMS в нескольких странах. Это десятки микросервисов в монорепозитории, множество интеграций и постоянный поток доработок от разных бизнес-направлений.
Чтобы успевать за бизнесом, не раздувая команду, GROTEM перевела проект на AI-native разработку: агенты пишут код, тесты и описания изменений, а люди проектируют решения и отвечают за результат.
Что происходило до начала проекта
- Однотипный код — интеграционные методы, модели, тесты — писали вручную.
- Код-ревью съедало время техлида на нейминг, стиль и ошибки копирования.
- При аварии на продакшене около часа уходило только на сбор данных из разных баз и логов, а доступ к ним был у единиц.
- Знания о связях между сервисами и таблицами жили в головах и терялись при смене людей.
- Аналитику приходилось самому собирать техническую картину системы, хотя её носитель — техлид.
Каких результатов хотел достичь клиент
Встроить AI во весь цикл разработки — от требований до продакшена — так, чтобы скорость росла вместе с качеством, а не за его счёт.
Ускорить разработку
Снизить трудозатраты на типовой и объёмный код.
Повысить качество
Двойная проверка: код пишет один AI-процесс, проверяет другой.
Быстрее разбирать инциденты
Дать команде мгновенный доступ к логам, данным и задачам.
Сохранять знания в проекте
Чтобы опыт команды оставался в системе, а не уходил вместе с людьми.
Что разработала команда GROTEM
GROTEM прошла путь от эксперимента до AI-native процесса за год: в августе 2025 года команда провела первый эксперимент с AI на типовых задачах, а к августу 2026-го весь бэкенд пишет код агентами и к ним подключаются другие стеки.
Агенты пишут код, тесты и описания
Разработчик проектирует задачу и задаёт контекст, агент пишет код по стандартам проекта. В процессе:
- единая база знаний прямо в монорепозитории: стиль кода, архитектурные правила, техдолг;
- юнит-тесты к каждому изменению и их запуск при сборке;
- подробное описание каждого merge request;
- план крупной задачи, который агент дополняет по ходу работы.
- AI-агенты
- Монорепозиторий
- Юнит-тесты
AI-ревью каждого изменения
Каждый merge request проверяет агент со специальным навыком ревью. В отличие от человека он смотрит не только на изменённые строки:
- собирает изменения в отдельной рабочей копии и сверяет их с остальным кодом;
- проверяет соответствие базе знаний проекта;
- читает задачу в трекере, чтобы понять, зачем сделано изменение.
Техлид запускает несколько ревью параллельно, пока занят другими задачами, и утверждает итоговые комментарии.
- AI-review
- Стандарты
- Параллельная работа
MCP-сервис проекта
Собственный инфраструктурный сервис даёт AI-агентам доступ к сервисам, базам данных, логам, трекеру задач и базе знаний на всех окружениях. Агент:
- сам читает инцидент, находит логи и данные и предлагает исправление;
- заменяет отдельные админ-панели — фоновые задачи и запросы к сервисам выполняются через него;
- помнит связи между таблицами разных сервисов, которые сообщила команда;
- еженедельно находит самые тяжёлые запросы на продакшене и предлагает оптимизацию.
- MCP
- Диагностика
- База знаний
Техархитектор и техлид с новыми полномочиями
Узким местом стала аналитика, поэтому роли перераспределили:
- техархитектор до начала аналитики готовит технический проект и черновик требований с обоснованной оценкой;
- техлид берёт на себя DevOps-задачи, доставку релизов и закрытие техдолга;
- поддержка и QA описывают инциденты и баги в формате, удобном агенту: ссылки на логи вместо скриншотов.
- Техархитектор
- Техлид
- Стандарты описаний
Особенности проекта
Внедрять AI в живой проект сложнее, чем в новый: процесс нужно менять, не останавливая поставку доработок клиенту.
Без чётких границ агент не видит неявных связей в системе. Основное время разработчика уходит на постановку задачи и контроль того, что агент собирается сделать.
За код в продакшене отвечают разработчик и техлид. AI-комментарии к ревью техлид просматривает: часть удаляет, с частью не соглашается.
Работа агентов стоит денег. Хорошо организованная база знаний снижает расход: агент находит нужное в документации и не изучает код заново.
Эффект появляется, когда на AI переходят все: поддержка, QA, аналитика, фронтенд. Для этого пересобрали стандарты описания задач, багов и инцидентов.
Локальная память агента у каждого своя. Чтобы опыт не пропадал, его записывают в общий репозиторий и в базу MCP-сервиса.
Что было важно реализовать на уровне системы
Инфраструктуру выстроили так, чтобы AI работал по правилам проекта и опирался на общий контекст, а не на опыт отдельного разработчика.
Что получил бизнес
Крупную интеграцию с системой мастер-данных — около 34 000 строк кода — команда довела до тестовой среды за две недели: два дня на разбор, примерно неделя на написание кода.
от старта разработки до тестовой среды для интеграции на 34 000 строк
ниже трудозатраты на типовые задачи в первом эксперименте
цикла правок на код-ревью — часто изменение принимают сразу
ставки техлида освободилось — теперь эта часть времени уходит на разработку
- Больше ёмкость без роста команды — тот же состав успевает больше доработок для клиента.
- Качество растёт вместе с фичами — техдолг закрывается без нагрузки на скоуп релиза, а продакшен оптимизируется проактивно.
Технологии проекта
AI-агенты
Интеграция агентов
Разработка и задачи
Мониторинг и логи
Бэкенд
База данных
Поможем выбрать оптимальное решение для вашего бизнеса
Разберём задачу, предложим архитектуру решения и оценим сроки реализации — на первой консультации, бесплатно.
- Покажем релевантный опыт на похожих проектах
- Сформируем решение с учётом ваших задач и IT-ландшафта
- Предложим следующие шаги без обязательств