AI Radar
Подразделение автономного вождения General Motors сообщило, что после перестройки инженерных процессов вокруг ИИ-агентов число принятых pull request выросло примерно втрое. Агенты берут на себя анализ телеметрии, первичный разбор проблем, эксперименты и тестирование, но ответственность за результат остается за инженером.
В GM исходили из того, что написание кода — лишь небольшая часть работы инженера. По оценке вице-президента GM по автономным автомобилям Рашеда Хака, разработчики подразделения тратят на него около 15% времени, а остальное уходит на анализ данных автомобилей, диагностику проблем, эксперименты, тесты и сопровождение. Эта оценка не выглядит полностью исключительной: исследование Microsoft 2019 года по ответам 5 971 профессионального разработчика давало 66–96 минут написания кода за восьмичасовой рабочий день, или примерно 14–20%. Но диапазон в других исследованиях заметно различался из-за методик и определений самой работы над кодом.
Поэтому GM не ограничилась ассистентом, который генерирует функции в редакторе. Компания разбила разработку автономного вождения на несколько контуров: создание и проверку ПО в симуляции, испытания автомобилей на дорогах общего пользования и мониторинг машин после передачи клиентам. В каждом контуре команда искала самый длинный bottleneck, автоматизировала его агентами и затем переходила к следующему. Именно перестройку полного процесса, а не ускорение набора кода, GM связывает с быстрыми релизами и меньшим числом ошибок, обнаруженных лишь на поздних стадиях.
Технической основой стали кастомизированные MCP-серверы, предоставившие агентам доступ к внутренним инструментам и петабайтам корпоративных данных. Для повторяемых задач GM создала версионируемые «skills» — документы с инструкциями по выполнению конкретной работы. Один из наиболее ценных сценариев связан с телеметрией дорожных автомобилей: агент анализирует поток данных, проводит первичный triage и создает задачи для инженеров. Через MCP он вызывает инструменты, лежащие в основе WebViz — системы визуализации телеметрии, — а не пытается воспроизводить действия пользователя в графическом интерфейсе.
Автоматический вывод при этом должен быть понятен человеку и допускать проверку. В описанном сценарии агент не просто сообщает об аномалии: он указывает вероятно затронутый компонент, ищет похожие инциденты в исторических данных и прикладывает примеры, на которых основано заключение. Права агента привязаны к правам инженера, от имени которого он действует: доступен тот же набор систем, который понадобился бы человеку для этой задачи. Такая схема не отменяет контроля — GM прямо сохраняет ответственность инженера за результат, выданный его агентом.
Фоновые агенты также параллельно запускают ML-эксперименты. Инженер задает эксперимент и параметры, после чего система выполняет тесты и собирает результаты. Внутреннюю платформу GM ведет как продукт: четыре внедренных инженера работают непосредственно с командами, помогают находить пригодные сценарии и распространять успешные практики. Заявленный итог — приблизительно трехкратный рост числа смерженных pull request во всей организации автономного вождения, ускорение поставки и сокращение дефектов, которые раньше ускользали в поздние этапы. Это самооценка GM, а не независимый аудит производительности или безопасности ее автомобилей.
Кейс GM показывает, что наибольшая отдача от агентных систем может лежать вне кодогенерации — в диагностике, подготовке экспериментов, доступе к данным и тестировании. MCP-подключения дают агентам необходимый контекст, но требуют строгого наследования прав и проверяемых для инженера результатов. Для команд со сложными физическими системами особенно важна автоматизация узких мест по всему циклу, а не только в редакторе кода.
DSML editors review the selection. AI helps deduplicate signals and draft the text; the published edition remains an editorial product, not a feed of individual channels.
