В начале века разработку программного обеспечения дважды переворачивали с ног на голову. Сначала пришёл движение открытого кода — и код стал доступен всем. Затем — методологии DevOps и Agile, которые превратили разработку из изолированной в командную, а поставки — из разовых в непрерывные. Сейчас назревает третий сдвиг: на сцену выходит агентный ИИ (agentic AI).

От помощника к автономному разработчику

Пока ИИ в разработке — это в основном помощник: он дописывает код, помогает с тестами, работает в строго заданных рамках. Но агентный ИИ — это уже не инструмент, а самостоятельный субъект. Такие агенты способны не просто выполнять задачи, а принимать решения, планировать и управлять целыми проектами — почти без участия человека.

Если компании полностью внедрят эту технологию, она позволит автоматизировать весь процесс создания ПО — от идеи до релиза. В перспективе — полностью автономная разработка под управлением ИИ-агентов.

Исследование: кто и как готов к агентному будущему

Новое исследование, основанное на опросе 300 руководителей технических команд, показывает: интерес к агентному ИИ растёт, но внедрение пока осторожное и ограниченное. Компании видят потенциал, но понимают: чтобы раскрыть его, потребуются не только технологии, но и глубокие изменения в процессах и культуре.

Как и при переходе к Agile и DevOps, успех будет зависеть не столько от инструментов, сколько от способности команд адаптироваться. Зато выигрыш — в скорости, качестве и эффективности — может оправдать все усилия.

Ключевые выводы

• Инвестиции растут. Пока что половина компаний считает агентный ИИ приоритетом. Через два года таковых будет уже более 80%.
• Использование нарастает. Сейчас 51% команд уже применяют агентный ИИ (в основном в ограниченном объёме), ещё 45% планируют внедрить его в ближайшие 12 месяцев.
• Результаты пока скромные. 66% опрошенных ожидают небольшого или умеренного улучшения в ближайшие два года. Но 32% верят в серьёзный прорыв, а 9% — в революцию.
• Главный выигрыш — скорость. 98% респондентов уверены, что агенты ускорят вывод продуктов из пилота в продакшн. В среднем ожидается прирост скорости на 37%.
• Цель — полный контроль ИИ. 41% компаний хочет, чтобы ИИ-агенты управляли полным циклом разработки уже через 18 месяцев. Через два года таких будет 72%.
• Проблемы — в интеграции и ценах. Основные барьеры: сложность подключения агентов к существующим системам и высокая стоимость вычислений. Эксперты добавляют: ещё сложнее будет перестроить рабочие процессы и культуру команд.

«Полноценная интеграция агентного ИИ потребует не просто новых инструментов, а нового мышления. Это не автоматизация задач — это переосмысление всей разработки».

Исследование подготовлено Insights — подразделением MIT Technology Review, отвечающим за кастомный контент. Материал создан людьми: авторами, редакторами, аналитиками. Использование ИИ ограничено вспомогательными процессами и прошло строгую редакционную проверку.

Software engineering has experienced two seismic shifts this century. First was the rise of the open source movement, which gradually made code accessible to developers and engineers everywhere. Second, the adoption of development operations (DevOps) and agile methodologies took software from siloed to collaborative development and from batch to continuous delivery. Now, a third such shift looks to be taking shape with the adoption of agentic AI in software engineering.

Thus far, engineering teams have mainly used AI to assist with coding, testing, and other individual tasks, within tightly designed parameters. But with agentic capabilities, AI agents become reasoning, self-directing entities that can manage not just discrete tasks but entire software projects—and do so largely autonomously. If adopted and fully embraced by engineering teams, agentic AI will usher in end-to-end software process automation and, ultimately, agent-managed development and product lifecycle automation.

This report, which is based on a survey of 300 engineering and technology executives, finds that software engineering teams are seeing the potential in agentic AI and are beginning to put it to use, but so far in a mainly limited fashion. Their ambitions for it are high, but most realize it will take time and effort to reduce the barriers to its full diffusion in software operations. As with DevOps and agile, reaping the full benefits of agentic AI in engineering will require sometimes difficult organizational and process change to accompany technology adoption. But the gains to be won in speed, efficiency, and quality promise to make any such pain well worthwhile.

Key findings include the following:

Adoption momentum is building. While half of organizations deem agentic AI a top investment priority for software engineering today, it will be a leading investment for over four-fifths in two years. That spending is driving accelerated adoption. Agentic AI is in (mostly limited) use by 51% of software teams today, and 45% have plans to adopt it within the next 12 months.

Early gains will be incremental. It will take time for software teams’ investments in agentic AI to start bearing fruit. Over the next two years, most expect the improvements from agent use to be slight (14%) or at best moderate (52%). But around one-third (32%) have higher expectations, and 9% think the improvements will be game changing.

Agents will accelerate time-to-market. The chief gains from agentic AI use over that two-year time frame will come from greater speed. Nearly all respondents (98%) expect their teams’ delivery of software projects from pilot to production to accelerate, with the anticipated increase in speed averaging 37% across the group.

The goal for most is full agentic lifecycle management. Teams’ ambitions for scaling agentic AI are high. Most aim for AI agents to be managing the product development and software development lifecycles (PDLC and SDLC) end to end relatively quickly. At 41% of organizations, teams aim to achieve this for most or all products in 18 months. That figure will rise to 72% two years from now, if expectations are met.

Compute costs and integration pose key early challenges. For all survey respondents—but especially in early-adopter verticals such as media and entertainment and technology hardware—integrating agents with existing applications and the cost of computing resources are the main challenges they face with agentic AI in software engineering. The experts we interviewed, meanwhile, emphasize the bigger change management difficulties teams will face in changing workflows.

Download the report

This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.