Использование ИИ в разработке давно вышло за рамки генерации простых функций. Для крупного финтеха это вопрос системной интеграции и безопасности. В ИТ-кластере «СВОЙ Тех» мы ищем способы оптимизировать Time-to-Market. В этом материале — опыт работы с легаси-кодом, интеграция с Figma через MCP-протокол и переход к Spec Driven Development.

Системный подход вместо хайпа

Мы рассматриваем ИИ как производственный инструмент, разделяя процесс на чёткие этапы: от оценки задачи до self-review. Основная проблема обычных чатов — потеря контекста из-за лимитов, непонимание архитектуры и API-контрактов.

Чтобы преодолеть эти ограничения, мы внедрили связку Plan-First и Spec Driven Development (SDD). Процесс включает два ключевых этапа:

• Этап планирования (Plan-First): ИИ-агент анализирует задачу и формирует верхнеуровневый план. Это позволяет заранее синхронизировать видение системы и избежать архитектурных ошибок.
• Создание спецификации (Spec): На основе утверждённого плана формируется детальная спецификация. Она становится «единым источником истины» — помогает сохранять контекст и упрощает дальнейшее развитие проекта.

Команда сначала определяет поведение, интерфейсы и требования, а только потом приступает к реализации. ИИ генерирует план и обновляет спецификацию с учётом бизнес-логики и текущего кода. Разработчик валидирует результат, корректирует слабые места и лишь затем разрешает генерацию кода.

Технологический стек: «Мозг» и «Руки»

Мы используем топовые LLM: Claude 4.7 Sonnet, Opus 4.6 и GPT-5.3 CODEX. Работа с ними организована через три основных инструмента:

1. Cursor: IDE на базе VS Code. Позволяет выполнять всё в одной среде — от анализа кода до отладки интерфейса в браузере. Это наши «руки» для работы с файлами.
2. OpenCode: собственное CLI-решение. Лёгкое и быстрое, используется для итераций, анализа решений и как база знаний по проекту.
3. ChatGPT: выступает в роли «мозга». Здесь мы анализируем Best Practices и настраиваем сложные системные промпты, которые затем внедряем в Cursor.

Автоматизация связи «дизайн — код» через MCP

Фронтенд требует точной верстки. Поэтому мы внедрили Model Context Protocol (MCP) — открытый стандарт, который даёт ИИ доступ к внешним сервисам, как «органы чувств»:

• Интеграция с Figma: агент получает параметры макетов напрямую, что исключает расхождения в дизайне и сокращает правки.
• Связка с Sentry: ИИ работает с ошибками в реальном времени. Он анализирует stacktrace, находит связанные участки кода и предлагает исправления.

С помощью Cursor Browser мы тестируем и правим интерфейс прямо в IDE. Это экономит время на верстке и первичном тестировании компонентов.

Безопасность и детерминированность

В финтехе безопасность критична. У нас строгие правила: персональные данные клиентов не передаются во внешние ИИ-системы. Используются только внутренние агенты, работающие через прослойки и фильтры.

Агент видит структуру кода и логику, но не имеет доступа к чувствительной информации. Все действия ИИ детерминированы внутренними регламентами и контролируются на каждом этапе.

Верификация и контроль качества

После выполнения задачи запускается многоуровневая верификация:

• Qodo: независимый ревьюер, проверяющий код по внутренним стандартам.
• Расширенный self-review: разработчик запускает автотесты, сверяет реализацию с макетами в Figma и проходит QA-чеклист. Используются формализованные команды: findings → plan → todos.

Итоговый план задачи прикрепляется к тикету. Это позволяет ревьюеру видеть не просто код, а структуру решений и ход реализации. Подход ускоряет ревью и повышает его качество.

• MCP-интеграция с GitLab: система оценивает изменения по сценариям и оставляет комментарии к Merge Request.

ИИ также помогает мониторить логи и производительность, быстрее выявляя причины падения метрик по сравнению с ручным анализом.

Итоги и профит

Внедрение этих решений во фронтенд-разработку дало прирост производительности на 10–15% с учётом затрат на обучение и инфраструктуру.

Однако требования к разработчикам выросли. Теперь важно не только писать код, но и эффективно управлять инструментами автоматизации. Разработка с ИИ становится новым стандартом — и мы активно формируем этот тренд.

Использование ИИ в разработке давно вышло за рамки генерации простых функций. Для крупного финтеха это вопрос системной интеграции и безопасности. В ИТ-кластере «СВОЙ Тех» мы постоянно ищем способы оптимизации Time-to-Market. В этом материале мы делимся опытом того, как заставить нейросети работать с легаси-кодом, зачем им доступ к Figma через MCP-протокол и почему будущее за Spec Driven Development.

Системный подход вместо хайпа

Мы рассматриваем ИИ как реальный производственный инструмент, разделяя процесс на четкие этапы: от оценки задачи до self-review. Главная проблема обычных чатов в том, что они «плывут» на длинных дистанциях из-за лимитов контекста, «слепоты» к архитектуре и отсутствия понимания API-контрактов.

Чтобы победить эти ограничения, мы внедрили связкуPlan-FirstиSpec Driven Development (SDD). Процесс строится следующим образом:

• Этап планирования (Plan-First):Сначала ИИ-агент анализирует задачу, чтобы разобраться в нюансах, и формирует верхнеуровневый план (plan). Это позволяет на раннем этапе синхронизировать видение системы и избежать архитектурных ошибок.
• Создание спецификации (Spec):На основе утвержденного плана рождается детальная спецификация. Она служит «единым источником истины» внутри проекта, помогая сохранять контекст и значительно облегчая поиск информации или внедрение нового функционала в будущем.

При таком подходе команда определяет поведение, интерфейсы и требования к ПО до написания реализации. ИИ-агент сначала генерирует детальный план и обновляет спецификацию, учитывая бизнес-контекст и текущий код. Разработчик валидирует этот план, исправляет слабые места и только после этого дает отмашку на генерацию кода.

Технологический стек: «Мозг» и «Руки»

Внутри компании мы используем связку из топовых LLM:Claude 4.7 Sonnet, Opus 4.6 и GPT-5.3 CODEX. Для работы с ними выстроено два основных пути:

1. Cursor:IDE на базе VS Code, которая позволяет выполнять большую часть работы в одной среде — от генерации и анализа кода до отладки интерфейса в браузере. Это наши «руки» для непосредственной работы с файлами.
2. OpenCode:наше собственное CLI-решение. Оно более легковесное и используется разработчиками для быстрых итераций, оперативного анализа решений и как дополнительная база знаний по проекту.
3. ChatGPT:выступает в роли «мозга». В нем мы анализируем Best Practices и настраиваем сложные системные промпты, которые затем внедряем в Cursor.

Автоматизация связи «дизайн — код» через MCP

Фронтенд невозможен без верстки, поэтому мы внедрилиModel Context Protocol (MCP). Этот открытый стандарт позволяет ИИ-модели подключаться к внешним сервисам, выступая в роли «органов чувств» для ИИ:

• Интеграция с Figma:агент получает прямой доступ к параметрам макетов, что позволяет соблюдать требования дизайна без бесконечных правок.
• Связка с Sentry:дает ИИ возможность работать с ошибками и событиями в реальном времени. Используя AI-анализ, агент сам ищет актуальные issues, анализирует stacktrace и связывает их с конкретными участками кода для быстрого исправления.

Это работает как «органы чувств» для ИИ: агент получает прямой доступ к параметрам макетов, что позволяет соблюдать требования дизайна без бесконечных правок. А с помощьюCursor Browserмы тестируем и правим интерфейс прямо внутри IDE, что экономит массу времени на этапе верстки и первичного тестирования компонентов.

Безопасность и детерминированность

Вопрос безопасности в финтехе является критическим. У нас действует строгая политика: никакая работа с персональными данными клиентов через внешние ИИ не ведется. Мы используем внутренние ИИ-агенты, работающие через специальные прослойки и фильтры. Агент видит структуру кода и логику, но чувствительная информация и реальные данные для него скрыты. Использование ИИ всегда детерминировано внутренними регламентами.

Верификация и контроль качества

После выполнения задачи наступает этап верификации, где задействовано несколько уровней контроля:

• Qodo:инструмент, выступающий в роли независимого ревьюера, который проверяет код по стандартам компании.
• Расширенный self-review:разработчик запускает автотесты, сопоставляет реализацию с макетами в Figma и проходит по QA-чеклисту. Для этого этапа мы используем команды с формализованным выводом (findings → plan → todos).

Важный момент: итоговый план всей задачи прикрепляется к тикету. Это позволяет человеку-ревьюеру не просто смотреть на «простыню» кода, а сразу видеть структуру реализации: какие решения были приняты и как именно строилась работа над функционалом. Такой подход значительно ускоряет внешнее ревью и повышает его качество.

• MCP-интеграция с GitLab:система оценивает изменения по заданным сценариям и формирует комментарии к Merge Request.

Также ИИ помогает мониторить логи и производительность, позволяя быстрее выявлять причины падения метрик по сравнению с ручным анализом.

Итоги и профит

Внедрение этих инструментов во фронтенд-разработку финтех-группы дало чистый прирост производительности в10–15%(с учетом затрат на обучение и поддержку инфраструктуры).

Однако важно понимать, что требования к экспертности разработчиков выросли. Теперь необходимо не только уметь писать код, но и виртуозно владеть инструментами автоматизации. Разработка с помощью ИИ становится новым стандартом индустрии, который мы активно формируем.