Цифровая зрелость бизнеса сегодня напрямую связана со сложностью его ИТ-ландшафта. Но по мере роста компании ее технологическая инфраструктура часто превращается из конкурентного преимущества в источник скрытых рисков и операционных потерь. Масштабные кодовые базы, наследие в виде legacy-систем, работа с различными подрядчиками и естественная ротация кадров — все это ведет к постепенной эрозии знаний о реальном устройстве ИТ-продуктов и систем. И единственным источником правды остается исходный код. Сталкиваясь с подобными ситуациями на клиентских проектах, специалисты «Рексофт» начали практиковать AI-First подход для анализа кодовой базы legacy-систем. Использование ИИ в гибриде с классическими методами анализа кода позволяло быстро и комплексно воссоздавать картину исходного ИТ-ландшафта заказчика, составлять протоколы расхождений между требованиями и реализацией и решать прочие задачи, связанные с анализом и проектированием. Доказав свою эффективность в ходе успешных проектов, эта технология была выделена в отдельный продукт — платформу AI Code Observability.
Ключевые сценарии для бизнеса
Платформа создает «живую» базу знаний на основе анализа кода. Прозрачность архитектурных связей и текущей реализации ИТ-решения позволяет автоматизировать архитектурный контроль, соответствие техническим политикам и планирование трансформации ИТ-ландшафта.
Наличие актуальной базы знаний особенно ценно при работе с legacy-системами, большими объемами кода и распределенными командами. За счет единого источника знаний платформа помогает ускорить принятие решений, минимизировать риски и сократить затраты.
- К примеру, при миграции крупного зарубежного банка с legacy-платформы на новую AI Code Observability проанализировал 70+ приложений и 500+ точек взаимодействия, что помогло построить план перехода за 3 месяца вместо планируемых 6+. Это позволило сократить затраты на планирование миграции в 2 раза — с 9 млн до 4,5 млн рублей.
Понимание текущей реализации ИТ-решения позволяет быстро расследовать инциденты за счет анализа первопричин сбоев в коде, сохранять корпоративную экспертизу при уходе ключевых специалистов и эффективно проводить онбординг новых сотрудников.
- На промышленном предприятии работало критически важное интеграционное решение с жесткими SLA, где нарушения приводили к финансовым потерям. Ключевой проблемой была зависимость от старшего разработчика, который мог расследовать инциденты за часы, в то время как рядовые специалисты тратили на это дни из-за сложной логики решения. Анализ применения AI Code Observability для ускорения расследования инцидентов и передачи знаний показал потенциальный эффект: сокращение количества нарушений SLA с 5-6 до 1-2 в квартал и снижение стоимости рисков с 10,8 млн до 4,6 млн рублей в год.
От разрозненных знаний к AI-ready контексту
В основе AI Code Observability лежит двухуровневая система преобразования кода, требований и документации в структурированные знания. На первом этапе платформа использует гибридный подход, сочетая классические линейные методы, семантический анализ с помощью нейросетей и AI-агентов. Это позволяет работать как с синтаксисом кода, так и с его бизнес-логикой. Особое внимание уделяется контролю достоверности: линейные алгоритмы гарантируют точность информации, а работа нейросетевых моделей сопровождается проверками на каждом этапе, что минимизирует риск «галлюцинаций».
Второй уровень предлагает набор инструментов для работы с полученными знаниями. В числе ключевых возможностей — диалог с кодом на естественном языке, который позволяет быстро получать ответы о функциональности компонентов, и визуализация архитектурного графа — связей между элементами системы.
Инструменты AI Code Observability превращают сложную кодовую базу из «черного ящика» в прозрачную среду для анализа.
- Например, для крупного ритейлера, столкнувшегося со сложностями приемки кода от подрядчиков, применение платформы для автоматического GAP-анализа продемонстрировало возможность сократить объем пост-приемочных исправлений с 15% до 5-7%. Потенциальный экономический эффект от снижения затрат на регулярную приемку поставок оценивается в 50% — с 19,5 млн до 8,2 млн рублей в год.
Развитие платформы идет непрерывно и ее инструментарий регулярно пополняется новыми возможностями.
Отличие от других ИИ-инструментов
AI Code Observability — не замена существующим ИИ-инструментам по работе с кодом, а их дополнение. В отличие от классических помощников разработчика, как GitHub Copilot, которые помогают писать новый код, платформа осуществляет широкий инжиниринг контекста. Она собирает и структурирует информацию из всех доступных источников, включая код, требования и документацию, системы управления проектами. Такой комплексный подход открывает возможности для решения более широкого круга задач — не только для разработчиков, но и для проектных менеджеров, архитекторов и ИТ-менеджмента. При этом AI Code Observability комплементарна другим инструментам. Решение создает целостную карту знаний об ИТ-системе, которую можно использовать для улучшения работы код-ассистентов, делая их подсказки точнее.
Модель внедрения платформы предполагает два варианта: продуктовая поставка с адаптацией под задачи заказчика или развертывание в рамках проекта в качестве инструмента для ускорения выполнения задач.
Решение разворачивается как в облаке, так и on-premise, и требует подключения к LLM с достаточным размером контекстного окна и производительностью (уровня моделей типа Qwen3-30b). Платформа поддерживает интеграцию с Git-репозиториями для доступа к исходному коду, импорт файлов, а также предоставляет MCP-сервер для подключения к сторонним AI-решениям заказчика.
Платформа AI Code Observability может стать для ИТ ключевым элементом для ИИ-трансформации бизнеса, позволяя принципиально изменить подход к работе со знаниями. Основная задача решения — восстановление знаний, контекста и архитектурных зависимостей на семантическом уровне. Преобразуя разрозненные артефакты в структурированные данные, готовые для искусственного интеллекта (AI-ready data), решение помогает получать ответы на стратегические вопросы о существующей системе в масштабах всей компании.