В Альфа-Банке вайб-кодинг уже пытаются считать не по мемам из X, а по метрикам: 280 сотрудников, 81 команда на внутреннем хакатоне и до 60–70% прироста точности ответов моделей в пилотах. Для российской IT-аудитории это важный сигнал: вайб-кодинг в корпорации начинают упаковывать не как личную привычку разработчика, а как управляемый процесс с безопасностью, шаблонами и внутренней платформой.
Об этом, как пишет Habr / Карьера, рассказал Максим Антипов, который в 2024 году пришёл в банк руководителем проектов, затем занялся партнёрскими интеграциями, а позже перешёл к AI-powered разработке. Его история интересна не только карьерным зигзагом. По сути, Антипов описывает, как крупная компания пытается приручить вайб-кодинг в корпорации так, чтобы он не упирался в хаотичные промпты, утечки данных и вечные согласования между ИБ, комплаенсом и разработкой.
Отправной точкой для этого подхода стала не генерация кода как таковая, а опыт работы с большими процессами. По словам Антипова, в банке он сначала вёл проекты, связанные с обезличенными приложениями, а затем рефакторинг легаси с участием 98 iOS-разработчиков. Позже в компании появилась собственная AI-платформа AlfaGen, и команда начала тестировать, как большие языковые модели можно встроить во внутренние инженерные контуры. В статье упоминаются эксперименты с DeepSeek V3, Qwen, GLM-5 и последующая замена части GLM-решений на MiniMax. Сам по себе список моделей не сенсация. Важнее другое: в банке смотрят не на «любимую модель разработчика», а на то, что лучше ложится на корпоративные сценарии, инфраструктурные ограничения и требования безопасности.
Ключевой тезис Антипова звучит жёстко и вполне по делу: вайб-кодинг в пет-проекте нельзя просто перенести в большую компанию. На личном ноутбуке разработчик может попросить модель «накидать сервис» и считать задачу закрытой. В банке так не работает. Здесь нужно совместить требования регулятора, политику информационной безопасности, централизованное управление доступами, параллельную работу десятков команд и обычные бизнес-ожидания заказчиков. Поэтому под вайб-кодингом в корпорации автор понимает не спонтанную генерацию сниппетов, а процесс, где сначала появляется структурированное техзадание, затем архитектурная и security-first-проработка, и только после этого в дело идёт LLM.
Наиболее конкретная часть статьи связана с тем, что команда называет семантической и якорной разметкой. Антипов пишет, что изучал документацию Google и Anthropic и пришёл к выводу: длинные и сложные запросы к модели лучше структурировать через XML-подобную разметку, а не через JSON. Внутри Альфа-Банка из этого вывели простое правило для новичков: короткий запрос ещё можно подавать в JSON, но если контекст длиннее одного экрана или превышает 4000 токенов, стоит переходить на XML. Смысл подхода в том, что разметка помогает расставлять для модели «якоря» внимания и явно указывать, какие части контекста или кода важнее. Для рынка это, пожалуй, одна из самых практичных частей всей истории: не очередной разговор о том, что «ИИ меняет всё», а попытка стандартизировать промпт-инжиниринг для продуктовой разработки.
Дальше начинаются цифры, ради которых такие кейсы обычно и читают. По словам Антипова, на пилотных проектах структурированные промпты дали командам рост точности ответов модели на 60–70% по сравнению с «классическим» вайб-кодингом без формализованной разметки. Параллельно расход токенов на крупных кодовых базах сократился со 160 тысяч до 85 тысяч. Эти оценки, конечно, стоит воспринимать как внутренние метрики конкретной компании, а не как универсальную истину для любого стека. Но даже в таком виде они показывают, куда движется корпоративный рынок: эффективность LLM начинают измерять не только скоростью написания чернового кода, но и стоимостью вычислений, стабильностью инфраструктуры и повторяемостью результата между разными командами.
Ещё показательнее выглядит пример с миграцией легаси. Первым серьёзным проектом с таким подходом в банке стал перевод старого RPG-кода с IBM-платформы на Java 21. По оценке автора, без выстроенной методологии переписывание заняло бы месяцы, а с ней команда уложилась в три недели. Здесь важно не то, что LLM «сама всё написала», а то, что банк пытается собрать вокруг неё полный контур: автоустановщики плагинов, быстрый деплой в тестовые среды меньше чем за сутки и внутренний кукбук по сборке MVP за шесть часов. Иначе говоря, ИИ в разработке превращают из фокуса одного энтузиаста в набор организационных костылей, без которых в корпорации вообще ничего не летает.
Отдельная линия статьи касается так называемых Tiny Teams, микро-команд из 1–4 человек, которые могут быстро собирать прототипы и внутренние сервисы. Для проверки идеи банк в апреле провёл хакатон по вайб-кодингу. На старт вышла 81 команда, решение сдала 71. Всего участвовали 280 сотрудников. За сутки, по данным автора, они написали 1 626 723 строки кода, отправили в AlfaGen 96 тысяч запросов, составили 100 тысяч промптов и получили 38 миллионов completion. К этим цифрам можно относиться с привычным скепсисом любой редакции, которая хотя бы раз видела корпоративные KPI. Но даже с поправкой на жанр они показывают главное: интерес к LLM-разработке внутри крупных компаний уже давно вышел за пределы пары любопытных инженеров.
Для разработчиков и CTO из этого кейса напрашивается не романтический, а довольно приземлённый вывод. Победит не тот, кто громче всех называет себя AI-native, а тот, кто сумеет превратить работу с моделями в повторяемую инженерную дисциплину: с понятными правилами, шаблонами, безопасными контурами и измеримым эффектом на больших кодовых базах. В этом смысле спор о том, модный ли вайб-кодинг или уже нет, становится второстепенным. Гораздо интереснее другой вопрос: сколько российских компаний смогут довести этот подход от вдохновляющего хакатона и красивого кукбука до реальной производственной нормы, где ИИ ускоряет релизы, а не просто увеличивает объём кода и число поводов для ревью.
The post Альфа-Банк превращает вайб-кодинг из хобби в корпоративный процесс appeared first on iTech News.