5 трендів, які визначають сучасну AI-інженерію
- Таїсія Красноштан
- 1 день тому
- Читати 6 хв
За три роки AI Engineering пройшов шлях від експериментальної ідеї до одного з головних напрямів розвитку розробки. Запропонований у 2023 році термін AI Engineer описував новий тип фахівців, які працюють на перетині ШІ та програмування. Тоді ж цю сферу ще часто називали prompt engineering.
Сьогодні назви посад та спеціалізацій — річ доволі другорядна. Значно важливіше, що агенти, управління контекстом, оцінка моделей і побудова інфраструктури навколо них поступово стають стандартом сучасної розробки.
HBJ публікує головні інсайти конференції AI Engineer World's Fair, що відбулася у червні в Сан-Франциско (США). Це одна з найбільших міжнародних конференцій, присвячених AI-інженерії. Розробники, дослідники та інші представники технологічних компаній обговорювали, як за останні кілька років змінився підхід до створення AI-систем і куди рухається галузь. Нижче — 5 трендів, про які варто знати.
У центрі уваги вже не самі агенти, а системи навколо них
Один зі способів побачити, як змінилася AI-інженерія — порівняти дві статті колишньої дослідниці OpenAI, а нині співзасновниці Thinking Machines Lab Ліліан Венг.
2023 року вона опублікувала матеріал, де описала AI-агента як поєднання трьох ключових компонентів: планування, пам'яті та інструментів. Прикладами тоді були AutoGPT, BabyAGI та GPT-Engineer — експериментальні проєкти, які показували, що автономні агенти незабаром можуть стати практичними інструментами.
У своєму новому есе (2026 рік) Венг уже зосереджується не стільки на можливостях моделі, скільки на системі, у якій вона (модель) працює.
Йдеться про так званий harness — систему, яка керує робочими процесами, контекстом, правами доступу, оцінюванням результатів, збереженням стану та безперервним удосконаленням моделі. Саме цей перехід — від створення окремих агентів до проєктування систем навколо них — сьогодні визначає розвиток AI-інженерії.
Змінився і сам погляд на роль AI-агентів. Якщо раніше головною метою була максимальна автономність, то тепер акцент змістився на створення надійних інструментів, які підсилюють роботу розробника, а не замінюють його.
Причина проста: повністю автономні агенти поки що недостатньо передбачувані для використання у масштабних продуктах. Зі зростанням складності моделей прогнозувати їхню поведінку дедалі важче — іноді навіть компаніям, які їх створюють.
Саме тому дедалі більшого значення набувають системи, які дають змогу контролювати роботу агентів, оцінювати якість їхніх результатів і відстежувати зміни в їхній поведінці.
2. Контроль над агентами переходить на новий рівень
Однією з головних тем AI Engineer World's Fair стала концепція loops. Навколо неї точилася дискусія про те, скільки свободи можна дати AI-агентам і на якому етапі людина все ще має залишатися в процесі.
Один із підходів, який сьогодні дедалі частіше використовують AI-інженери, пропонує розділити роботу AI-системи на два рівні:
внутрішній цикл (inner loop). Це завдання, які агент виконує самостійно: аналізує дані, пише код, запускає тести, виправляє помилки й повторює ці дії за потреби;
зовнішній цикл (outer loop). Він залишається за людиною. Саме вона визначає напрям роботи, оцінює результат, втручається за потреби та контролює всю систему.
До зовнішнього циклу можуть входити автоматичні оцінювання (evals), сигнали зворотного зв'язку та участь людини. Частина цього циклу також може бути автоматизована. Його головне завдання — не виконувати роботу замість агента, а забезпечувати постійний контроль, оцінювання та вдосконалення всієї системи.
Такий підхід отримав назву loop engineering. Як зазначає колишній керівник інженерної команди Google Едді Османі, агенти можуть виконувати більшість роботи у внутрішньому циклі, але зовнішній цикл усе ще залишається сферою відповідальності інженера.
За такого підходу AI-інженер не стільки створює агентів, скільки проєктує системи, які керують їхньою роботою. Під час фінальної дискусії на конференції учасники також поставили під сумнів, чи готові повністю автономні агенти самостійно керувати такими циклами без участі людини. Один зі спікерів порівняв роль AI-інженера з машиністом локомотива: його завдання не в тому, щоб керувати кожною деталлю механізму, а стежити, щоб уся система не зійшла з рейок.
3. AI-інженерія захоплює корпоративний сектор
Якщо перші хвилі розвитку AI задавали переважно стартапи, то сьогодні технологія активно переходить у корпорації. Головний виклик для великих компаній — впровадити модель чи агента у реальні бізнес-процеси. Це значно складніше завдання, адже потрібно підтримувати інтеграції з внутрішніми сервісами, взаємодію різних команд і подальший розвиток інфраструктури.
Як наслідок, з’являється нова спеціалізація AI Engineer — Forward Deployed Engineer (FDE). Так називають інженерів, які допомагають компаніям інтегрувати AI-рішення у власну інфраструктуру, адаптувати їх до конкретних бізнес-завдань і забезпечувати їхню роботу в реальних умовах.
Дедалі більше говорять і про software factory — модель розробки, у якій довготривалі AI-агенти супроводжують увесь життєвий цикл створення програмного забезпечення.
Подібні системи не замінюють інженерів, а беруть на себе повторювані завдання, прискорюють розробку й допомагають досягати вимірюваного бізнес-результату (ROI).
Успішність проєктів визначається дуже просто: якщо після завершення впровадження компанія продовжує користуватися створеними AI-рішеннями, значить вони справді приносять цінність для бізнесу.
Утім, навіть у такій моделі людина залишається ключовою ланкою. Бо кожна організація сама вирішує, які етапи життєвого циклу розробки варто автоматизувати, а де важлива участь людини. Наприклад, одні компанії готові повністю автоматизувати перевірку коду, тоді як інші залишають за інженерами рев'ю змін із високим рівнем ризику. Універсального підходу тут поки що не існує.
Ще одне критично важливе завдання — робота з корпоративними даними. Тут виникає нова концепція — context engineering. Це організація того, як контекст передається між внутрішніми бізнес-системами, корпоративними знаннями та AI-інструментами.
Йдеться не просто про доступ до даних, а про те, як знання компанії потрапляють до агентів, копілотів та інших AI-застосунків. Від того, наскільки повний і якісний контекст отримує модель, безпосередньо залежить ефективність її роботи.
Попри швидкий розвиток технології, масове впровадження AI у корпоративному секторі лише починається. Одним із головних завдань команд FDE залишається пошук усередині організації людей, які готові підтримати ці зміни та допомогти масштабувати їх на всю компанію.
4. Агенти поступово замінюють IDE
Для багатьох розробників IDE поступово перестає бути головним інструментом роботи з кодом. Її місце дедалі частіше займають coding-агенти — системи, які не просто підказують окремі фрагменти коду, а здатні самостійно виконувати значну частину процесу розробки. Ось, наприклад, історія про те, як місце звичної IDE поступово став займати Cursor.
На відміну від перших AI-помічників на кшталт GitHub Copilot (до речі, почитайте про кейси і лайфхаки щодо його використання), сучасні інструменти, як-от Claude Code, Codex, Gemini CLI, Cursor і Warp працюють уже як повноцінні агенти. Вони аналізують кодову базу, планують виконання завдання, одночасно змінюють кілька файлів, запускають тести, знаходять і виправляють помилки, а також можуть кілька разів доопрацювати власне рішення, перш ніж показати його розробнику.
Для агентів звичного середовища розробки уже недостатньо, тож виникають і нові вимоги до інфраструктури. Потрібні ізольовані середовища виконання (sandboxes), безпечний запуск коду, підтримка довготривалих процесів і спеціалізовані інструменти для керування агентами.
«Агенти значно менш передбачувані, ніж звичайні вебзастосунки. Інфраструктура може бути схожою, але взаємодія, інтерфейс і результати їхньої роботи набагато динамічніші», — зазначав Ендрю Ку, керівник напряму Software у Vercel.
Змінюється і роль самого розробника. Концепція software factory передбачає, що дедалі більше технічної роботи виконують AI-агенти, тому людині вже не потрібно писати кожен рядок коду самостійно. Натомість вона керує роботою кількох агентів: розподіляє між ними завдання, визначає пріоритети, перевіряє результати та ухвалює фінальні рішення. Отже, основною навичкою розробника поступово стає не лише написання коду, а й організація роботи агентних систем.
5. Усі агентні платформи будуються навколо skills
Що складнішими стають AI-агенти, то важливішим стає питання, як передати їм накопичений досвід і правила роботи. Одним із рішень стали skills — формалізовані знання у вигляді готових робочих процесів, критеріїв якості та найкращих практик, які агент може повторно використовувати.
Замість щоразу пояснювати моделі, як виконувати завдання, достатньо один раз оформити ці інструкції у вигляді окремого skill. Їх можна переносити між проєктами, комбінувати, вдосконалювати й використовувати як готову базу знань для різних агентів.
Саме цей підхід активно розвиває Anthropic, яка торік представила agent skills для Claude.
Відповідно змінюється і сам процес розробки агентів. Частину коду, який раніше використовували для їхньої оркестрації, поступово можуть замінити декларативні описи поведінки. Це називається skill engineering, тобто проєктування, підтримка та розвиток skills як окремого напряму AI-інженерії.
Цю тенденцію підтверджують уже не лише розробники AI-платформ, а й представники бізнесу. Так, президент Y Combinator Гаррі Тан закликав компанії будувати AI-native процеси саме навколо skills. За його словами, дедалі більше стартапів описують у такому форматі не лише технічні процеси, а й роботу відділів продажів, підтримки чи фінансів. Водночас зростає попит на інженерів, які відповідають за підтримку та розвиток самих skills.
Втім, тут теж не обійдеться без ризиків. Один із них — skills hell. За аналогією з відомим серед розробників framework hell цей термін описує ситуацію, коли проєкт накопичує занадто багато великих і складних skills, якими стає важко керувати. Саме тому варто створювати невеликі спеціалізовані модулі, які простіше підтримувати, оновлювати та комбінувати між собою.
Новий рівень AI-агентів
Минуло вже три роки від виходу статті The Rise of the AI Engineer і першого AI Engineer Summit. Якщо озирнутися назад, добре видно, наскільки змінилися розмови навколо AI-агентів.
Тоді головним питанням було, чи здатні великі мовні моделі взагалі працювати як автономні агенти. Відповідь найчастіше була негативною, а більшість дискусій точилася навколо AutoGPT, prompt engineering і перших фреймворків для оркестрації на кшталт LangChain.
Сьогодні ситуація зовсім інша. AI-агенти не лише довели свою ефективність, а й показали, що можуть масштабуватися. Тому на цьогорічній конференції AI Engineer World's Fair увага змістилася до практичних викликів: як будувати надійні агентні системи, координувати роботу кількох агентів, керувати контекстом, оцінювати якість результатів і інтегрувати ШІ в реальні програмні продукти.
Змінилося й саме значення поняття AI Engineer. Якщо раніше це сприймалося як нова спеціалізація, то тепер радше описує напрям, у якому розвивається вся розробка програмного забезпечення. Незалежно від того, як називають себе фахівці — AI Engineers, Software Engineers чи Forward Deployed Engineers, — вони дедалі частіше працюють з однаковими підходами: створюють агентів, проєктують цикли їхньої роботи, будують системи оркестрації та керують взаємодією між ними.
