Alfa-Bank Mostró Cómo Escépticos Implementaron un Servicio Interno de RRHH en Producción con GLM-5

Альфа-Банк поделился кейсом, в котором команда скептиков вайб-кодинга за несколько недель довела новый HR-сервис до продакшена с помощью GLM-5. Эксперимент показал, что ИИ заметно ускоряет прототипирование и рутинную разработку, но не снимает с команды ответственность за архитектуру, Git и релиз.

Как выбрали проект

Пилот внутри HR Tech собрали из трёх человек, которые изначально не верили в практическую пользу вайб-кодинга: тимлида, системного аналитика и продакта. Им дали свободу выбрать задачу, и команда решила не делать абстрактный демо-проект, а взять реальную функцию из плана развития Alfa People. Так появился сервис «Мои цели», где сотрудники банка могут ставить цели и привязывать к ним задачи внутри корпоративной HR-платформы.

Ставка была не только на скорость, но и на разумный риск. Если бы проект не взлетел, он не ломал бы критичные бизнес-процессы, но при успехе закрывал бы реальную потребность. Сроки при этом быстро ужесточались: дедлайн несколько раз переносили ближе, и на разработку остались считаные дни.

Команда использовала уже проведённый дискавери, собранные пользовательские боли и описанные минимальные решения, а затем отдала модели подготовку черновика бизнес-требований.

Как шла разработка

На практике самым сложным оказался не сам GLM-5, а совместная работа людей, которые раньше не писали прикладные приложения и почти не работали с IDE и Git. Тимлиду пришлось сначала сделать быстрый онбординг, настроить среду и объяснить базовые действия с ветками, пуллами и пушами. Без этого ИИ действительно ускорял отдельные куски работы, но весь поток тормозился на каждом конфликте, недопонимании и несовпадении изменений.

Дальше процесс выглядел так: над сервисом работали тимлид, системный аналитик и продакт интерфейс собирали через текстовые описания и серии быстрых итераций всего команда сделала 19 версий прототипа, прежде чем выбрала основу для продукта из-за высокой нагрузки на GLM-5 днём разработка часто смещалась на ночные часы * среди 15 пилотных команд именно этот состав сумел довести сервис до продакшена ИИ в основном помогал с вёрсткой, формами, валидаторами и первичными версиями экранов. Продакт описывал, каким должен быть интерфейс, модель генерировала HTML и UI-логику, а тимлид уже связывал это с бэкендом и доводил до рабочего состояния. После релиза сервис быстро получил реальное использование: за первую неделю в нём зафиксировали 10 тысяч уникальных пользователей, 9240 созданных целей и 981 связанную задачу, что для внутреннего продукта выглядело очень сильным стартом.

Где возникли ограничения

Кейс хорошо показывает, что главное узкое место в энтерпрайз-разработке с ИИ находится не в генерации кода, а в инженерной дисциплине. Когда несколько участников параллельно меняют проект, незнание Git превращается в постоянную ручную работу по разбору конфликтов. Вторая проблема — инфраструктурная: в пилоте одновременно участвовали 15 команд, и днём GLM-5 мог отвечать по несколько минут, из-за чего инструмент становился почти бесполезным и выбивал рабочий ритм.

Ещё один показательный момент случился прямо перед демо: модель и плагины стали недоступны, а финальные баги пришлось чинить вручную. Это быстро отрезвляет и снимает иллюзию, что ИИ может полностью заменить инженера в ответственный момент. Архитектура, интеграции, безопасность, проверка логов и решение краевых сценариев всё равно остались на стороне опытного разработчика.

Фактически именно ручная доработка в последний момент и позволила без срыва пройти презентацию и выпуск.

«В крупных компаниях вайб-кодинг не замена разработчику, а инструмент в руках опытного спеца».

В результате команда пришла к более трезвой модели использования: ИИ подходит для параллельной работы над рутиной, интерфейсами и черновыми гипотезами, но не отменяет техническое лидерство. Если границы релиза не зафиксированы, появляется соблазн бесконечно расширять объём задач, потому что кажется, будто модель «сделает ещё чуть-чуть». На практике именно жёсткая рамка задач, ручной контроль и умение вовремя остановить доработки позволили довести сервис до конца.

Что это значит История Альфа-Банка важна тем, что показывает вайб-кодинг без рекламного фильтра.

Внутри крупной компании он уже может ускорять запуск внутренних продуктов, особенно на этапе прототипов и типовых UI-задач, но работает только там, где есть опытный инженер, понятный объём работ и готовность вручную разруливать всё критичное. ИИ в таком сценарии — не автопилот, а ускоритель команды, который даёт эффект лишь при зрелом процессе и жёсткой ответственности за результат.