Palo Alto Networks: Claude для тысяч разработчиков — скорость создания фич выросла на 20–30%

• Palo Alto Networks accelerates development with Claude (customer story) — Anthropic / Claude (кейс-стади)
• Palo Alto Networks: Accelerating software development and security with Anthropic's Claude and Google Cloud — Google Cloud (customer story)

Контекст

Palo Alto Networks — крупнейшая компания в сфере кибербезопасности: глобальный поставщик комплексных продуктов и сервисов сетевой безопасности. Инженерная организация масштаба тысяч разработчиков поставила перед собой вопрос, который в 2024–2025 годах задавала себе вся индустрия: как поднять продуктивность разработчиков генеративным ИИ, не поступившись качеством и безопасностью выпускаемого кода? Для компании, продающей безопасность, второй пункт — не оговорка, а суть бренда.

Программу возглавил Гунджан Патель, директор по инжинирингу в офисе Chief Product Officer, с кросс-функциональной командой инженеров. Методология с самого начала была системной: команда не побежала внедрять «какой-нибудь ИИ», а сначала картировала жизненный цикл разработчика, чтобы определить, какие задачи наиболее подвержены ошибкам и съедают больше всего времени. Уже по этой карте выбирались инструменты.

Затем последовала формальная оценка ряда LLM и коуч-ассистентов для кода. Победила связка: Sourcegraph Cody как IDE-интерфейс с моделями Claude от Anthropic на бэкенде, развёрнутыми на Vertex AI в Google Cloud, — комбинация, которая, по оценке команды, лучше всего соответствовала фокусу компании на безопасности. Кейс задокументирован дважды — Anthropic и Google Cloud, — что даёт редкую возможность сверить цифры двух заинтересованных сторон между собой.

Масштаб внедрения в двух снапшотах: кейс Google Cloud описывает пилот на 150 разработчиках и последующую раскатку на 3 000; кейс Anthropic — 2 500 подключённых разработчиков и ещё 3 500 в процессе онбординга. Это одно из крупнейших публично описанных внедрений ИИ-ассистентов разработки в секторе кибербезопасности.

Проблема

В кибербезопасности цена бага выше, чем где-либо: «Если баг найден позже — это то, что стоит денег и репутации, и клиенты недовольны», — говорит Патель. Уязвимость в продукте, который сам защищает инфраструктуру клиентов, бьёт по доверию сильнее, чем любой сбой в обычном софте. Поэтому ускорение разработки не могло идти в размен с качеством: наоборот, ИИ должен был усиливать контроль качества.

Картирование жизненного цикла разработчика показало, где именно теряются время и качество. 30–35% времени разработчиков уходило на начальную фазу разработки — и именно она была определена как критическая точка предотвращения ошибок. Онбординг тоже был узким местом: новому сотруднику требовалось до шести месяцев, чтобы стать полноценно продуктивным в обширных и сложных кодовых базах компании, — и всё это время на него тратили часы сеньоры, вручную проводя новичков по структуре кода.

Отдельный пласт требований задала специфика отрасли. Исходный код Palo Alto Networks — чувствительный актив: решение должно было держать код внутри периметра данных компании, а не отправлять его в неконтролируемые внешние сервисы. Плюс инфраструктурные требования масштаба: тысячам разработчиков нужна стабильная пропускная способность инференса без деградации в пиковые часы и предсказуемая модель затрат, которую можно планировать на годовом горизонте. И наконец, фильтр по вендору: компания, продающая безопасность, не могла работать с поставщиком моделей, для которого безопасность — второстепенный вопрос.

Решение

Архитектура решения — связка моделей, разделённых по латентности и глубине. Claude 3.5 Haiku отвечает за автодополнение кода в реальном времени: быстрая дешёвая модель предлагает следующие строки по мере набора. Claude 3.5 Sonnet работает в режиме парного программирования через чат в IDE: разработчик просит «помоги улучшить производительность этого кода» — система собирает релевантные файлы, отправляет их Sonnet и возвращает готовый фрагмент. Интерфейсом служит плагин Sourcegraph Cody в IDE, бэкендом — Claude на Vertex AI. «Комбинация Claude на Vertex AI с Sourcegraph позволила нам держать исходный код внутри наших границ данных и хорошо показала себя в задачах кодинга», — объясняет Патель.

Сценарии использования разошлись по уровням опыта. Джуниоры опираются на способность Claude объяснять код: модель понимает кодовую базу в целом, и новички начинают контрибьютить в течение недель вместо месяцев, не выжигая время сеньоров. Опытные разработчики используют Claude как напарника в сложной отладке и мозговых штурмах по архитектуре — в кейсе приводятся живые формулировки: «проверь мою логику» и «я застрял на этом баге, помоги подумать».

Внедрение шло по канону: пилот на 150 разработчиках от джуниоров до сеньоров, замер эффекта, затем раскатка на тысячи инженеров. Инфраструктурно масштабирование опёрлось на две возможности Google Cloud: гранулярную usage-based тарификацию GSU (Generative AI Scale Units) с гибкими периодами обязательств — шесть месяцев или год, — и выделенную пропускную способность provisioned throughput для стабильной производительности. Переход с on-demand на provisioned throughput Патель описывает с редким для enterprise-кейсов восторгом: «Мы не думали, что переключение пройдёт легко. Но оно сработало — безупречно. Всё, что нужно было сделать, — сменить эндпоинт, и всё просто заработало. Для нас это была огромная победа».

Следующий рубеж — ИИ-постобработка кода в CI/CD: разработчик пишет код с Claude в реальном времени, а после создания pull request ИИ подхватывает работу офлайн — улучшает имена переменных, добавляет поясняющие комментарии, автоматически генерирует и запускает юнит-тесты, а затем находит проблемы безопасности в коде и автоматически предлагает патчи. «Эти усилия дадут более чистый, читаемый код и одновременно закроют уязвимости и усилят безопасность», — говорит Патель. Его команда параллельно картирует процессы каждой команды разработки в поисках следующих точек приложения ИИ — и ставит под вопрос саму структуру процесса: «Жизненный цикл разработки ПО был спроектирован до эры ИИ… вероятно, у нас не останется всех этих стадий».

Результат

Главные цифры сходятся в обоих кейсах: скорость разработки фич и имплементации кода выросла на 20–30%. Скорость написания юнит-тестов увеличилась на 10–30% — и это не только продуктивность: больше тестов означает меньше багов и выше качество кодовой базы. Джуниоры выполняют задачи на 70% быстрее, а их онбординг сократился с месяцев (до шести) до недель. Масштаб: пилот на 150 разработчиках → 3 000 в раскатке по версии Google Cloud; 2 500 подключённых и 3 500 в онбординге по версии Anthropic. Итог Патель формулирует фразой, которая объясняет, зачем это кибербезопасности: «Claude на Vertex AI не только ускоряет проекты разработки — он позволяет вшивать безопасность в код до того, как тот уходит клиентам».

Отдельный результат — критерий выбора вендора, который Патель проговаривает прямо: «Anthropic ставит безопасность и защищённость выше, чем другие LLM-вендоры. Они обсуждают последствия для безопасности на каждой встрече. Для крупнейшей компании в кибербезопасности это очень важно».

Рамки. Все цифры — самоотчёт компании, опубликованный двумя заинтересованными вендорами (Anthropic и Google Cloud); методика замера «скорости разработки фич» не раскрыта; 70% у джуниоров — оценка по конкретному типу интеграционных задач; расхождение 2 500/3 000 разработчиков между кейсами отражает разные моменты снятия снапшота, но напоминает, что цифры в вендорских историях — моментальные, а не аудированные.

Редакционный анализ. Первое: это редкий кейс, где ROI ИИ-ассистента посчитан не «в среднем по больнице», а по сегментам — и главный выигрыш оказался у джуниоров (70% против 20–30% в среднем). Практический вывод переворачивает интуицию «ИИ — усилитель сильных»: в больших инженерных организациях ИИ прежде всего выравнивает команду и конвертирует полугодовой онбординг в недели, а это прямые деньги в найме и масштабировании. Второе: последовательность «картировать процесс → мерить пилот → масштабировать» здесь важнее любой из цифр; выбор точки приложения (начальная фаза разработки, 30–35% времени) сделан по данным, а не по моде. Третье: пайплайн постобработки — генерация и запуск тестов, поиск уязвимостей и автопатчи после каждого PR — намечает более глубокую перестройку, чем ассистент в IDE: ИИ становится стадией конвейера с собственной зоной ответственности, и фраза Пателя о том, что «всех этих стадий, вероятно, не останется», звучит как анонс следующего кейса. Наконец, обратите внимание на то, что в этом кейсе меряют: PANW — один из немногих, кто опубликовал не только «среднюю продуктивность», но и сегментацию по уровням (джуниоры/сеньоры) и отдельную метрику тестов. Чем детальнее компания режет собственные цифры, тем больше оснований им верить — по этому признаку кейс PANW заметно доказательнее среднего вендорского отчёта.

Уроки для индустрии

1. Дешёвая быстрая модель для автодополнения + сильная модель для чата в IDE — рабочая пара для массового внедрения ИИ в разработку: латентность там, где важна скорость, интеллект — где важна глубина.
2. Начинайте с карты процесса, а не с инструмента: Palo Alto сначала выяснила, где теряются время и качество (30–35% — начальная фаза), и только потом выбирала LLM.
3. Наибольший относительный выигрыш у джуниоров (70% ускорения): ИИ выравнивает команду и сокращает онбординг с месяцев до недель — считайте этот эффект в деньгах найма.
4. ИИ в CI/CD (тесты, комментарии, поиск уязвимостей, автопатчи) окупается быстрее громких сценариев: баг, пойманный до релиза, — прямая экономия денег и репутации.
5. Для регулируемых и security-чувствительных отраслей отношение вендора к безопасности — критерий выбора наравне с качеством модели.
6. Держите код в своих границах данных: связка IDE-плагин + модель в вашем облачном периметре (Vertex AI) снимает главный юридический блокер внедрения.
7. Гибкая инфраструктура доступа (GSU-тарификация, provisioned throughput, смена эндпоинта без переписывания кода) снимает главный технический барьер масштабирования на тысячи инженеров.

Частые вопросы