Райффайзенбанк: 500 инженеров внедрили ИИ, но разработка быстрее не стала

Инженеры Райффайзенбанка активно используют ИИ-инструменты — чаты и кодинг-агентов. На графиках активность выглядит убедительно: число пользователей растёт, частота обращений увеличивается. Но когда команда проверила реальные метрики, выяснилось: скорость разработки не изменилась. Марат Киньябулатов, эксперт по гибким практикам и ответственный за эффективность инженерных команд банка, разобрал, почему рост использования не конвертируется в ускорение.

Проблема, которую не видно на дашбордах

Картина внедрения ИИ в крупной компании обычно выглядит обнадёживающе: активные пользователи растут, инженеры осваивают новые инструменты, руководство получает положительные отчёты. Этого оказывается достаточно, чтобы считать внедрение успешным.

Проблема обнаруживается позже — когда начинают смотреть на бизнес-метрики. Команда Киньябулатова сравнила показатели до и после внедрения: время цикла задачи, скорость выпуска фич, количество итераций до продакшна. 500 инженеров освоили инструменты, но производительность команд осталась на прежнем уровне.

По словам Киньябулатова, такая картина характерна не только для Райффайзенбанка. Большинство компаний, массово внедряющих ИИ в разработку, сталкиваются с одним и тем же: метрики использования инструментов растут раньше, чем меняется что-то в реальных рабочих процессах.

Почему использование ≠ ускорение

Команда проверяла несколько гипотез о влиянии ИИ на скорость разработки. Исходная логика выглядела разумно:

• ИИ-чаты сокращают время на поиск документации и объяснений
• Кодинг-агенты берут на себя написание шаблонного и повторяющегося кода
• Снижение рутины даёт инженерам время на сложные задачи

На практике каждая из этих связей оказалась нелинейной. Инженер, получающий быстрые ответы от чата, мог тратить сэкономленное время на дополнительные уточнения и переформулировки — а не на продвижение задачи вперёд. Кодинг-агент генерировал код, который нужно было проверять и дорабатывать: иногда это занимало больше времени, чем самостоятельное написание.

«На графиках пользователи и активность растут, инженеры пробуют

инструменты и привыкают к новой реальности, но при проверке метрик очень часто выясняется, что работать ничего быстрее не стало», — пишет Киньябулатов.

Какие метрики помогли разделить привычку и результат

Центральным вызовом стало создание системы измерений, которая показывает не факт использования инструментов, а их влияние на результат. Команда искала корреляции между активностью в ИИ-инструментах и реальными показателями эффективности: cycle time, throughput, доля задач, прошедших через продакшн без возврата на доработку.

Параллельно изучали поведенческие паттерны — что именно менялось в работе инженеров, у которых производительность всё же выросла. Ключевое отличие оказалось не в частоте использования инструментов, а в способе их интеграции в рабочий процесс.

Этот анализ привёл к концепции Agentic Engineering — подходу, при котором инженер выстраивает цепочки ИИ-агентов, берущих на себя целые этапы работы, а не применяет ИИ как интерактивный справочник для отдельных вопросов.

Что это значит

Кейс Райффайзенбанка описывает системную проблему ИИ-трансформаций: видимые метрики использования инструментов создают иллюзию прогресса, пока реальная производительность остаётся неизменной. Настоящий эффект приходит не от внедрения технологии, а от перестройки рабочих процессов вокруг неё. Подробный разбор того, как именно команда выстраивала Agentic Engineering, Киньябулатов обещает во второй части.