В 2025 году запущен пилот ИИ-ассистента «1С:Напарник», который используется на этапах разработки — от постановки требований до встраивания решения в корпоративный контур.
Результат
К ИИ-помощнику подключены 120 сотрудников; компания наблюдает реальный прирост производительности, особенно у специалистов младшего и среднего уровня.
120 — опубликованное число подключённых сотрудников; размер прироста производительности не раскрыт.
В сопровождение и жизненный цикл ПО внедрена AI-first модель: ИИ-агенты выполняют операции в заданных полномочиях, а люди задают цели, ограничения и контролируют результат.
Результат
По оценке Сбербанка, изменения затрагивают область, на которую приходится 30–40% общей стоимости ИТ; отдельный количественный эффект не раскрыт.
Контроль качества работы агентов, ограничения полномочий и возможность вмешательства встроены в выполнение операций.
Система отслеживает изменения на сайте, обновляет базу знаний и автоматически размечает документы для поиска ответов. Ранее правки в сценарии вносили вручную.
Результат
Время на поддержание базы знаний сократилось более чем на 80%.
Команда Just AI подключила LLM-агент к Jira, GitLab, Jenkins и Sentry и передала ему создание merge request, сборку, обновление Jira и передачу задач на тестирование.
Результат
Часть повторяющихся операций до и после написания кода автоматизирована.
Источник описывает внутренний рабочий процесс команды разработки.
MWS DevRails использовалась внутри МТС для управления производственным процессом более чем 400 цифровых продуктов и сервисов — от финтеха до онлайн-кинотеатра.
Результат
Заявлено сокращение срока вывода новых продуктов на рынок на 40% и повышение надёжности ИТ-систем.
Показатели сокращения срока вывода и повышения надёжности приведены в цитате генерального директора MWS об использовании платформы внутри МТС.
Команда разработки использует ИИ-агентов для подготовки окружения, исправления кода, запуска тестов и передачи изменений на проверку; разработчики регулярно используют ИИ при создании кода.
Результат
73% разработчиков Яндекса регулярно используют ИИ; более половины нового кода создаётся с помощью генеративных моделей.
Агентный сценарий включает запуск тестов и передачу изменений разработчикам на проверку.
Жители обращаются к Ujin Assistant по вопросам ремонта, сантехники и электрики. Ассистент оформляет заявку в УК и помогает с настройкой камер, домофонов и приложения.
Результат
Успешность обработки обращений для оформления заявок в УК — до 91%.
В компании работают локальная языковая модель, RAG-поиск по документации и единая среда тестирования, где агент помогает писать тесты, разбирать зависимости модулей и описывать интерфейсы микросервисов.
Результат
При росте обращений в первом полугодии 2026 года на 33–64% штат компании не увеличился.
Источник приводит рост нагрузки без найма как итог автоматизации, но не раскрывает метод отделения эффекта конкретных ИИ-инструментов.
Node.js-приложение собирает код и структуру Python-проекта в контекст, передаёт их локальной LLM и через собственный инструмент автоматически создаёт и обновляет файлы проекта на Node.js.
Результат
Для нескольких небольших проектов получена основа для дальнейшей доработки; проект примерно на 12 700 токенов был перенесён за две рабочие недели против оценочных трёх недель вручную, либо четырёх с учётом знаний автора.
Полностью автоматическую миграцию получить не удалось: результат требовал установки модулей, конфигурации и тщательной отладки; ручной срок является оценкой автора.
В 2026 году оператор запустил сетевого агента «ИИ-инженер» для разбора технических событий; ИИ также используется для планирования сети, управления радиоресурсами, трафиком и конфигурацией сети.
Результат
Заявлено ускорение разбора технических событий, снижение нагрузки на специалистов и повышение устойчивости инфраструктуры; количественные показатели не раскрыты.
Точные показатели ускорения, снижения нагрузки и повышения устойчивости не приведены.
Построен AI-QA-агент, который запускает приложение на симуляторе, пошагово выполняет тест-кейсы, анализирует экраны с помощью VLM и сравнивает ожидаемый результат с фактическим.
Результат
Количественный эффект не раскрыт.
Описана архитектура собственного решения; числовые метрики результата в представленном тексте отсутствуют.
Smart Platform подключена к внутренним источникам А101, отвечает по корпоративным документам со ссылками на них, автоматически обновляет базу знаний и доступна сотрудникам через VK Teams с авторизацией SSO.
Результат
Заявлено сокращение времени сотрудников на поиск информации минимум на 30%.
Показатель опубликован подрядчиком без описания периода, базы сравнения и методики измерения.
Пользователь описывает торговую идею словами, ИИ-модели пишут код, тестируют его на исторических данных и запускают алгоритм на счёте; разные модели могут отвечать за идею, код и проверку рисков.
Результат
Запущен сервис алгоритмической торговли; торгует заранее спроектированный алгоритм без подтверждения клиента в каждой сделке.
В статье уточнено, что торгует алгоритм, а не нейросеть; финансовые результаты не раскрыты.
Сотрудники используют внутренний ИИ-инструмент «Иннокод» для автоматизации рутинных операций в процессе разработки, включая генерацию кода, тестов и документации.
Результат
Заявлено увеличение скорости разработки на всех этапах на 30%.
Источник связывает показатель роста скорости разработки с «Иннокодом», но не раскрывает методику расчёта и охват пользователей инструмента.
В процесс тестирования внедрены LLM и ML-инструменты для поиска семантически близких тест-кейсов, генерации UI- и API-автотестов и управления конвейерами генерации.
Результат
Процесс генерации API-автотестов автоматизирован; обработка DAG занимает чуть более секунды. Доля неудачных автотестов при текущем наборе ролей и промптов составляет 10–20%, поэтому сохраняется ручная проверка инженерами.
ИИ используется как инструмент-помощник; сгенерированный код проверяется инженерами, неудачные автотесты исправляются или удаляются.
Внутренний сервис собирает сведения из нескольких источников, обрабатывает их на детерминированных этапах и подключает модель к анализу причин падения сквозных тестов; итог проверяет инженер.
Результат
Количественный эффект не раскрыт.
Финальный вывод системы остаётся под контролем инженера.
Созданный фреймворк и подход с ИИ сначала применялись на одном проекте Usetech, после чего начали распространяться на другие проекты автоматизации тестирования.
Результат
Количественный эффект не раскрыт.
Источник не раскрывает конкретные проекты, функции платформы и измеримый эффект; применимость решения зависит от бюджета, данных и инфраструктуры проекта.