Современный ландшафт разработки программного обеспечения переживает фундаментальный сдвиг. Данные Vercel свидетельствуют о том, что ИИ-агенты перестали быть просто помощниками, превратившись в полноценных субъектов процесса деплоя. Этот переход знаменует конец эпохи тотальной зависимости от одной нейросетевой лаборатории. Сегодня индустрия переходит к модульному стеку, где гибкость и экономическая эффективность определяют выбор конкретного «интеллекта».
Масштабы трансформации индустрии лучше всего видны в цифрах: через платформу Vercel ежедневно проходит около 6 миллионов деплоев, и ровно половина из них инициируется не людьми, а кодинг-агентами. Параллельно с этим AI Gateway — шлюз, маршрутизирующий запросы между сотнями различных моделей, — обрабатывает более триллиона токенов в сутки. Эти показатели подтверждают, что автоматизация разработки перешла из стадии экспериментов в фазу промышленного стандарта.
Главный сдвиг происходит в самом подходе к построению систем. Если год назад компании стремились выбрать одного стратегического партнера — будь то OpenAI или Anthropic — и строить всю экосистему вокруг одной модели, то сегодня такая стратегия признана ошибочной. Современный технологический стек становится глубоко модульным. Модель, агентная обвязка, платформа данных, песочница и шлюз теперь рассматриваются как взаимозаменяемые компоненты. Когда продукт переходит от прототипа к полноценному продакшену, на первый план выходит прагматичный расчет соотношения цены и качества.
Эта рыночная динамика отчетливо видна в распределении трафика AI Gateway. В мае доля DeepSeek стремительно взлетела с ничтожных 1% до 17% от общего объема токенов, фактически обогнав OpenAI по количеству запросов. При этом финансовая доля DeepSeek осталась минимальной, что указывает на использование дешевых моделей для массовых, рутинных задач. В то же время Anthropic удерживает доминирующее положение в денежном эквиваленте, забирая до 65% всех платежей и обеспечивая 70–80% расходов в сложных сценариях, таких как бэк-офисные агенты. Таким образом, формируется двухуровневая система: недорогие модели берут на себя «черновую» работу, а фронтирные системы используются для решения критически важных задач.
На текущий момент можно выделить два основных направления, где агенты демонстрируют максимальную эффективность. Первое — это написание кода, которое генерирует основной поток токенов в глобальном масштабе. Второе — внутренние корпоративные инструменты управления. Вместо того чтобы ждать разработки нового дашборда в конце квартала для получения простых аналитических данных, менеджеры теперь используют агентов, способных мгновенно извлекать нужную информацию через API.
Однако этот прогресс вступает в прямой конфликт с бизнес-моделями многих SaaS-гигантов. Традиционные облачные сервисы десятилетиями строили свои «королевства», запирая данные клиентов внутри закрытых экосистем. Для эффективной работы агентам необходимы открытые API, что делает закрытость данных главным препятствием на пути к автоматизации.
Параллельно с этим остро встает вопрос безопасности. В аэрокосмической или оборонной промышленности, где используются десятилетия наработок на специфических диалектах C++, любая ошибка в настройках инструментов разработки может привести к катастрофе: конфиденциальный код может быть отправлен в облако для дообучения модели, фактически утекая к конкурентам.
Для решения этой проблемы Vercel внедряет фреймворк Eve, позволяющий описывать навыки и инструкции агента на естественном языке, а также Vercel Sandbox. Эта «цифровая клетка» предоставляет агенту необходимую свободу действий, но жестко ограничивает доступ к данным и контролирует, какая информация может покинуть защищенный периметр.
В конечном итоге индустрия стоит перед выбором: станет ли интеллект монолитным продуктом одного провайдера или превратится в стандартный строительный блок, подобно тому, как всегда работала классическая программная инженерия. Ставка делается на второй сценарий — мир открытых протоколов и модульности, где платформа выступает в роли инфраструктурного фундамента, аналогичного роли AWS в эпоху облачных вычислений.
Системный подход JetBrains к командному ИИ
