ИИ написал код. Кто будет его чинить?
2025-2026 годы стали эпохой, когда генерация кода с помощью ИИ стала массовой. Engineering-команды выпускают в разы больше софта, чем два года назад. Но обратная сторона этого бума проявилась неожиданно быстро: поддержка того, что ИИ написал, остаётся катастрофически ручной.
Resolve AI — стартап, который в начале 2026 года привлёк $125 млн при оценке в $1 млрд — только что представил масштабное обновление платформы, которое пытается решить именно эту проблему. И делает это не добавлением «ИИ-помощника», а полноценной мультиагентной архитектурой.
Команда ИИ-агентов вместо одного дежурного
Раньше на инциденты реагировал один агент — как один инженер на вызове. Теперь система запускает сразу несколько специализированных агентов, каждый из которых прорабатывает свою гипотезу. Затем их выводы перекрёстно проверяются другими агентами, которые буквально пытаются развалить теорию, находя логические дыры.
По данным Resolve AI, такая архитектура даёт двукратное улучшение точности определения корневой причины. Для контекста: DoorDash, один из клиентов платформы, добился сокращения времени диагностики на 87%. Если обычный MTTR измеряется десятками минут или часами, то это разница в 4-5 раз — впечатляющий скачок.
Почему галлюцинации LLM — это не просто «баг», а риск для бизнеса
CEO Resolve AI Спироз Ксантос прямо признаёт проблему: модели по умолчанию всегда стараются дать ответ, даже если доказательств недостаточно. В продакшене это означает, что команда инженеров может побежать по неверному пути, пока сервис лежит.
Механизм защиты Resolve AI выглядит как научный peer-review: каждый агент обязан цитировать каждое доказательство, и другой агент независимо проверяет цепочку рассуждений от корневой причины до симптома. Если цепочка рвётся — теория отклоняется. А если агенты не уверены до конца — система честно скажет: «Вот что нашёл, вот три направления, но стопроцентного ответа нет». Это калиброванная неуверенность, и она в реальном продакшене полезнее уверенного, но неправильного ответа.
Фоновые агенты — SRE, который никогда не спит
Второе крупное нововведение — фоновые агенты, которые работают постоянно, а не только во время инцидентов. Они запускаются по расписанию или на события: новый деплой, срабатывание алерта, мёрж pull-ревью. Такие агенты:
- мониторят изменения в продакшене до того, как они вызовут проблему;
- отслеживают аномалии облачных расходов;
- аудят гигиену алертов;
- флагят дрейф конфигураций;
- после инцидента генерируют фиксы на основе изученного.
Это переход от реактивного «пожарного» режима к проактивному управлению операционной средой. Проблема в том, что ежедневная работа SRE-инженеров критична, но конкурирует за внимание с фич-разработкой. Автоматизированные агенты решают этот конфликт.
OpenTelemetry-родословная и открытая архитектура
Один из ключевых аргументов Resolve AI — их экспертиза. Сооснователи создали OpenTelemetry, который стал де-факто стандартом сбора метрик, логов и трейсов. AI-лаб компании возглавляет бывший лидер post-training Meta Llama. Это не просто стартап, который натравил GPT на логи.
Платформа доступна как REST API и MCP-сервер, что позволяет интегрировать её в любые AI-воркфлоу. Ксантос сравнивает свою архитектуру не с «закрытым садом» app store, а с открытой архитектурой веба — где специализированные агенты делегируют задачи друг другу.
Ценообразование по результату
Resolve AI продаёт не софт, а кредиты, которые расходуются только когда агент реально выполняет работу — диагностирует алерт, проводит расследование. Компания утверждает, что это дешевле, чем пытаться собрать аналогичную систему самостоятельно на базе frontier-моделей через MCP — из-за оптимизации контекста и чтения time-series данных.
Мнение редакции STIVA
Направление Resolve AI попадает в нерв: ИИ-генерация кода растёт экспоненциально, но операционная зрелость команд не успевает. Компании выпускают больше, но живут на «пожарных» режимах. Решение с мультиагентной диагностикой — это не «волшебная таблетка», но серьёзный шаг в сторону, где ИИ становится не просто «помощником кодера», а полноценным участником операционной команды.
Хочется верить, что подобные системы станут доступны и российским инженерным командам. На STIVA.ai мы следим за развитием агентных AI-платформ и собираем лучшие модели в одном месте — потому что будущее разработки не только в том, как быстро написать код, но и в том, как надёжно его поддерживать.
