FIS внедрила ИИ-агентов для разработки на платформе, используемой в банках топ-10 России

Российский разработчик банковского ПО FIS начал применять ИИ-агентов для создания и изменения приложений на FIS Platform, которая используется в банках топ-10, топ-30 и топ-100 России. Новый контур позволяет агенту работать не только с кодом, но и с объектной моделью приложения: создавать типы данных, модули, индексы, прикладные функции, процессы и REST-интерфейсы. Об этом CNews сообщили представители FIS.

Для доступа ИИ к платформе FIS разработала аддитивный редактор — текстовый командный слой, реализованный в виде MCP-сервера. Через него агент получает ограниченный набор специализированных операций, выполняет их последовательно, проверяет результат и корректирует изменения при возникновении ошибки. «Мы не стали учить модель заново восстанавливать архитектуру платформы по документации и JSON, а сделали отдельный интерфейс специально для ИИ, с учетом всех его особенностей. Агент использует более двухсот командных сигнатур, после каждого действия получает результат валидации и может скорректировать следующую операцию», — сказал руководитель направления разработки FIS, один из создателей FIS Platform Алексей Ситников.

Большинство представленных на российском рынке связок low-code и генеративного ИИ ориентировано на создание ассистентов, добавление LLM в бизнес-процессы или генерацию отдельных фрагментов кода. В FIS применили другой сценарий: агенту предоставили управляемый доступ к инструментам разработки самой платформы. Через аддитивный редактор агент может создавать и изменять модель приложения, добавлять прикладную логику и процессы, а также публиковать REST-интерфейсы. Каждая операция адресована конкретному объекту и возвращает результат либо структурированное сообщение об ошибке.

По оценкам компании, в настоящее время уже зафиксировано снижение человеческой трудоемкости разработки в шесть раз при использовании ИИ-агента и аддитивного редактора FIS Platform с перспективой дальнейшего кратного роста по мере развития инструмента. В одном из сквозных экспериментов ИИ-агент создал backend-ядро системы обработки заказов и складских резервов. На вход было передано очень краткое описание бизнес-логики: работа с каталогом, остатками и планируемыми поставками, оформление заказов, резервирование товаров, отгрузка и уведомление клиента при задержке поставки. Агент сформировал структуру приложения, модель данных, прикладные функции, тестовые данные и REST-интерфейсы. Работоспособное REST API создалось с одного промта.

Кроме демонстрационных приложений, FIS создала два регрессионных контура. Их матрица включает 11 разделов, 266 командных сигнатур и 1045 проверок. В ходе опытной эксплуатации редактор обработал 4097 команд в 50 MCP-сессиях. Успешно завершились 855 вызовов, или 94,1%. Почти половина операций — 1854 команды — выполнялась в составе многострочных сценариев, то есть инструмент использовался не только для единичных действий, но и для пакетных изменений. Показатель 94,1% характеризует техническую успешность выполнения команд. Он не означает, что такая же доля бизнес-требований реализуется без ошибок или что создаваемые агентом приложения автоматически готовы к промышленной эксплуатации.

Основная нагрузка пришлась на работу с моделью данных — 2606 команд. Еще 677 вызовов относились к пользовательским функциям и 312 — к структуре приложения. По данным встроенной телеметрии, медианное время выполнения команды на крупном приложении составило 13 мс, p90 — около 281 мс, p95 — около 704 мс. Основная задержка в цикле приходилась на работу языковой модели, а не на ответ платформы.

Новый механизм пока не означает автоматического перевода действующих банковских систем на автономную разработку. Он создает технологическую основу для ускорения типовых изменений в решениях, построенных на FIS Platform: модификации модели данных, массового редактирования объектов, подготовки функций и API, формирования тестовых данных и проверки результата. Решение о готовности изменения и его выпуске при этом остается за специалистом. Для корпоративной системы принципиально важно не количество сгенерированного кода, а возможность провести изменение системы через ограничения, проверку и приемку. Поскольку агент работает с платформенными объектами, изменения проходят через те же механизмы контроля, что и изменения, вносимые человеком.