Райффайзенбанк: ИИ-агенты закрыли более 90% типовых задач в Java-репозиториях

Райффайзенбанк больше года внедряет агентскую разработку (agentic engineering) — работу инженеров с ИИ-агентами — для более чем 500 разработчиков, дата-инженеров, аналитиков и инженеров сопровождения. Банк исходит из предположения, что рост использования ИИ влияет на Time2Market и Cost Efficiency. Целевое состояние банк описывает как парето-оптимальное: 80% задач закрываются агентами. При этом Defect Rate, Cycle Time, Lead Time и Throughput не должны деградировать — банк называет себя коровым банковским сервисом, которому недопустимо падение качества.

Разработчики работают с CLI-агентами на базе больших языковых моделей. Через внутренний LLM Gateway доступны и фронтирные, и self-host-модели; выбор зависит от задачи и ограничений среды. Банк тестировал оркестратор BMAD: в одном эксперименте внутренняя модель за 12 часов разрушила архитектуру проекта, и банк сделал вывод, что для задач с architectural reasoning эти классы моделей пока не взаимозаменяемы. Для контекста банк строит агентский поиск с единой точкой входа через UI, мессенджер и MCP: агент видит только то, что доступно запустившему его сотруднику. В защищённой платёжной инфраструктуре агент получал схему данных и работал через прокси-анонимизатор.

Использование измеряется метриками AI penetration, Active users, W50+ и W80+. Доля сотрудников agile-ролей, использующих ИИ хотя бы раз в месяц, достигла 90+%. На двух классах задач в Java-репозиториях — SQL-миграции, JPA entities и маппинги; компонентные тесты, валидация и API-аудит — агенты автоматизировали в среднем более 90% задач; выполняли их инженеры по разработке и сопровождению. В пилоте два разработчика с агентами и бизнес-эксперт сделали интеграционный сервис за то же время, что команда из пяти человек: качество сохранилось, Throughput вырос, Lead Time не изменился. Прямого влияния доли AI-assisted задач на Defect Rate и Cycle Time банк не увидел.