GM утроила pull request через AI-агентов в инженерии

Инженеры General Motors пишут код только 15% своего рабочего времени. Остальные 85% уходят на анализ данных, диагностику проблем, запуск экспериментов и проверку исправлений. После внедрения AI-агентов количество принятых pull request выросло втрое, а релизы стали выходить быстрее и с меньшим числом дефектов.

Рашед Хак, вице-президент GM по автономным транспортным средствам, рассказал об этом на конференции VB Transform 2026. По его словам, GM добилась таких результатов не установкой очередного AI-помощника для кодинга, а полной перестройкой инженерных процессов вокруг агентов.

«Если дать человеку просто чат-бот, который умеет писать код, в процессе останется масса неэффективности», - объяснил Хак.

15% кода, 85% всего остального

Цифра 15% может шокировать, но она совпадает с исследованиями, проведёнными ещё до эры генеративного AI. Исследование Microsoft 2019 года на 5971 разработчике показало: в хороший день инженеры пишут код в среднем 96 минут (20% от 8-часового дня), в плохой - 66 минут (14%).

Опрос Stripe 2018 года выяснил: средний разработчик тратит более 17 часов в неделю на поддержку, отладку и рефакторинг. Кодинг - лишь одна из частей разработки. Ускорение только этого этапа оставляет большую часть процесса нетронутой.

GM подошла к вопросу системно. Компания разделила работу над беспилотниками на несколько циклов: разработка и тестирование в симуляции, испытания на дорогах и мониторинг после поставки клиентам. В каждом цикле нашли самое узкое место, автоматизировали его - и повторили процесс.

Доступ к данным и инструментам

GM подключила агентов к внутренним системам и петабайтам данных через кастомные MCP-серверы. Компания создала версионированные «навыки» - документы-инструкции, которые объясняют агенту, как выполнять конкретные задачи.

Одно из самых эффективных применений - телеметрия с беспилотников на дорогах. Агенты анализируют данные, проводят первичную сортировку и создают задачи для инженеров. Через MCP они вызывают те же инструменты визуализации телеметрии, что и люди, только без графического интерфейса.

При этом результаты должны быть понятны человеку. Агент находит потенциальную проблему, определяет затронутый компонент, ищет похожие инциденты в истории и предоставляет примеры.

«Если инженер собирался выполнить задачу и ему нужен доступ к определённым данным, то и его агенту нужен такой же доступ. Инженер всё равно отвечает за результат работы агента».

Втрое больше фич - с меньшим числом багов

GM отнеслась к внутренней агентской платформе как к продукту. Четыре выделенных инженера работали напрямую с командами разработки: помогали определить полезные сценарии, распространяли успешные практики и внедряли инструменты.

Хак отметил: рост числа pull request - это не просто больше кода. «Скорость, с которой мы выпускаем новые функции, выросла, - сказал он. - А количество утечек тестов и багов уменьшилось».

GM не начинала с того, что раздала каждому разработчику генератор кода. Она начала с карты полного пути от обнаружения проблемы до проверенного исправления в каждом цикле - симуляция, дорожные испытания, мониторинг. А потом дала агентам контролируемый доступ к инструментам и данным, чтобы сократить самое узкое место на каждом этапе.

Для бизнеса любой отрасли подход GM - готовый шаблон. Не внедрять AI «вообще», а разбить процесс на циклы, найти узкое место, автоматизировать его. AI-агенты для бизнеса работают именно так: не заменяя людей, а снимая с них 85% работы, которая не требует творческого мышления. Во Владивостоке этот подход уже применяют компании, внедряющие автоматизацию бизнес-процессов на базе AI.