Чем подход Cisco к AI отличается от GitHub Copilot?

Cisco внедрила AI как полноценного автономного члена команды, интегрировав его на уровне всей инфраструктуры для выполнения сложных задач и рабочих процессов, а не просто для автодополнения кода в IDE.

Какие конкретные результаты показало внедрение AI в Cisco?

Оптимизация сборки проектов ускорилась на 20%, экономя более 1500 инженерных часов ежемесячно. Пропускная способность по закрытию дефектов выросла в 10-15 раз, а миграция фреймворков, занимавшая недели, теперь выполняется за дни.

Как AI-агенты Cisco справляются с исправлением багов?

Используя Codex-CLI, Cisco автоматизировала исправление дефектов в масштабных кодовых базах. Это позволило сократить время выполнения задач с недель до часов и увеличить скорость закрытия багов в 10-15 раз.

Как изменится роль инженера с появлением AI-native разработки?

В модели AI-native разработки инженеры переходят от написания кода к роли ревьюеров и стратегов. AI становится «руками», генерирующими код по плану, а человек — «головой», принимающей архитектурные решения.

Твой Copilot устарел: Cisco показала замену

Забудьте все, что вы знали об AI-ассистентах для программистов. Традиционные инструменты вроде <a href="/tools/github-copilot" class="text-primary hover:underline">GitHub Copilot</a>, которые просто дописывают за вами строчки кода, уже стали вчерашним днем. Cisco и <a href="/glossary/openai" class="text-primary hover:underline">OpenAI</a> только что продемонстрировали, как выглядит настоящее будущее энтерпрайз-разработки, и оно пугает своей эффективностью.

Главный инсайт кейса Cisco: они перестали относиться к AI как к инструменту. Они наняли его как полноценного члена команды. Внедрение модели Codex произошло не на уровне IDE отдельного разработчика, а на уровне всей инфраструктуры. Это фундаментальный сдвиг от помощи в написании к автономному выполнению задач. Cisco интегрировала AI в самые сложные и болезненные процессы: огромные мульти-репозитории, тяжелый C/C++ код и жесткие требования безопасности. Агенты получили доступ к контексту всего проекта, а не одного файла.

Результаты внедрения звучат как приговор для компаний, которые медлят с автоматизацией. Цифры говорят сами за себя. Оптимизация сборки проектов ускорилась на 20%, что экономит компании более 1500 инженерных часов ежемесячно. Но самое впечатляющее — это работа с дефектами. Используя Codex-CLI, Cisco автоматизировала исправление багов в масштабных кодовых базах. То, на что раньше уходили недели ручного труда, теперь выполняется за часы. Пропускная способность по закрытию дефектов выросла в 10-15 раз.

Еще один показательный пример — миграция фреймворков. Команде Splunk нужно было перевести интерфейсы с React 18 на 19. Обычно это недели монотонной работы, от которой выгорают сеньоры. AI-агент выполнил основную массу изменений автономно за несколько дней, оставив людям только принятие архитектурных решений.

Это меняет саму суть профессии инженера. Райан Брэди, главный инженер группы Splunk, отметил ключевой момент: они начали использовать Codex для генерации кода по плану, где люди выступают в роли ревьюеров и стратегов. AI стал руками, а человек — головой. Мы наблюдаем рождение новой модели: AI-native разработки. Если ваш пайплайн все еще зависит исключительно от скорости набора текста вашими программистами, вы уже проиграли гонку, даже не заметив этого.

Твой Copilot устарел: Cisco показала замену

TL;DR

Главное

Ключевые факты

Инсайт

Читайте также

Управление рисками ИИ как драйвер роста бизнеса: почему старые подходы больше не работают

Как развитие агентной коммерции меняет финансовый сектор и угрожает банкам

Поиск антибиотиков с помощью алгоритмов: как языковые модели анализируют геномы

Гайды по теме