Как Skyeng внедрил AI в разработку: минус 30% штата, скорость выше на 35%
Skyeng — одна из крупнейших EdTech-компаний России: онлайн-школа английского и других иностранных языков плюс детская школа Skysmart. На платформе каждый месяц проводится более 1 миллиона уроков.
TL;DR
За год технологический департамент Skyeng встроил AI в работу каждого инженера. В компании отказались от сложного согласования лицензий, включили навыки работы с нейросетями в требования к Senior-специалистам, а рутину передали Джулии, виртуальному сотруднику на базе Cursor. Чтобы обеспечить безопасный доступ алгоритмов к внутренним сервисам, команда разработала MCP Gateway.
Результаты: численность департамента сократилась на 30%, а объемы разработки выросли. Средний Lead Time снизился на 35%.
Задача: масштабировать AI на сотни инженеров без потери безопасности и качества
Ускорить с помощью нейросети личный проект или локальную задачу можно за пару вечеров. Однако раскатить этот эффект на сотни разработчиков — совсем другой вызов. В масштабе компании сразу возникают вопросы безопасности, доступа к чувствительным данным и изменения привычек команды.
По данным исследования DORA (Google) за 2025 год, нейросети используют 90% разработчиков. При этом AI выступает в роли усилителя: он одинаково эффективно масштабирует как сильные стороны процессов компании, так и существующие проблемы.
Чтобы внедрение принесло пользу бизнесу, в Skyeng сформулировали две главные задачи:
- Техническую: спроектировать безопасную архитектуру доступов и выбрать эффективный инструментарий.
- Организационную: перестроить процессы и инженерную культуру так, чтобы команда реально использовала софт в ежедневной работе.
Ниже собрали роадмап из пяти шагов, с помощью которого компания прошла этот путь за год.
Роадмап внедрения AI в команде разработки
Шаг 1. Снять бюрократические барьеры и обеспечить 100% покрытие доступом к инструментам
Начали с обеспечения максимальной доступности инструментов для написания кода: Cursor, Claude Code, Codex и других решений. В компании запустили правило: если специалисту нужен AI для решения рабочих задач, он получает лицензию быстро и без лишних согласований. Подписки закупают централизованно, а лимиты расширяют по мере необходимости.
Это решение дало компании полную прозрачность. Руководство видит, кто и насколько активно использует инструменты, во сколько это обходится и какой дает результат.
Нейросетями для генерации кода пользуются 100% сотрудников технологического департамента. Выбор конкретной модели при этом остается вопросом второго порядка.
Специалисты могут использовать Cursor, Claude Code или любые аналоги, так как с точки зрения качества разницы между ними нет. Разница заключается лишь в удобстве администрирования. К примеру, аккаунты Claude Code блокируют чаще, поэтому их сложнее вести централизованно.
Шаг 2. Построить MCP Gateway для контроля доступов и безопасности
Основные сложности проекта проявились в сфере инфраструктуры. Чтобы AI приносил пользу, ему нужен контекст: логи, документация, задачи в Jira и кодовая база. Однако передавать эти данные в обход корпоративной модели безопасности недопустимо.
Для решения этой проблемы команда Skyeng спроектировала MCP Gateway — промежуточный шлюз между AI-инструментами и внутренними системами. Шлюз логирует действия и полностью наследует права конкретного сотрудника. Если у специалиста нет доступа к определенным данным, их не получит и AI, работающий от его имени.
При обсуждении AI люди обычно спорят о том, какая модель умнее. Однако по мере роста масштаба компании значимость самих моделей снижается, так как большинство из них работает на достаточно высоком уровне. Критически важным становится именно качество инфраструктуры вокруг них.
Шаг 3. Передать рутинные задачи виртуальному сотруднику Джулии
В разработке регулярно возникают задачи, не требующие глубокой экспертизы, но отнимающие много времени. К ним относятся обновление библиотек, типовой рефакторинг, поиск информации по сервисам и анализ кодовой базы.
Для решения этих задач в Skyeng создали Джулию — виртуального сотрудника. Технически это экземпляр Cursor на сервере компании с доступом к внутренним репозиториям. Джулия получает задачу из Jira или мессенджера, исследует код, вносит правки и отправляет Merge Request на проверку разработчику.
На старте Джулия работала как джуниор с минимальным опытом, часто допускала ошибки и требовала контроля. Со временем ей расширили контекст и добавили необходимые интеграции. Сегодня к ней за исследованиями кодовой базы обращаются не только инженеры, но также продакт-менеджеры и аналитики.
Риски случайного повреждения кодовой базы закрыли ограничениями в правах доступа.
У Джулии нет прав на запись или удаление, ей доступно только чтение. Из активных действий разрешены лишь создание Merge Request и отправка сообщений во внутренний мессенджер. Фактически ее политика доступов совпадает с правами джуниора без опыта.
Шаг 4. Автоматизировать первичное код-ревью
Практически каждое изменение кода в Skyeng первично проверяет Джулия. Ее настроили на поиск критических проблем без формализма и лишних придирок к стилю.
За июнь 2026 года Джулия провела 3 550 код-ревью:
- В 40% случаев изменения были одобрены без замечаний.
- В 60% случаев отправлены рекомендации или обязательные к исправлению замечания.
При этом замечания разработчик обязан устранить, а рекомендации принимает на свое усмотрение.
Джулия гарантированно проверяет код лучше человека при массовом обновлении библиотек с большим количеством изменений. Инженерам тяжело проверять такие объемы вручную из-за замыливания глаза, в то время как Джулия фиксирует любые нестыковки.
Следующим шагом станет интеграция Джулии в рабочий мессенджер, чтобы сотрудники могли обращаться к ней прямо из рабочих обсуждений без создания отдельной задачи в Jira.
Шаг 5. Включить владение AI в требования к грейдам
Изменение рабочих привычек команды стало самой сложной частью внедрения. В Skyeng работу с сотрудниками построили на пяти принципах:
- Четко объяснять цели изменений.
- Закреплять использование AI в требованиях к ролям.
- Предоставлять удобные инструменты.
- Поддерживать специалистов, осваивающих новое быстрее других.
- Не позволят сопротивлению тормозить изменения.
Для Senior-специалистов применение AI сделали обязательным требованием роли.
Если цель компании — массово внедрить AI и получить от этого эффект, то бесконечно тратить силы на убеждение сопротивляющихся сотрудников не очень рационально. Намного выгоднее вкладываться в тех, кто уже готов двигать изменения вперед и помогать остальным подтягиваться за ними.
Мы поощряем использование AI-инструментов и рассчитываем, что Senior-разработчик регулярно использует AI в ежедневной работе, ищет новые способы применения инструментов и делится опытом с коллегами. Если специалист этого не делает, он перестает соответствовать требованиям к уровню Senior.
Итоги внедрения AI в команду разработки
−30%
Численности департамента за год при росте объема задач.
−35%
Средний Lead Time от старта задачи до релиза.
3 550
Код-ревью провела Джулия за месяц.
100%
Инженеров департамента используют AI ежедневно.
0
Изменений по количеству багов и инцидентов на продакшене.
$40–800
В месяц составляет диапазон расходов на AI-инструменты на одного сотрудника.
Главное
За год Skyeng сократил технологический департамент на 30% и ускорил поставку изменений на 35%, сохранив стабильность и качество сервисов. Главным выводом проекта стало то, что успех масштабирования AI зависит не от выбора конкретной модели, а от качества инфраструктуры доступа и работы с инженерной культурой.
Сегодня мы рассматриваем AI как базовый рабочий инструмент уровня системы контроля версий, CI/CD или облачной инфраструктуры. Через несколько лет разработка без AI будет казаться настолько же странной, как разработка без Git.
Без инфраструктуры доступа и перестройки привычек команды AI остается лишь набором купленных подписок. Единственным сигналом проблем при таком подходе становятся растущие счета за софт при неизменной скорости релизов и прежнем штате.
