Месяц вайбкодинга: как студенты КОРУСа создавали ИИ‑продукты для бизнеса
Четыре недели, четыре незнакомых друг с другом участника в каждой команде и реальные задачи от бизнес‑подразделений. В августе в КОРУСе прошла ИИ‑лаборатория - практическая стажировка, в рамках которой студенты не решали абстрактные учебные кейсы, а создавали работающие прототипы для внутренних заказчиков.
Участникам предстояло пройти полный продуктовый цикл: разобраться в потребностях бизнеса, уточнить требования, распределить роли, разработать решение с применением ИИ‑инструментов и представить результат заказчику. Такой формат позволил совместить обучение, командную работу и знакомство с современным подходом к разработке - вайбкодингом.
Почему в КОРУСе выбрали формат ИИ‑лаборатории
КОРУС уже несколько лет развивает работу с молодыми специалистами. Бизнес‑единицы компании запускают стажировки под собственные задачи, а организация сотрудничает с профильными вузами. Летний проект стал экспериментом, который объединил эти направления с активным использованием генеративного искусственного интеллекта.
Главная идея заключалась в том, чтобы приблизить стажировку к реальной работе. Студенты не получали набор разрозненных упражнений. Им нужно было самостоятельно понять задачу заказчика, выделить ключевые требования, предложить концепцию, проверить гипотезы и довести проект до демонстрации.
За месяц участники успевали попробовать себя в нескольких ролях: аналитика, разработчика, тестировщика, проектного менеджера и презентующего. При этом ИИ помогал компенсировать недостаток опыта. Нейросети ускоряли подготовку кода, создание интерфейсов, анализ документов и формирование черновых решений, но ответственность за качество оставалась у людей.
Руководитель Корпоративного университета КОРУСа отмечает, что такой подход позволил сделать стажировку значительно более прикладной. Студенты столкнулись с теми же вопросами, которые возникают в настоящих проектах: как правильно сформулировать запрос, что делать при неполных требованиях, как согласовывать решения и как объяснять пользу продукта заказчику.
Как проходил отбор участников
На стажировку приглашали студентов второго - четвертого курсов, которые учатся очно по ИТ‑направлениям. После отклика кандидаты проходили короткое интервью с ИИ. Оно занимало не более десяти минут и было доступно в любое время - участники могли отвечать на вопросы днем или ночью.
На этом этапе оценивали не только техническую подготовку, но и мотивацию, ожидания от стажировки, способность рассуждать и объяснять свои решения. Затем претендентам предложили выполнить тестовое задание из двух частей:
- создать с помощью ИИ HTML‑страницу с исследованием на выбранную тему;
- записать небольшую видеовизитку о себе или рассказать о любой интересной теме.
Организаторы специально проверяли не умение получить красивый результат за один запрос, а качество работы с нейросетью. В некоторых заданиях встречались пустые ссылки, логические противоречия и непроверенные утверждения. Внешне такие страницы могли выглядеть убедительно, но при внимательном анализе становилось понятно: автор просто принял ответ модели без проверки.
Именно поэтому одним из главных критериев отбора стало критическое мышление. ИИ способен быстро создать текст, код или дизайн, однако он не отвечает за достоверность результата. Финальное решение всегда должен принимать человек.
Из примерно пятидесяти кандидатов сформировали четыре команды. Важно было, чтобы участники находились примерно на одном уровне владения ИИ‑инструментами: так командам было проще работать вместе, а сильные и слабые стороны распределялись более равномерно.
Какие проекты разработали студенты
В лаборатории участвовали несколько бизнес‑единиц КОРУСа, каждая из которых предложила задачу, потенциально подходящую для автоматизации с помощью ИИ.
Одна из команд создала калькулятор оценки проектов для компании MONS. Пользователь загружает техническое задание, после чего система анализирует документ и формирует Excel‑файл с расчетами. Дополнительно автоматически подготавливается коммерческое предложение. Такой инструмент может сократить время предварительной оценки и помочь менеджерам быстрее подготовить ответ клиенту.
Другая группа работала над ассистентом для исследования компаний по запросу департамента 1С. Пользователю достаточно ввести ИНН, чтобы получить структурированную информацию об организации. Подобное решение может пригодиться на этапе подготовки к переговорам, анализа потенциального клиента и предварительной квалификации лида.
Остальные команды занимались собственными бизнес‑кейсами. Во всех проектах студенты сталкивались с одинаковой проблемой: исходный запрос заказчика редко бывает полностью готовым техническим заданием. Его приходится уточнять, задавать дополнительные вопросы и переводить бизнес‑потребность в понятные функции продукта.
Что означает вайбкодинг на практике
Вайбкодинг часто описывают как разработку с активным использованием естественного языка. Человек формулирует задачу, а ИИ предлагает структуру проекта, пишет фрагменты кода, исправляет ошибки и помогает собрать интерфейс.
Однако в реальной работе это не заменяет программирование. Участникам приходилось разбираться, почему возникла ошибка, проверять архитектуру, тестировать сценарии и понимать ограничения выбранных технологий. Нейросеть могла предложить несколько вариантов, но команда сама решала, какой из них подходит.
Особенно полезным вайбкодинг оказался для быстрого создания прототипов. За короткое время можно проверить идею, показать заказчику первый вариант интерфейса и получить обратную связь. Если гипотеза не подтверждается, ее проще изменить без длительной разработки.
При этом скорость создает новые риски. ИИ способен генерировать большое количество кода, который выглядит рабочим, но содержит скрытые ошибки, небезопасные решения или лишнюю сложность. Поэтому участники лаборатории учились не только создавать, но и редактировать, тестировать и документировать результат.
Командная работа с незнакомыми людьми
Еще одной особенностью лаборатории стало то, что участники не были знакомы до начала проекта. В первые дни командам пришлось быстро определить зоны ответственности, договориться о правилах коммуникации и распределить задачи.
Такой опыт оказался близок к реальной проектной работе. В компаниях специалисты не всегда выбирают коллег самостоятельно, а сроки редко позволяют долго привыкать друг к другу. Нужно быстро понять, кто лучше занимается аналитикой, кто отвечает за техническую часть, а кто умеет общаться с заказчиком.
Для многих студентов это был первый опыт лидерства. Одному участнику приходилось координировать встречи, следить за сроками и напоминать о договоренностях. Другим - выступать перед заказчиками, хотя раньше они почти не презентовали свои решения.
Почему одного кода недостаточно
Стажировка показала, что современному ИТ‑специалисту недостаточно уметь писать код. Важны навыки постановки вопросов, анализа информации, презентации и работы с неопределенностью.
Студент может создать технически корректный сервис, но не решить задачу бизнеса. Например, калькулятор окажется слишком сложным для менеджеров, ассистент будет выдавать не те данные, а красивый интерфейс не поможет ускорить процесс. Поэтому участникам приходилось постоянно сверяться с заказчиком и проверять, приносит ли продукт практическую пользу.
Отдельное внимание уделяли пользовательскому сценарию. Команды анализировали, кто будет работать с системой, какие данные пользователь вводит на старте, где может возникнуть ошибка и какой результат должен получить в конце.
Обратная связь от заказчиков
Бизнес‑заказчики подключались к проектам не только на финальной презентации. Они помогали уточнять требования, отвечали на вопросы и давали комментарии по промежуточным версиям.
Для студентов это стало важным уроком: заказчик оценивает не количество реализованных функций, а то, насколько решение закрывает его потребность. Иногда после обсуждения команде приходилось отказываться от части задумок и сосредотачиваться на наиболее ценных сценариях.
Такой подход помогает избежать типичной ошибки начинающих разработчиков - попытки сделать слишком большой продукт за ограниченный срок. За четыре недели лучше создать небольшой, но понятный и полезный прототип, чем перегруженную систему без завершенного ключевого сценария.
Как оценивали результат
Финалом лаборатории стала презентация проектов. Команды показывали, какую проблему они решали, как устроен продукт, какие технологии использовали и что получилось реализовать за месяц.
Оценивали не только функциональность. Важными критериями стали качество взаимодействия с заказчиком, обоснованность решений, самостоятельность участников, способность работать с обратной связью и понимание ограничений ИИ.
Студентам также нужно было честно рассказать о том, что не удалось сделать. Такой подход оказался не менее ценным, чем демонстрация готовых функций. В настоящих проектах важно уметь обозначить риски, объяснить причины ограничений и предложить дальнейший план развития.
Какие выводы сделали участники
Для студентов лаборатория стала возможностью проверить себя в условиях, близких к рабочим. Они получили опыт командной разработки, познакомились с процессом общения с внутренним заказчиком и увидели, как ИИ меняет привычные этапы создания цифровых продуктов.
Участники убедились, что нейросеть не превращает разработку в автоматическую процедуру. Она ускоряет отдельные операции, помогает начать работу и разобраться с незнакомыми инструментами, но требует постоянного контроля.
Организаторы, в свою очередь, увидели, что ИИ‑лаборатория может стать эффективным форматом подготовки молодых специалистов. Такой подход позволяет бизнесу проверять идеи автоматизации, а студентам - получать практический опыт еще до первой полноценной работы.
Следующим шагом может стать развитие созданных прототипов, повторение лаборатории для новых участников и расширение набора бизнес‑кейсов. Главный результат проекта - не только несколько готовых решений, но и сформированный навык: использовать искусственный интеллект осознанно, проверять его выводы и превращать технологию в инструмент для решения конкретных задач.
