Як AutoScout24 масштабує AI-native engineering з ChatGPT і Codex

AutoScout24 Group працює з великим marketplace footprint, legacy systems, migrations і постійним demand на product changes. Проста роздача chat-інструмента не вирішує системну проблему: треба вбудувати AI в реальні репозиторії, tickets, review і incident workflows так, щоб швидкість не розмила ownership.

Компанія поєднала broad access до ChatGPT із deeper Codex workflows і AI Champions network. Для відтворення це корисніша модель, ніж «встановити coding agent усім»: capability rollout відділяється від production authority, а high-impact workflows отримують окремі acceptance gates.

Trigger-и: assigned ticket, pull request, migration batch, documentation gap або post-incident follow-up. Input: repository snapshot, issue/acceptance criteria, local AGENTS.md/instructions, architecture docs, tests, build tooling і allowed dependency/network policy. AI stage: inspect → plan → edit → test → explain; для PR review — diff → risk analysis → findings; для incident work — evidence → hypothesis → candidate remediation.

Integrations: source control, issue tracker, CI, test runners, static/security analysis, documentation tooling і observability. Output має бути branch/PR, review finding, migration batch або evidence-backed report — не прямий write у protected production.

A4 виправданий там, де agent самостійно проходить багато кроків усередині bounded environment: читає код, змінює файли, запускає tests, виправляє failures і готує PR. Authority зупиняється на merge/deploy/security-policy boundaries. Repository instructions — context, а не permission system.

Secrets, production credentials, branch protection і network destinations не повинні залежати від prompt discipline. Якщо agent може змінити tests, CI config або AGENTS.md, ці control-plane files вимагають окремого diff risk gate, інакше система може «довести» власну правильність, переписавши екзамен.

AutoScout24 Tech описує AI Experience Day: команди приносять реальні болі, brainstorm-ять, будують і показують результат; навіть невдалий prototype корисний, якщо failure understood. Такий формат створює feedback loop між central enablement і локальними workflows.

Production rollout має зберегти цей принцип, але додати evidence contract: який task class, baseline lead time, pass criteria, defect escapes, human review time і rollback. Champion network без measurement швидко стає клубом любителів красивих демо.

Failure modes: agent почав зі stale base, тест flaky, generated change проходить unit tests але ламає contract/integration, migration частково applied, dependency update тягне policy violation, timeout після external action або agent змінив validator. Перший recovery step — зчитати authoritative repo/CI state, а не просто повторити останню команду.

Для large refactor потрібні small batches, idempotent migration markers і rollback strategy. Не можна використовувати лише agent-authored tests як oracle; потрібні independent checks — existing regression suites, type/build/lint, contract tests, security scans і, для критичних flows, replay production-like fixtures.

Eval corpus: feature implementation, bug fix, migration, PR review, docs update, incident analysis; slices для ambiguous requirements, large repo, dependency conflict, malicious instruction in repo content, failing tools і outdated docs. Graders оцінюють task success, touched-file scope, test evidence, security, unnecessary churn, human corrections та final authoritative CI state.

KPI: verified tasks/engineer, median cycle time, reviewer minutes, regression escape rate, rollback rate, cost per merged verified change і share of tasks requiring rescue. OpenAI-reported weeks→days result — корисний signal, але власний baseline потрібен до rollout.

Fleet-scale cost включає model usage, sandbox compute, CI minutes, extra tests/scans, artifact storage, observability, license/admin, human review і failure recovery. Найкращий routing часто hybrid: cheap model/automation для classification або mechanical edits, stronger agent — лише для tasks, де reasoning окупається.

Rollout: 1) read-only PR review; 2) docs/tests у branch; 3) low-risk bug fixes з required checks; 4) migration batches; 5) bounded parallel agents з concurrency budgets; 6) model/tool upgrades через frozen eval → shadow → canary. Human merge authority лишається фінальним gate для consequential code changes.