Опубликовано 20 марта 2026

Как ИИ-агент OpenAI Codex помог Rakuten ускорить починку багов на 50%

Как Rakuten стал устранять баги вдвое быстрее: роль ИИ-агента от OpenAI

Компания Rakuten внедрила ИИ-агент Codex от OpenAI в процесс разработки, сократив время устранения сбоев вдвое. Рассказываем, как это работает на практике.

Разработка 3 – 5 минут чтения
Источник события: OpenAI 3 – 5 минут чтения

Японский технологический гигант Rakuten, чьи сервисы охватывают электронную коммерцию, финансы, стриминг и другие направления, поделился результатами внедрения Codex, ИИ-агента для написания и проверки кода от OpenAI. Полученные цифры достаточно конкретны и заслуживают внимания.

Что такое Codex и зачем он нужен команде разработчиков

Что такое Codex и для чего он нужен команде разработчиков

Коротко говоря, Codex – это не просто инструмент автодополнения кода. Это агент, способный самостоятельно выполнять задачи в рамках разработки: искать причины ошибок, предлагать исправления, проверять изменения перед выпуском и даже участвовать в создании полноценных функций. Разработчик ставит задачу, а агент работает над ней, порой без необходимости постоянно контролировать каждый шаг.

Проще говоря, он больше похож на коллегу-джуниора, которому можно делегировать рутинные задачи, чем на умную подсказку в редакторе кода.

Codex снизил время простоя на 50% – результаты внедрения

Сокращение времени простоя на 50% – что за этим стоит

Один из ключевых показателей в разработке – это MTTR (Mean Time To Resolution), среднее время восстановления после сбоя. Он показывает, сколько времени проходит с момента поломки до момента устранения проблемы. Для крупных платформ, таких как Rakuten, это критически важно: каждая лишняя минута сбоя означает, что реальные пользователи не могут оформить заказ, произвести платёж или воспользоваться сервисом.

По данным компании, после внедрения Codex этот показатель сократился на 50%. То есть инциденты, на устранение которых раньше требовался, например, час, теперь закрываются примерно за полчаса. Это достигается за счёт того, что агент помогает быстрее локализовать проблему и предложить рабочее решение, избавляя инженера от необходимости самостоятельно перебирать логи и гипотезы с нуля.

Автоматизация рутинных, но важных проверок

Автоматизация рутинных, но важных процессов

Ещё одно направление, где Codex показал себя, – это проверки в CI/CD-процессах. Если не вдаваться в детали, CI/CD – это конвейер, по которому код проходит серию автоматических проверок перед тем, как попасть к пользователям. Часть этих проверок раньше требовала участия людей: просмотреть изменения, убедиться, что ничего не сломано, дать разрешение на выпуск.

Codex взял на себя часть этой работы. Агент анализирует изменения, выявляет потенциальные проблемы и помогает принимать решения быстрее – без необходимости каждый раз привлекать живого ревьюера для рутинных проверок. Это освобождает время инженеров для задач, где человеческое суждение действительно важно.

Быстрая разработка функций за недели, а не месяцы

Полноценные функции за недели, а не месяцы

Пожалуй, самое любопытное в кейсе Rakuten – это не ускорение отдельных операций, а то, что команды стали быстрее доставлять готовые продуктовые функции от идеи до продакшена. По словам компании, полноценные фулстек-решения (то есть включающие и серверную, и клиентскую часть) теперь создаются за недели, тогда как раньше на это уходило значительно больше времени.

Это важный сдвиг. Скорость разработки – не только вопрос удобства команды. Это показатель того, как быстро бизнес может реагировать на изменения рынка, тестировать гипотезы и предоставлять ценность пользователям. Когда цикл сжимается с нескольких месяцев до нескольких недель, меняется сама логика принятия решений.

Безопаснее и быстрее: роль ИИ в разработке

Безопаснее, а не только быстрее

Отдельно стоит отметить акцент на безопасности. В описании кейса Rakuten упоминается, что Codex помогает не просто ускорить разработку, но и сделать её безопаснее. Это не случайная оговорка: автоматизация проверок и более быстрое реагирование на инциденты напрямую влияют на надёжность сервисов.

Для компании такого масштаба, как Rakuten, с миллионами транзакций и данными пользователей, безопасность и стабильность не менее важны, чем скорость выпуска. И то, что ИИ-агент помогает поддерживать баланс между этими требованиями, пожалуй, более значимо, чем просто «код пишется быстрее».

Значение кейса Rakuten для современной IT-индустрии

Что это значит для индустрии

Кейс Rakuten – не первый и явно не последний пример того, как крупные технологические компании интегрируют ИИ-агентов непосредственно в производственные процессы разработки. Но он показателен именно своей конкретностью: здесь есть измеримые результаты, а не просто общие слова о «трансформации».

Интересно и то, что речь идёт не о замене разработчиков. Codex встраивается в существующие процессы как дополнительный участник команды – тот, кто берёт на себя часть рутины и помогает людям сосредоточиться на более сложных и творческих задачах. По крайней мере, именно такую картину рисует сам Rakuten.

Открытый вопрос – насколько эти результаты воспроизводимы в других компаниях. Rakuten – это большая, зрелая технологическая организация с отлаженными процессами и ресурсами для внедрения. Для небольших команд путь к аналогичным результатам может быть иным. Но сам факт того, что агентный подход в разработке начинает давать измеримые плоды на таком уровне, – это уже сигнал, который сложно игнорировать.

Ссылка на публикацию: https://openai.com/index/rakuten
Оригинальное название: Rakuten fixes issues twice as fast with Codex
Дата публикации: 11 мар 2026
OpenAI openai.com Американская компания, создающая универсальные ИИ-модели для текста, кода и изображений.
Предыдущая статья Как ChatGPT учится не доверять всему подряд: защита агентов от скрытых команд Следующая статья 16 ИИ-моделей, 9000 документов: кто справился лучше всех

Связанные публикации

Вам может быть интересно

Перейти к другим событиям

События – лишь часть картины. Эти материалы помогают увидеть шире: контекст, последствия и идеи, стоящие за новостями.

От источника к разбору

Как создавался этот текст

Этот материал не является прямым пересказом исходной публикации. Сначала была отобрана сама новость – как событие, важное для понимания развития ИИ. Затем мы задали рамку обработки: что в тексте важно прояснить, какой контекст добавить и на чём сделать акцент. Это позволило превратить отдельный анонс или обновление в связный и осмысленный разбор.

Нейросети, участвовавшие в работе

Мы открыто показываем, какие модели использовались на разных этапах обработки. Каждая из них выполняла свою роль – анализ источника, переписывание, проверка и визуальная интерпретация. Такой подход позволяет сохранить прозрачность процесса и ясно показать, как именно технологии участвовали в создании материала.

1.
Claude Sonnet 4.6 Anthropic Анализ исходной публикации и написание текста Нейросеть изучает оригинальный материал и формирует связный текст

1. Анализ исходной публикации и написание текста

Нейросеть изучает оригинальный материал и формирует связный текст

Claude Sonnet 4.6 Anthropic
2.
Gemini 2.5 Flash Google DeepMind Проверка и правка текста Исправление ошибок, неточностей и спорных формулировок

2. Проверка и правка текста

Исправление ошибок, неточностей и спорных формулировок

Gemini 2.5 Flash Google DeepMind
3.
DeepSeek-V3.2 DeepSeek Подготовка описания для иллюстрации Генерация текстового промпта для визуальной модели

3. Подготовка описания для иллюстрации

Генерация текстового промпта для визуальной модели

DeepSeek-V3.2 DeepSeek
4.
FLUX.2 Pro Black Forest Labs Создание иллюстрации Генерация изображения по подготовленному промпту

4. Создание иллюстрации

Генерация изображения по подготовленному промпту

FLUX.2 Pro Black Forest Labs

Хотите знать о новых
экспериментах первыми?

Подписывайтесь на наш Telegram-канал – там мы делимся всем самым
свежим и интересным из мира NeuraBooks.

Подписаться