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

Не пропустите ни одного эксперимента!

Подпишитесь на Telegram-канал –
там мы регулярно публикуем анонсы новых книг, статей и интервью.

Подписаться