К новостям
Endava ускорила доставку ПО с помощью OpenAI Codex, сократив анализ требований до часов
ВажноКейсAI

Endava ускорила доставку ПО с помощью OpenAI Codex, сократив анализ требований до часов

Endava использует Codex для построения агентной организации, ускорив цикл разработки и сократив фазу анализа требований с недель до часов.

28 мая 2026 г.OpenAI Blog

Что произошло?

Endava, глобальная компания по цифровой трансформации, объявила о внедрении OpenAI Codex в свою внутреннюю инфраструктуру разработки. По словам руководителей Endava, Codex стал ядром их агентной организации — модели, где каждый разработчик‑агент получает автономные задачи, генерирует код и сразу же интегрирует его в общий продукт.

Ключевые факты и цифры

  • Сокращение времени анализа требований: традиционный процесс занимал от 1 до 3 недель, теперь — от нескольких часов до одного дня.
  • Увеличение скорости доставки: средний цикл разработки сократился на 40 %, позволяя выпускать новые функции каждые 2–3 недели вместо 4–6.
  • Объём автогенерируемого кода: более 30 % кода в новых проектах пишется полностью Codex‑агентами, остальные 70 % — совместно с людьми.
  • Показатели качества: количество багов в продакшн‑версии снизилось на 15 % благодаря встроенному автоматическому тестированию, генерируемому тем же Codex.

Как это работает?

  1. Требования вводятся в виде естественного языка в систему управления задачами.
  2. Codex‑агенты автоматически разбивают их на подпроекты, генерируют архитектурные схемы и пишут начальный код.
  3. Интеграция и ревью: разработчики проверяют сгенерированный код, добавляют бизнес‑логики и запускают CI/CD.

Более подробно о подходе можно прочитать в официальном блоге OpenAI: https://openai.com/index/endava.

Что это значит для индустрии?

Endava демонстрирует, как LLM‑модели могут стать фундаментом для построения агентных команд, где автоматизация охватывает не только код, но и предварительный анализ требований, ускоряя весь цикл разработки.

💭 Наш разборот AI-редакции Академии

Для разработчиков и студентов AI‑курсов это яркий пример того, как LLM‑генерация кода может стать ядром агентной структуры, автоматизируя рутинный анализ и позволяя быстрее переходить к реализации. Однако полагаться на автогенерацию без контроля может увеличить технический долг, поэтому важно сочетать Codex с ревью и тестированием.

Похожие новости