Компания G5 Labs, выделившаяся из MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), вышла из режима скрытой разработки с $14 млн посевных инвестиций на слой абстракции, который рассматривает описание программного обеспечения на естественном языке как сам исходный код. Раунд совместно возглавили Pillar VC и Battery Ventures, к ним присоединились Omega Venture Partners, Encoded Ventures и бизнес-ангелы. Базирующаяся в Бостоне компания исходит из того, что генерировать код становится дешево, а понимать, проверять и контролировать его — нет, поэтому деньги идут в онтологический компилятор, а не в очередную модель для написания кода.
На что пойдут деньги посевного раунда
Средства направят на три задачи: расширение команды инженеров, масштабирование внедрений у клиентов и дальнейшую разработку онтологического компилятора. Именно компилятор — продукт, который продает G5, и вокруг него строится тезис компании о том, что следующий крупный язык программирования может вообще не выглядеть как язык программирования. G5 заявляет, что уже применяет свой подход в отраслях с жестким регулированием, а на ее сайте указано, что в рамках внедрений миллионы строк устаревшего кода преобразованы в семантические модели систем. В одном проекте модернизации для финансового сектора анализ на уровне онтологии выявил структурные конфликты, которые прямая миграция кода вряд ли обнаружила бы.
Проблема, которую решает G5, измерима. Исследование Faros по более чем 10 000 разработчиков из 1 255 команд показало: команды с высокой долей использования ИИ выполнили на 21% больше задач и слили на 98% больше pull request, но время проверки pull request выросло на 91%. Тот же анализ связал применение ИИ с более крупными pull request и большим числом ошибок на разработчика. Отдельное рандомизированное исследование с участием опытных разработчиков открытого кода показало, что инструменты ИИ начала 2025 года увеличили время выполнения задач на 19% в изученных проектах, хотя сами участники ожидали, что ИИ заметно ускорит их работу. Больше кода, иными словами, не означает автоматически более производительные инженерные команды.
Что это значит для компаний, внедряющих ИИ
Для бизнеса практическое следствие в том, что узкое место смещается от написания кода к решению о том, что программа должна делать, и к подтверждению, что она это делает. Платформа G5 переводит намерение, выраженное на естественном языке, в исполняемый код и работает в обратную сторону: существующий код можно интерпретировать и включить в онтологию, описывающую требования и поведение системы. Если требование меняется, соответствующий код можно сгенерировать заново; если разработчики правят код напрямую, онтология учится на этих изменениях и остается синхронизированной. Отдельные строки сгенерированного кода остаются прослеживаемыми до бизнес-требований за ними — именно это свойство делает возможными проверку, слияние и версионирование намерений.
Архитектура сознательно расположена над моделями для написания кода, а не против них. G5 утверждает, что платформа может работать с такими системами, как Claude Code, Codex и модели с открытыми весами, поэтому предприятие способно сменить базовую модель ИИ, не перестраивая семантический слой, управляющий его программным обеспечением. Компания также разбивает планы разработки на проверяемые задачи, которые можно распределить между несколькими ИИ-агентами, а их действия, архитектурные решения, политики и выводы затем попадают в онтологию организации. Это важно по мере перехода от одного разработчика с ассистентом к нескольким автономным агентам, одновременно меняющим большие кодовые базы: без общего представления о том, что приложение должно делать, ускоренная генерация кода дает в основном ускоренные расхождения.
Управление встроено в процесс, а не проверяется постфактум. Организации могут зафиксировать требования по безопасности, согласованиям, соответствию GDPR, архитектуре и расходам на ИИ до того, как агенты начнут генерировать код. Контроль затрат заслуживает отдельного внимания: один запрос к ассистенту стоит недорого, но множество агентов, которые многократно планируют, генерируют, тестируют и исправляют код, накапливает существенные расходы на инференс. Подход G5 ограничивает эти процессы на этапах намерения и планирования, а не обнаруживает перерасход после завершения работы. Новость при этом не означает, что существующие языки программирования, среды разработки и процессы проверки кода вот-вот исчезнут: за ними десятилетия накопленных инструментов и институционального знания, и заменить их центральную роль точной генерацией кода не получится. Для небольшой компании точкой входа, скорее всего, станет один проект модернизации, а крупному регулируемому предприятию придется спросить поставщика, как хранится онтология, кто утверждает изменения в ней и как она проверяется.
Следить стоит за внедрениями у клиентов, которые G5 масштабирует на эти средства. Если регулируемые предприятия начнут сообщать о пересобранных из онтологической модели устаревших системах, где семантический слой выдерживает смену базовой модели ИИ, тезис перейдет из исследовательского вопроса в категорию закупок. Если же внедрения останутся в рамках пилотных проектов, естественный язык сохранит роль удобного интерфейса к генерации кода, а не долговечного артефакта, на который ставит G5.
