The post has been translated automatically. Original language: Russian
Three years ago, the introduction of AI in a large company meant a pilot chatbot for support or a couple of experiments by the engineering team. Today, the conversation is on a completely different level: companies with tens of thousands of employees and tens of millions of lines of code are rebuilding their development, support, sales, and even organizational structure around AI agents. Below is a selection of eight stories: three are based on in—depth interviews with executives from DoorDash, Spotify, and Netflix, and five more are supplemented by materials from independent publications and statements from the companies themselves. The last story is a deliberate exception: This is not a success story, but a warning about what happens if you take an idea to the extreme.
DoorDash: from chat to work tools
Andy Fung, co-founder of DoorDash, and Boris Cherny from Anthropic discuss the implementation of Claude Code and Claude Cowork in a company with 4,000 employees. The main thesis is that AI should go beyond the engineering department and stop being just a "chat." Value appears when the model integrates into real work tools — mail, Slack, internal systems — and takes on actions rather than hints.
Fang's personal confession is significant: thanks to Claude Code, he started writing production code again — and without doing it manually. According to him, modern models have passed the turning point, when an agent can set up the environment himself and complete a difficult task without constant supervision.
The increase in the speed of writing code required a review of the bottlenecks of the process: CI/CD, code review, and security could no longer keep up with the pace set by AI. The DoorDash solution — compact autonomous teams (engineer + designer + product) working together with the model, show significantly higher results than classical hierarchical structures.
Instead of strict control, the management chose another lever: "token budgets" for experiments and a culture where it is safe to make mistakes. A separate practice is the mandatory publication of "written artifacts": conclusions and experimental results that employees share with each other, speeding up collective learning.
Fang's advice to leaders is to use AI yourself, not delegate it to the team. It is only through personal experience that one can understand the real possibilities of the tool and experience the "identity crisis" that employees go through when their usual working methods change.
Spotify: 73% of pool requests are created by AI
Niklas Gustavsson, vice president of engineering at Spotify, talks about working with a codebase of 20+ million lines. The personal shift turned out to be radical for him: he practically stopped opening a traditional IDE, relying on agents who perform tasks in the background.
The Honk platform has grown inside the company (now version V2). It started as a set of scripts for maintaining the code base, and turned into a universal tool for automatic refactoring and migrations based on AI agents.
The key factor that allowed Spotify to safely implement automated content without human review in every PR is investment in test automation. The powerful verification system built into CI/CD has become a prerequisite, without which AI's speed would turn into a risk rather than an advantage.
The numbers speak for themselves: the frequency of PR creation has increased by more than 75%, and about 73% of all pull requests are now created using AI. A separate effect is the democratization of prototyping: not only engineers, but also non—technical staff now assemble working prototypes of ideas in 1-2 hours, which dramatically speeds up hypothesis testing.
Gustavsson's main conclusion is that the cleaner and more standardized the code base, the better the models cope with it. Investing in infrastructure quality is not hygiene "for the future", but a direct condition for the effectiveness of AI agents today.
Netflix: AI as part of the Java ecosystem
The report by Paul Bakker from the Netflix platform team is formally devoted to the evolution of Java in the company (about 3,000—4,000 services on Spring Boot, GraphQL and gRPC for inter-service interaction), but here AI occupies a prominent place - no longer as a separate experiment, but as an embedded layer of the platform.
For mass migrations between Spring Boot and JDK versions, Netflix combines classic tools (OpenRewrite, Gradle plugins) with AI-agent-based approaches to update thousands of services without the manual labor of developers.
In terms of generative AI, the company builds agent-based workflows based on Spring AI: agents analyze the reasons for the slow start of applications and make recommendations for optimizing Spring beans — that is, AI is integrated directly into the diagnostic cycle of production systems. A separate thesis of the report: Java is quite a competitive platform for LLM integration and is not inferior to Python where it comes to using ready—made models, rather than learning them.
Google: from 25% to 75% of the code in a year and a half
Google is perhaps the most cited example of the speed of change. Back in late 2024, on an investor call, Sundar Pichai talked about a quarter of the company's new AI-written code. By the fall of 2025, this share had grown to 50%, and in April 2026, Pichai said, three quarters of all new Google code was already generated by AI and approved by engineers. The company describes the transition as moving from "auto-completion" to truly agent-based workflows, in which engineers, Pichai says, lead autonomous digital teams rather than writing code line by line.
It is important that Google does not reduce the effect to saving on people: the company's priority metric is not the share of generated code, but the growth of engineering speed in general. At the same time, Google's DORA research unit reported that 90% of the tech professionals surveyed are already using AI in their work — 14 percentage points more than a year earlier, while only a fraction of them confidently call the tool useful in practice, and not just present in the process.
Amazon: small teams and a tenfold increase in speed
Amazon is showing perhaps the most radical example of restructuring around AI agents. According to GeekWire, the team that rebuilt the workflow around AI agents inside the Bedrock platform's inference engine completed a project with six engineers in 76 days, initially designed for 30 developers and 12-18 months of work. In general, the company's divisions that have rebuilt processes for AI show a median productivity growth of 4.5 times, and in some cases — more than 10 times.
At the same time, Amazon emphasizes that the bottleneck has shifted from writing code to setting tasks. Swami Sivasubramanian, head of agent—based AI, writes that the real challenge now is to correctly formulate the specification, tests, and expected user experience - if done carelessly, agents have little chance of success. Therefore, the company reschedules testing at the time of writing the code, rather than at a separate subsequent stage, so that agents can check their own work before it gets into production.
JPMorgan Chase: AI as a utility for 250,000 banking employees
The largest US bank chose a different path — not the development, but the mass distribution of an internal assistant to the entire organization. The LLM Suite platform, built by the bank independently on top of the models of several providers, is available to more than 230,000 employees worldwide by 2026, and about 250,000 people have received actual access, and about half of them use the tool daily.
The bank estimates the effect not in abstract terms, but in money: according to JPMorgan's own data, AI initiatives bring companies up to $1.5 billion in value per year, and employees report a 30-40% increase in efficiency. Some sources cite a more recent and high estimate — about $2 billion in annual benefits with comparable investments in the technology itself. It is also indicative of how the bank introduced the tool into its culture: in addition to the product itself, the company organized an educational program through which more than 30,000 employees passed through in the first quarter, learning how to make requests and work with the tool in the context of specific departments — from loan memoranda to compliance.
The bank's chief financial officer initially described the approach as cautious and focused on strengthening the underlying data infrastructure rather than making harsh public statements, a strategy typical of a regulated industry where explicitness and control are more important than the speed of high—profile announcements.
Salesforce: productivity growth and the price of the issue
Salesforce is an example of how AI productivity claims translate directly into HR decisions. At the end of 2024, CEO Marc Benioff stated that, thanks to his own Agentforce agent platform and other internal AI tools, engineering productivity had increased by more than 30%, and the company had no plans to hire additional development engineers in 2025.
The effect was even more pronounced in customer support. By the fall of 2025, Benioff confirmed that the company had reduced about 4,000 positions in the support division — from 9 to 5,000 people — as a decrease in the number of support requests saved the company from having to fill outgoing employees with new hires. According to his own later estimates on the Logan Bartlett Show podcast, the support staff eventually dropped by about half. At the same time, the company continued to expand its sales and customer success teams — some of the released employees were transferred there.
The Salesforce case shows the downside well: the productivity growth from AI here was directly converted into staffing decisions, and not just into accelerating existing teams — unlike, for example, DoorDash or Spotify, where the emphasis is on team autonomy rather than reducing them.
Klarna: A counterexample is when a complete replacement of people didn't work
The story of Klarna is worth telling separately, because it balances the overall picture. In February 2024, the Swedish fintech service announced that the AI assistant, created in collaboration with OpenAI, processed 2.3 million requests in the first month - according to the company, this corresponded to the workload of 700 full-time support staff, and the average time to resolve a request dropped from 11 minutes to less than two.
However, by May 2025, Klarna CEO Sebastian Siemiatkowski publicly acknowledged that the focus on savings as the main criterion for evaluating the project had resulted in a decrease in the quality of service, and the company began to recruit support staff again. According to an independent analysis of the case, the company continued to use AI on a significant volume of requests even later, but in a hybrid model. By mid-2026, Klarna had formulated a new logic of work: AI handles routine and typical requests, and live communication with a person becomes a premium experience rather than a basic standard of service.
The lesson here is not that AI "doesn't work" in support — the voluminous, routine part of the requests is really well amenable to automation. The problem was that the company initially measured the success of the project by saving on staff, rather than by the quality of solving complex, emotionally loaded appeals, where empathy and context are still the strong side of the individual.
What unites all these stories?
Despite the difference in scales, industries, and final decisions about the fate of the state, the reports and cases show the same patterns.:
- AI works better where there is order. Spotify, Netflix, and Amazon directly link agent effectiveness to the quality of the codebase, standardization, and test infrastructure — where the specification and tests are unclear, agents are more likely to make mistakes.
- The bottleneck has shifted from writing to problem statement and verification. DoorDash is reviewing CI/CD and review, Spotify is investing in test automation, Amazon is postponing testing at the time of writing the code — in all cases, it is verification, not generation, that has become a new scarce resource.
- Team autonomy often yields better results than centralized control. DoorDash and Amazon both point out that small, self-sufficient teams with clear responsibilities use AI more effectively than large hierarchical structures.
- The role of people is changing, not just tools. Prototyping is becoming available to non-engineers (Spotify), leaders are forced to become users of the technology themselves (DoorDash), and some roles — especially in support and standard engineering — are really being reduced (Salesforce, partly Klarna).
- Saving on people is not the only and not always the right guideline. Google emphasizes increasing engineering speed rather than cutting staff; Klarna shows what the opposite approach leads to if quality is sacrificed to savings too early.
The overall picture for 2025-2026 is as follows: companies that integrate AI into existing workflows and at the same time invest in verifying the result receive a multiple increase in speed without loss of quality. Those who view AI primarily as a way to quickly reduce human costs without revising the processes themselves risk repeating Klarna's path — with a rollback and additional costs of correction.
Ещё три года назад внедрение ИИ в крупной компании означало пилотный чат-бот для поддержки или пару экспериментов инженерной команды. Сегодня разговор идёт совсем на другом уровне: компании с десятками тысяч сотрудников и десятками миллионов строк кода перестраивают вокруг ИИ-агентов процессы разработки, поддержки, продаж и даже организационную структуру. Ниже — подборка из восьми историй: три основаны на подробных интервью с руководителями DoorDash, Spotify и Netflix, ещё пять дополнены материалами независимых изданий и заявлениями самих компаний. Последняя история — намеренное исключение: это не success story, а предупреждение о том, что бывает, если довести идею до крайности.
DoorDash: от чата к рабочим инструментам
Сооснователь DoorDash Энди Фанг и Борис Черный из Anthropic обсуждают внедрение Claude Code и Claude Cowork в компании с 4000 сотрудников. Главный тезис — ИИ должен выйти за пределы инженерного отдела и перестать быть просто «чатом». Ценность появляется, когда модель интегрируется в реальные рабочие инструменты — почту, Slack, внутренние системы, — и берёт на себя не подсказки, а действия.
Показательно личное признание Фанга: благодаря Claude Code он снова начал писать продакшн-код — причём не выполняя его вручную. По его словам, современные модели прошли точку перелома, когда агент может сам настроить окружение и довести сложную задачу до конца без постоянного присмотра.
Рост скорости написания кода потребовал пересмотреть узкие места процесса: CI/CD, код-ревью и безопасность больше не поспевали за темпом, который задаёт ИИ. Решение DoorDash — компактные автономные команды (инженер + дизайнер + продакт), работающие вместе с моделью, показывают заметно более высокий результат, чем классические иерархические структуры.
Вместо жёсткого контроля руководство выбрало другой рычаг: «бюджеты токенов» на эксперименты и культуру, где ошибаться безопасно. Отдельная практика — обязательная публикация «письменных артефактов»: выводов и результатов экспериментов, которыми сотрудники делятся друг с другом, ускоряя коллективное обучение.
Совет Фанга лидерам — использовать ИИ самому, а не делегировать это команде. Только через личный опыт можно понять реальные возможности инструмента и прочувствовать «кризис идентичности», через который проходят сотрудники, когда меняются их привычные методы работы.
Spotify: 73% пул-реквестов создаются ИИ
Никлас Густавссон, вице-президент по инженерии Spotify, рассказывает о работе с кодовой базой в 20+ миллионов строк. Личный сдвиг для него оказался радикальным: он практически перестал открывать традиционную IDE, полагаясь на агентов, которые выполняют задачи в фоне.
Внутри компании выросла платформа Honk (сейчас версия V2) — она начиналась как набор скриптов для обслуживания кодовой базы, а превратилась в универсальный инструмент автоматического рефакторинга и миграций на основе ИИ-агентов.
Ключевой фактор, который позволил Spotify безопасно внедрять автомерж без ревью человека в каждом PR, — это инвестиции в тестовую автоматизацию. Мощная система верификации, встроенная в CI/CD, стала предпосылкой, без которой скорость от ИИ превратилась бы в риск, а не в преимущество.
Цифры говорят сами за себя: частота создания PR выросла более чем на 75%, а около 73% всех pull request'ов сейчас создаются с помощью ИИ. Отдельный эффект — демократизация прототипирования: не только инженеры, но и не-технические сотрудники теперь собирают рабочие прототипы идей за 1–2 часа, что резко ускоряет проверку гипотез.
Главный вывод Густавссона: чем чище и стандартизированнее кодовая база, тем лучше с ней справляются модели. Инвестиции в качество инфраструктуры — это не гигиена «на будущее», а прямое условие эффективности ИИ-агентов сегодня.
Netflix: ИИ как часть Java-экосистемы
Доклад Пола Баккера из платформенной команды Netflix формально посвящён эволюции Java в компании (около 3000–4000 сервисов на Spring Boot, GraphQL и gRPC для межсервисного взаимодействия), но и здесь ИИ занимает заметное место — уже не как отдельный эксперимент, а как встроенный слой платформы.
Для массовых миграций между версиями Spring Boot и JDK Netflix комбинирует классические инструменты (OpenRewrite, Gradle-плагины) с подходами на основе ИИ-агентов, чтобы обновлять тысячи сервисов без ручного труда разработчиков.
В части генеративного ИИ компания строит агентные рабочие процессы на Spring AI: агенты анализируют причины медленного старта приложений и дают рекомендации по оптимизации Spring-бинов — то есть ИИ встраивается прямо в цикл диагностики продакшн-систем. Отдельный тезис доклада: Java — вполне конкурентоспособная платформа для интеграции LLM и не уступает Python там, где речь идёт об использовании уже готовых моделей, а не об их обучении.
Google: от 25% до 75% кода за полтора года
Google — пожалуй, самый цитируемый пример скорости изменений. Ещё в конце 2024 года на звонке с инвесторами Сундар Пичаи говорил о четверти нового кода компании, написанного ИИ. К осени 2025 года эта доля выросла до 50%, а в апреле 2026-го, по словам Пичаи, три четверти всего нового кода Google уже генерируется ИИ и утверждается инженерами. Компания описывает переход как движение от «автодополнения» к по-настоящему агентным рабочим процессам, в которых инженеры, по словам Пичаи, скорее руководят автономными цифровыми командами, чем пишут код построчно.
Важно, что Google не сводит эффект к экономии на людях: приоритетной метрикой в компании называют не долю сгенерированного кода, а рост инженерной скорости в целом. Параллельно исследовательское подразделение Google DORA сообщило, что 90% опрошенных технических специалистов уже используют ИИ в работе — на 14 процентных пунктов больше, чем годом ранее, при этом лишь часть из них уверенно называют инструмент полезным на практике, а не просто присутствующим в процессе.
Amazon: маленькие команды и десятикратный рост скорости
Amazon показывает, пожалуй, самый радикальный пример реструктуризации вокруг ИИ-агентов. По данным издания GeekWire, команда, перестроившая рабочий процесс вокруг ИИ-агентов внутри инференс-движка платформы Bedrock, выполнила силами шести инженеров за 76 дней проект, изначально рассчитанный на 30 разработчиков и 12–18 месяцев работы. В целом по компании подразделения, перестроившие процессы под ИИ, показывают медианный рост производительности в 4,5 раза, а в отдельных случаях — более чем в 10 раз.
При этом в Amazon подчёркивают: узкое место сместилось с написания кода на постановку задачи. Руководитель направления агентного ИИ Свами Сивасубраманян пишет, что реальная сложность теперь в том, чтобы правильно сформулировать спецификацию, тесты и ожидаемый пользовательский опыт — если это сделано небрежно, у агентов остаётся мало шансов на успех. Поэтому компания переносит тестирование на момент написания кода, а не на отдельный последующий этап, чтобы агенты могли проверять собственную работу до того, как она попадёт в продакшн.
JPMorgan Chase: ИИ как утилита для 250 000 банковских сотрудников
Крупнейший банк США выбрал другой путь — не разработку, а массовое распространение внутреннего ассистента на всю организацию. Платформа LLM Suite, построенная банком самостоятельно поверх моделей нескольких провайдеров, к 2026 году доступна более чем 230 000 сотрудников по всему миру, а фактический доступ получили около 250 000 человек, причём примерно половина из них пользуется инструментом ежедневно.
Банк оценивает эффект не в абстрактных терминах, а в деньгах: по собственным данным JPMorgan, ИИ-инициативы приносят компании до 1,5 млрд долларов ценности в год, а сотрудники сообщают о росте эффективности на 30–40%. Отдельные источники называют более свежую и высокую оценку — около 2 млрд долларов ежегодной выгоды при сопоставимых инвестициях в саму технологию. Показательно и то, как банк вводил инструмент в культуру: помимо самого продукта, компания организовала образовательную программу, через которую за первый квартал прошло более 30 000 сотрудников, обучаясь составлению запросов и работе с инструментом в контексте конкретных отделов — от кредитных меморандумов до комплаенса.
Финансовый директор банка изначально описывал подход как осторожный и сфокусированный на укреплении базовой инфраструктуры данных, а не на резких публичных заявлениях — стратегия, характерная для регулируемой отрасли, где объяснимость и контроль важнее скорости громких анонсов.
Salesforce: рост продуктивности и цена вопроса
Salesforce — пример того, как заявления об ИИ-продуктивности напрямую переходят в кадровые решения. В конце 2024 года глава компании Марк Бениофф заявил, что благодаря собственной агентной платформе Agentforce и другим внутренним ИИ-инструментам инженерная продуктивность выросла более чем на 30%, и компания не планирует нанимать дополнительных инженеров-разработчиков в 2025 году.
Ещё более выраженным эффект оказался в поддержке клиентов. К осени 2025 года Бениофф подтвердил, что компания сократила порядка 4000 позиций в подразделении поддержки — с 9 до 5 тысяч человек, — поскольку снижение числа обращений в поддержку избавило компанию от необходимости восполнять уходящих сотрудников новыми наймами. По его собственным более поздним оценкам на подкасте Logan Bartlett Show, штат поддержки в итоге сократился примерно вдвое. Одновременно компания продолжала расширять команды продаж и клиентского успеха — часть высвободившихся сотрудников были переведены именно туда.
Кейс Salesforce хорошо показывает оборотную сторону: рост продуктивности от ИИ здесь напрямую конвертировался в решения о численности штата, а не только в ускорение существующих команд — в отличие, например, от DoorDash или Spotify, где акцент делается на автономии команд, а не на их сокращении.
Klarna: контрпример — когда полная замена людей не сработала
Историю Klarna стоит рассказать отдельно, потому что она балансирует общую картину. В феврале 2024 года шведский финтех-сервис объявил, что ИИ-ассистент, созданный совместно с OpenAI, за первый месяц обработал 2,3 миллиона обращений — по заявлению компании, это соответствовало объёму работы 700 штатных сотрудников поддержки, а среднее время решения запроса упало с 11 минут до менее чем двух.
Однако к маю 2025 года гендиректор Klarna Себастиан Семятковски публично признал, что ставка на экономию как главный критерий оценки проекта обернулась снижением качества сервиса, и компания начала заново набирать людей в поддержку. По данным независимого разбора кейса, компания продолжала использовать ИИ на значительном объёме обращений и позже, но уже в гибридной модели. К середине 2026 года Klarna сформулировала новую логику работы: рутинные и типовые обращения обрабатывает ИИ, а живое общение с человеком становится скорее премиальным опытом, а не базовым стандартом сервиса.
Урок здесь не в том, что ИИ «не работает» в поддержке — объёмная, рутинная часть обращений действительно хорошо поддаётся автоматизации. Проблема была в том, что компания изначально мерила успех проекта экономией на штате, а не качеством решения сложных, эмоционально нагруженных обращений, где эмпатия и контекст всё ещё остаются сильной стороной именно человека.
Что объединяет все эти истории
При всей разнице масштабов, индустрий и итоговых решений о судьбе штата в докладах и кейсах прослеживаются одни и те же закономерности:
- ИИ работает лучше там, где есть порядок. Spotify, Netflix и Amazon прямо связывают эффективность агентов с качеством кодовой базы, стандартизацией и тестовой инфраструктурой — там, где спецификация и тесты нечёткие, агенты ошибаются чаще.
- Узкое место сместилось с написания к постановке задачи и проверке. DoorDash пересматривает CI/CD и ревью, Spotify инвестирует в автоматизацию тестов, Amazon переносит тестирование на момент написания кода — во всех случаях именно верификация, а не генерация, стала новым дефицитным ресурсом.
- Автономия команд чаще даёт лучший результат, чем централизованный контроль. DoorDash и Amazon оба отмечают, что маленькие самодостаточные команды с чёткой ответственностью используют ИИ эффективнее, чем крупные иерархические структуры.
- Меняется роль людей, а не только инструменты. Прототипирование становится доступно не-инженерам (Spotify), лидеры вынуждены сами становиться пользователями технологии (DoorDash), а часть ролей — особенно в поддержке и типовой инженерии — реально сокращается (Salesforce, отчасти Klarna).
- Экономия на людях — не единственный и не всегда правильный ориентир. Google подчёркивает рост инженерной скорости, а не сокращение штата; Klarna показывает, к чему приводит противоположный подход, если качество приносится в жертву экономии слишком рано.
Общая картина 2025–2026 годов такова: компании, которые встраивают ИИ в существующие рабочие процессы и одновременно инвестируют в проверку результата, получают кратный рост скорости без потери качества. Те, кто рассматривает ИИ прежде всего как способ быстро сократить издержки на людях без пересмотра самих процессов, рискуют повторить путь Klarna — с откатом назад и дополнительными издержками на исправление.
