Как Veai привлекла 400 млн рублей: управляемый ИИ для корпоративной разработки кода

Российская компания Veai, разрабатывающая платформу управляемого AI для enterprise-разработки программных продуктов, привлекла 400 млн рублей инвестиций. Раунд возглавил холдинг “Восток Инвестиции”, ранее работавший с технологическими лидерами российского рынка, также в сделке приняли участие частные бизнес-ангелы.

Привлечённые средства Veai планирует направить на развитие технологий контроля качества и безопасности генерации кода, а также на масштабирование бизнеса в России. По словам представителей инвестора, Veai рассматривается как один из ключевых претендентов на лидерство в формирующемся сегменте AI-решений для корпоративной разработки.

Платформа Veai уже используется десятками крупных компаний и тысячами инженеров ежедневно. Продукт делает ставку на сценарный и агентский подход, формальные методы и управляемое внедрение AI в существующие процессы разработки — именно этот фокус и стал определяющим фактором интереса со стороны инвесторов.

Управляемый AI в кодинге вместо «магии»: как Veai встраивает ИИ в enterprise-разработку

За последние пару лет AI-ассистенты для программистов стали мейнстримом. Автокомплишен, чат в IDE, генерация кода «по запросу» — всё это уже никого не удивляет. Но когда разговор заходит о крупной корпоративной разработке, быстро выясняется: то, что отлично работает в pet-проектах и стартапах, почти не масштабируется на enterprise.

Именно в этом разрыве между хайпом и реальностью и появился Veai.

Не ещё один плагин, а платформа управления AI в разработке

На первый взгляд Veai действительно выглядит как привычный AI-ассистент в IDE: генерация кода и тестов, дебаг, объяснение логики, автокомплишен. Разработчик работает в знакомой среде и не чувствует, что осваивает новый инструмент или меняет привычный workflow.

Но это лишь верхний слой.

По сути Veai — это корпоративная платформа управления AI-разработкой, где IDE-плагин служит интерфейсом, а ключевая ценность находится глубже: в сценариях, мультиагентных режимах и управляемости.

Veai изначально проектировался не как «умный чат», а как инженерный инструмент для решения конкретных бизнес-задач. Не «сгенерируй что-нибудь», а:

• увеличить тестовое покрытие;
• стабилизируй flaky-тесты;
• ускорь миграцию с Oracle на PostgreSQL;
• помоги онбордингу нового разработчика в большом проекте.

Почему enterprise не может жить на «вайб-кодинге»

В небольших проектах AI-ассистент можно использовать «на удачу». В enterprise такой подход быстро становится источником рисков. Большие кодовые базы, сложные зависимости, регуляторные требования и высокая цена ошибки делают неконтролируемый AI опасным.

Команда Veai исходит из простой, но непопулярной идеи:
AI не должен уметь всё. Он должен очень хорошо делать ограниченное число вещей.

Поэтому ставка делается не на универсального агента, а на мультиагентные сценарии, где:

• каждая задача дробится на набор подзадач;
• под каждую подбирается специализированный агент;
• используются разные промпты и модели;
• результат получается воспроизводимым и проверяемым.

Итоговое качество в таком подходе приближается не к условным «95%», а к требованиям enterprise-разработки — там, где AI начинает влиять не на черновики, а на production-код.

Сценарии вместо чата

Главное отличие Veai — не просто автокомплишен или чат, а сценарии (workflows) под конкретные бизнес-задачи и мультиагентные режимы.

Сценарий в Veai — это заранее спроектированная цепочка шагов, где сложная задача превращается в управляемый процесс. Платформа берёт на себя самую трудоёмкую часть работы:

• проектирование агентских цепочек;
• подбор и валидацию промптов под разные LLM;
• адаптацию сценариев под конкретный проект и стек.

Примеры бизнес-задач:

• увеличение тестового покрытия;
• генерация и актуализация тестов;
• миграция Oracle → PostgreSQL;
• миграция библиотек / фреймворков;
• онбординг новых разработчиков;
• анализ и стабилизация flaky-тестов.

AI, которым можно управлять, а не просто пользоваться

Еще одно принципиальное отличие Veai — наличие полноценного слоя управления и аналитики. Большинство AI-ассистентов заканчиваются на уровне разработчика. Veai идёт дальше и даёт инструменты для CTO, техлидов и менеджеров.

Платформа позволяет:

• видеть, где AI действительно повышает эффективность, а где мешает;
• анализировать, какой процент сгенерированного кода и тестов принимается без правок;
• управлять сценариями: включать, отключать и адаптировать их под проекты;
• принимать решения не «на ощущениях», а на данных.

Фактически AI перестаёт быть чёрным ящиком и превращается в контролируемый элемент SDLC (Software Development Life Cycle).

Про компанию

Veai была основана в 2024 году как полностью новая компания, «в чистом поле», но командой с большим предыдущим опытом.

Основатель и CEO — Михаил Кудинов. До Veai он был сооснователем и акционером компании в сфере логистических систем планирования, которая более десяти лет работает на российском рынке и обслуживает крупных клиентов из ритейла и других отраслей.

Veai не является юридическим спин-оффом, но опирается на зрелую экспертизу команды:

• выходцы из JetBrains (IDE, инструменты для разработчиков, JetBrains Research, формальные методы);
• опыт создания и масштабирования B2B-продуктов;
• опыт внедрения решений в крупном enterprise.

Продукт бурно развивается с конца 2024 года: от закрытой MVP и alpha-версии до стабильной beta и выхода в публичное внедрение в ноябре 2025 года. На текущий момент около 30 крупных компаний находятся на стадии пилотов и внедрения, а суммарный DAU (Daily Active Users) достигает примерно 1000 пользователей.

Технический стек

Veai в первую очередь ориентирован на JetBrains-экосистему: IntelliJ IDEA, PyCharm, GoLand, Rider, WebStorm. Поддержка VS Code не является приоритетом, при этом планируется поддержка OpenIDE — российского форка IDE.

С точки зрения LLM базовой on-prem-моделью используется DeepSeek-V3.2 с возможностью fine-tuning. Через шлюз могут подключаться и другие модели — от российских до западных. Выбор конкретной LLM зависит от задачи, проекта и требований к безопасности.

Куда Veai движется дальше: взгляд в 2026 год

Команда Veai достаточно трезво смотрит на рынок. Универсальные ассистенты быстро устаревают, а качество моделей заметно меняется каждые полгода. Поэтому ставка делается не на «угадать будущее», а на адаптивность.

Ключевые направления развития:

• специализированные агенты вместо универсальных;
• мультиагентные сценарии как стандарт работы с AI. Работа с AI будет происходить не через чат, а через сценарии, встроенные в процессы разработки;
• AI-онбординг проектов, когда агент перед началом работы сам изучает структуру репозитория, библиотеки и контекст;
• осознанная работа с LLM и собственные бенчмарки под разные типы задач.

В этом смысле 2026 год — это не про «ещё умнее AI», а про инженерно управляемый AI, встроенный в реальные процессы разработки.

Сколько это стоит и за что платит enterprise

Лицензии

Базовая модель — per-user, на уровне типичных enterprise-инструментов для разработки:

• 2 800 ₽ в месяц за пользователя;
• 28 000 ₽ в год за пользователя.

Для компаний с повышенными требованиями к безопасности Veai разворачивается внутри контура заказчика. В этом случае добавляется стоимость backend-части и сопровождения.

Итоговая цена зависит от:

• уровня поддержки (8×5 или 24×7);
• количества пользователей;
• инфраструктуры и требований к отказоустойчивости.

Пилоты (только платные) — 950 000 ₽ на 1 месяц:

• безлимит лицензий в рамках проекта;
• выделенный специалист Veai full-time;
• ежедневный сбор метрик;
• адаптация сценариев;

Эффект будет виден уже через 2 недели.

Яркие кейсы: внедрение Veai в Компании А и Компании Б

Наиболее показательными кейсами стали внедрение продукта Veai у Компании А (крупный системный ИТ-интегратор федерального уровня, работающий с лидерами российского бизнеса) и Компании Б (крупная инвестиционно-финансовая группа, предоставляющая брокерские и финансовые сервисы, работающая в жёстком регуляторном контуре).
К сожалению, мы не можем называть эти компании по имени, но можем подробно рассказать об этих кейсах.

Use case был типовым для enterprise: ускорить разработку и тестирование в существующих монолитах и микросервисах, компенсировать дефицит QA-ресурсов и справиться с растущим объёмом AI-сгенерированного кода без потери контроля над качеством.

Выбор в пользу Veai был сделан по итогам сравнительного пилота. Клиенты уже использовали Cursor и рассматривали облачные ассистенты, но решающими стали три фактора:

• on-prem-развёртывание с закрытым контуром;
• лучшие показатели по автогенерации тестов и покрытию;
• понятный план внедрения с измеримыми метриками, а не подход «просто попробуйте плагин».

Veai не ломал существующие процессы, а аккуратно встроился в текущий SDLC. В разработке использовались сценарии генерации и правки кода, в тестировании — автогенерация unit- и API-тестов с доведением покрытия до целевых порогов, в отладке — сценарии исправления по логам и стектрейсам.

Часть рутинных шагов у разработчиков и тестировщиков была заменена управляемыми агентскими сценариями. Онбординг с участием команды Veai занял около 1–1,5 недель.

Метрики и эффект

По итогам внедрения были зафиксированы следующие показатели:

• рост эффективности разработчиков на 10–25% (примерно 2 часа в день на одного FTE);
• около 80% сгенерированных тестов принимаются без правок;
• ROI-модель — более $600K экономии в год на каждые 100 разработчиков;
• индекс удовлетворённости разработчиков — 82%.

Вместо вывода

Veai не продаёт «волшебный AI» и не пытается заменить разработчиков. Он делает более сложную и менее заметную работу — превращает AI в управляемый инженерный инструмент, который можно безопасно встроить в enterprise-разработку и измерить его реальный эффект.

Veai — это не «плагин, который выдали разработчикам». Помимо самого ассистента компания берёт на себя внедрение как проект:

• проектирует сценарии под конкретные задачи;
• адаптирует их под проекты и стек;
• обучает команды работать с инструментом правильно;
• сопровождает внедрение и помогает довести эффект до измеримых метрик.

И, судя по практике внедрений, именно такой подход сегодня начинает выигрывать у хайповых, но неконтролируемых решений.