Опубликовано: 17.06.2026 | Источник: OpenNET

Как использовать AI в коде: кейс Lutris для вашей дипломной работы

В марте 2026 года основной разработчик платформы Lutris — инструмента для запуска игр в Linux — открыто прокомментировал факт включения в кодовую базу изменений, созданных с помощью больших языковых моделей (LLM). Он подчеркнул: AI — не угроза, а инструмент, и проблема возникает только тогда, когда разработчик не понимает, что делает, или использует слабые модели.

Почему это важно для вас как студента, пишущего ВКР? Потому что вы стоите на пороге новой эпохи разработки, где генеративный ИИ уже не фантастика, а часть повседневной практики. Игнорировать это — значит устареть ещё до защиты. А использовать — шанс выделиться, показать актуальность и глубину анализа. В этой статье вы узнаете, как превратить этот кейс в сильную сторону своей дипломной работы, даже если вы не гейм-девелопер.

Темы ВКР, которые можно раскрыть на основе статьи

Вот три конкретные темы, которые можно использовать в ВКР по направлениям: программная инженерия, информационные системы, IT-менеджмент. Каждая из них опирается на реальный кейс и соответствует современным требованиям к актуальности.

1. Оценка влияния генеративного ИИ на качество кода в open-source проектах (на примере Lutris)

• Актуальность: Согласно статье, даже в серьёзных open-source проектах, таких как Lutris, начинают использовать AI-генерацию кода. Это вызывает вопросы: как это влияет на качество, безопасность и поддерживаемость? Тема особенно важна в свете роста популярности GitHub Copilot, CodeLlama и других инструментов.
• Цель исследования: Оценить влияние AI-генерации на качество исходного кода на примере реального проекта с открытым исходным кодом.
• Задачи:
  • Проанализировать коммиты в репозитории Lutris, связанные с использованием AI.
  • Сравнить метрики качества кода (сложность, покрытие тестами, количество багов) до и после внедрения AI-генерации.
  • Оценить риски (уязвимости, дублирование, нечитаемость) и преимущества (скорость, производительность).
  • Разработать рекомендации по безопасному использованию ИИ в open-source.
• Возможная структура работы:
  • Глава 1 – Анализ современных подходов к генерации кода с помощью ИИ
  • Глава 2 – Исследование влияния AI на качество кода в Lutris
  • Глава 3 – Разработка методики оценки и рекомендаций по внедрению

2. Интеграция ИИ-ассистентов в процесс разработки ПО: опыт и риски (на примере Lutris)

• Актуальность: Кейс Lutris показывает, что AI уже не просто эксперимент, а часть рабочего процесса. Тема актуальна для студентов, изучающих управление IT-проектами и методологии разработки (Agile, DevOps).
• Цель исследования: Выявить факторы успешной и неудачной интеграции ИИ-ассистентов в командную разработку.
• Задачи:
  • Изучить публичные комментарии разработчиков Lutris и других проектов по использованию ИИ.
  • Проанализировать, на каких этапах (рефакторинг, отладка, написание документации) ИИ применяется чаще.
  • Оценить влияние на производительность труда и качество коммуникации в команде.
  • Разработать модель внедрения ИИ-ассистентов в учебный или промышленный процесс.
• Возможная структура работы:
  • Глава 1 – Обзор ИИ-инструментов для разработчиков и их роль в SDLC
  • Глава 2 – Анализ практик внедрения в open-source (Lutris, VS Code, JetBrains)
  • Глава 3 – Проектирование и тестирование модели интеграции в учебном проекте

3. Этические и юридические аспекты использования ИИ-генерации кода в коммерческих и open-source проектах

• Актуальность: Кейс Lutris поднимает вопросы: кто несёт ответственность за код, сгенерированный ИИ? Можно ли его использовать в коммерческих продуктах? Соответствует ли он лицензиям (например, GPL)? Это особенно важно в контексте ГОСТ Р ИСО/МЭК 25010 и требований к безопасности ПО.
• Цель исследования: Сформулировать правовые и этические рамки использования ИИ-генерации кода.
• Задачи:
  • Проанализировать действующее законодательство (РФ, ЕС, США) в части авторского права на ИИ-контент.
  • Изучить позиции крупных компаний (Google, Microsoft, Red Hat) по использованию ИИ в коде.
  • Оценить риски нарушения лицензий open-source при использовании ИИ.
  • Разработать рекомендации для разработчиков и компаний.
• Возможная структура работы:
  • Глава 1 – Правовые основы авторства и лицензирования программного кода
  • Глава 2 – Анализ рисков при использовании ИИ-генерации в open-source (на примере Lutris)
  • Глава 3 – Разработка этического кодекса и правовых рекомендаций

Как использовать этот кейс в аналитической главе

Анализ рынка или современных решений

Во второй главе вашей ВКР (аналитической) вы можете использовать кейс Lutris как живой пример трансформации разработки ПО. Это не просто «ещё один проект», а инструмент, которым пользуются тысячи пользователей, и его разработчики — практики, а не теоретики.

Пример вставки в текст:

Рост использования ИИ-инструментов в разработке подтверждается не только статистикой GitHub (2025), но и позицией ведущих разработчиков open-source проектов. Например, в марте 2026 года главный разработчик Lutris заявил, что использование ИИ в коде проекта — не проблема, если разработчик понимает, что делает. Это указывает на переход от экспериментов к системному внедрению ИИ в рабочие процессы (OpenNet, 2026).

Такой пример делает ваш анализ конкретным и современным, а не абстрактным пересказом теории.

Обоснование актуальности

Во введении вы можете усилить аргументацию актуальности, ссылаясь на этот случай:

Актуальность темы обусловлена активным внедрением ИИ в практику разработки ПО. Так, в 2026 году в open-source проект Lutris были включены изменения, созданные с помощью больших языковых моделей. Это свидетельствует о переходе ИИ из экспериментального режима в промышленное использование, что требует новых подходов к оценке качества, безопасности и этики кода.

Такой ход показывает, что вы следите за реальными событиями в индустрии, а не только за учебниками.

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Если вы пишете проектную часть (например, разрабатываете собственное ПО), вы можете смоделировать использование ИИ в своём процессе. Например:

• Используйте GitHub Copilot или CodeLlama для генерации части кода.
• Зафиксируйте, какие фрагменты были сгенерированы, какие — исправлены.
• Оцените, сколько времени сэкономлено, и включите это в анализ.

Важно: Не скрывайте это. Напротив — выделите как инновационный элемент. В пояснительной записке укажите:

Некоторые фрагменты кода (например, обработка конфигурационных файлов, генерация SQL-запросов) были созданы с помощью ИИ-ассистента GitHub Copilot. Все сгенерированные блоки были проверены на корректность, безопасность и соответствие архитектуре проекта. Подход соответствует современным практикам разработки, подтверждённым, в частности, позицией разработчиков Lutris (OpenNet, 2026).

Такой подход покажет вашу профессиональную зрелость и понимание трендов.

Пример архитектуры с ИИ-компонентом

Вы можете предложить архитектуру системы, где ИИ-ассистент — часть CI/CD пайплайна. Например:

Такой подход можно описать в главе «Проектирование» и обосновать ссылкой на практику Lutris.

Экономические расчёты — как учесть новые данные

В экономической главе вы можете оценить экономию времени за счёт использования ИИ. Например:

• По данным исследований, ИИ-ассистенты экономят до 30–50% времени на написание кода.
• Если ваш проект — 1000 строк кода, а средняя стоимость строки — 50 руб., то экономия может составить до 25 000 руб.
• Включите это в расчёт трудозатрат и окупаемости.

Формула:

Экономия = (T_без_ИИ - T_с_ИИ) × Ставка_разработчика

Где:

• T_без_ИИ — оценка времени без ИИ (по нормативам)
• T_с_ИИ — фактическое время с ИИ
• Ставка_разработчика — средняя часовая ставка (например, 1500 руб/час)

Это делает вашу работу практически значимой и показывает, что вы умеете считать эффективность.

Чему вы научитесь

Если вы возьмёте одну из предложенных тем и проработаете её с опорой на кейс Lutris, вы:

• Научитесь анализировать реальные кейсы из IT-индустрии и применять их в ВКР.
• Освоите методы оценки качества кода и влияния новых технологий.
• Поймёте, как обосновывать актуальность с помощью свежих данных.
• Научитесь интегрировать ИИ в разработку без потери контроля.
• Сможете аргументировать этические и правовые позиции в технических работах.

Это не просто диплом — это ваш первый шаг в профессиональное сообщество разработчиков.

FAQ

Можно ли использовать ИИ при написании ВКР? Это не будет считаться плагиатом?

Да, можно, но с оговорками. ИИ может помочь с формулировками, структурой, черновиками. Однако финальный текст должен быть вашим. Все идеи, логика, выводы — под вашей ответственностью. Использование ИИ для генерации кода в приложении — не только можно, но и приветствуется, если вы это документируете. Главное — как сказал разработчик Lutris: вы должны понимать, что делаете.

Где взять данные по использованию ИИ в Lutris?

Начните с оригинальной статьи. Затем зайдите в репозиторий Lutris на GitHub и поищите коммиты с упоминанием "AI", "generated", "LLM". Также изучите обсуждения в Issues и Pull Requests. Это даст вам первичные данные для анализа.

Подойдёт ли тема про ИИ для защиты в техническом вузе?

Абсолютно. Темы, связанные с ИИ, автоматизацией, качеством ПО, востребованы в любом техническом вузе. Особенно если вы опираетесь на реальные кейсы и ГОСТы (например, ГОСТ Р ИСО/МЭК 25010 — качество ПО). Главное — чётко сформулируйте цель и задачи, и покажите, что вы не просто следите за трендами, а анализируете их.

Как проверить, что сгенерированный ИИ код безопасен?

Используйте статические анализаторы: SonarQube, CodeQL, Bandit (для Python). Проводите ручной ревью. Тестируйте на уязвимости (например, через OWASP ZAP). В своей работе вы можете описать этот процесс как часть методики. Как в Lutris: ИИ — инструмент, но контроль — за человеком.

Источник: Главный разработчик Lutris прокомментировал появление в проекте кода, созданного через AI (опубликовано 2026-03-12)