AI landscape of software engineering
Artificial intelligence is becoming an integral part of modern software engineering, expanding the possibili ties of automation, optimization and support of technical solutions throughout the software life cycle. The article proposes a methodology for defining artificial intelligence tools for solvi...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
PROBLEMS IN PROGRAMMING
2026
|
| Теми: | |
| Онлайн доступ: | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1021 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Problems in programming |
| Завантажити файл: |  |
Репозитарії
Problems in programming| _version_ | 1869381591039475712 |
|---|---|
| author | Nesterenko, O.V. Fedorov, V.V. Yatsuk, P.P. |
| author_facet | Nesterenko, O.V. Fedorov, V.V. Yatsuk, P.P. |
| author_institution_txt_mv | [
{
"author": "O.V. Nesterenko",
"institution": "International European University"
},
{
"author": "V.V. Fedorov",
"institution": "International European University"
},
{
"author": "P.P. Yatsuk",
"institution": "International European University"
}
] |
| author_sort | Nesterenko, O.V. |
| baseUrl_str | https://pp.isofts.kiev.ua/index.php/ojs1/oai |
| collection | OJS |
| datestamp_date | 2026-06-29T10:43:50Z |
| description | Artificial intelligence is becoming an integral part of modern software engineering, expanding the possibili ties of automation, optimization and support of technical solutions throughout the software life cycle. The article proposes a methodology for defining artificial intelligence tools for solving software engineering problems. The basis of this methodology is a system structuring based on the knowledge areas of the new version of the international manual SWEBOK V4 and a set of certain types of processes or activities (Top ics), which consist of knowledge areas. The main areas (six areas for software development) and auxiliary organizational areas (six areas that provide engineering and management of software development) were se lected for structuring. The application of such artificial intelligence models and algorithms in software engi neering as machine learning (ML), deep learning (DL), large language models (LLM), natural language pro cessing (NLP), Generative AI, graph algorithms, metaheuristics and optimization algorithms, expert systems and process analytics is considered. As a result, a general ontology of the AI landscape of software engi neering is built. A map of the application of AI in software engineering is considered in detail, which re flects the correspondence between SWEBOK knowledge areas, processes, AI technologies and tools. The proposed cartography demonstrates three important principles of integrating AI into software engineering: technological level; process level and instrumental level. This approach allows you to systematize the use of AI, avoid fragmented implementation of technologies, and also assess the level of intellectualization of de velopment processes. Separately, the article discusses the AI-Driven Software Engineering Maturity Model, which was created to help enterprises and organizations assess and improve their efforts to integrate AI and SE. The results of the study can be used to transform this symbiosis from an idea into a working paradigm, in particular, taking into account the reliability, explainability and ethical aspects of using AI. Problems in programming 2026; 2: 4-15 |
| first_indexed | 2026-06-30T01:00:10Z |
| format | Article |
| fulltext |
Штучний інтелект
4
УДК 004.4:004.8 https://doi.org/10.15407/pp2026.02.004
О.В. Нестеренко, В.В. Федоров, П.П. Яцук
АІ-ЛАНДШАФТ ПРОГРАМНОЇ ІНЖЕНЕРІЇ
Штучний інтелект стає невід’ємною частиною сучасної програмної інженерії, розширюючи можли-
вості автоматизації, оптимізації й підтримки технічних рішень протягом усього життєвого циклу
програмного забезпечення. У статті запропоновано методологію визначення інструментарію штучно-
го інтелекту для вирішення задач програмної інженерії. Базою цієї методології є системна структури-
зація на основі галузей знань (Knowledge Area) нової версії міжнародного посібника SWEBOK V4 та
сукупності певних типів процесів або діяльності (Topics), з яких складаються галузі знань. Для стру-
ктуризації вибрано головні області (шість областей для розроблення ПЗ) та допоміжні організаційні
сфери (шість областей, що забезпечують інженерію та керування розробкою ПЗ) . Розглянуто засто-
сування в програмній інженерії таких моделей і алгоритмів штучного інтелекту як машинне на-
вчання (ML), глибинне навчання (DL), великі мовні моделі (LLM), обробка природної мови (NLP),
генеративний ШІ (Generative AI), графові алгоритми, метаевристики та оптимізаційні алгоритми,
експерті системи та аналітика процесів. У результаті побудовано загальну онтологію АІ-ландшафту
програмної інженерії. Детально розглянуто карту застосування ШІ в програмній інженерії, яка відо-
бражає відповідність між галузями знань SWEBOK, процесами, ШІ-технологіями та інструментами.
Запропонована картографія демонструє три важливі принципи інтеграції AI в програмну інженерію:
технологічний рівень; процесний та інструментальний рівні. Такий підхід дозволяє систематизувати
використання ШI, уникнути фрагментарного впровадження технологій, а також оцінювати рівень ін-
телектуалізації процесів розробки. Окремо в статті розглянуто модель зрілості для впровадження
штучного інтелекту в галузі програмної інженерії (AI-Driven Software Engineering СММ), яка створе-
на для допомоги підприємствам та організаціям оцінити й вдосконалити свої зусилля з інтеграції ШІ
та програмної інженерії. Результати дослідження можуть бути використані для перетворення цього
симбіозу з ідеї на робочу парадигму, зокрема, з урахуванням надійності, пояснюваності та етичних
аспектів використання ШІ.
Ключові слова: штучний інтелект, SWEBOK, моделі і алгоритми, модель зрілості, програмне забез-
печення, людино-машинна взаємодія.
O.V. Nesterenko, V.V. Fedorov, P. P. Yatsuk
AI LANDSCAPE OF SOFTWARE ENGINEERING
Artificial intelligence is becoming an integral part of modern software engineering, expanding the possibili-
ties of automation, optimization and support of technical solutions throughout the software life cycle. The
article proposes a methodology for defining artificial intelligence tools for solving software engineering
problems. The basis of this methodology is a system structuring based on the knowledge areas of the new
version of the international manual SWEBOK V4 and a set of certain types of processes or activities (Top-
ics), which consist of knowledge areas. The main areas (six areas for software development) and auxiliar y
organizational areas (six areas that provide engineering and management of software development) were se-
lected for structuring. The application of such artificial intelligence models and algorithms in software engi-
neering as machine learning (ML), deep learning (DL), large language models (LLM), natural language pro-
cessing (NLP), Generative AI, graph algorithms, metaheuristics and optimization algorithms, expert systems
and process analytics is considered. As a result, a general ontology of the AI landscape of software engi-
neering is built. A map of the application of AI in software engineering is considered in detail, which re-
flects the correspondence between SWEBOK knowledge areas, processes, AI technologies and tools. The
proposed cartography demonstrates three important principles of integrating AI into software engineering:
technological level; process level and instrumental level. This approach allows you to systematize the use of
AI, avoid fragmented implementation of technologies, and also assess the level of intellectualization of de-
velopment processes. Separately, the article discusses the AI-Driven Software Engineering Maturity Model,
which was created to help enterprises and organizations assess and improve their efforts to integrate AI and
SE. The results of the study can be used to transform this symbiosis from an idea into a working paradigm,
in particular, taking into account the reliability, explainability and ethical aspects of using AI.
Keywords: artificial intelligence, SWEBOK, models and algorithms, maturity model, software, human-
machine interaction.
© О.В. Нестеренко, В.В. Федоров, П. П. Яцук, 2026
ISSN 1727-4907. Проблеми програмування. 2026. №2
https://pp.isofts.kiev.ua
CC BY 4.0
Штучний інтелект
5
Вступ
Використання у різних сферах дія-
льності засобів на основі технологій штуч-
ного інтелекту (ШІ) стрімко зростає. Не
оминули нові підходи й вирішення задач
програмної інженерії (ПІ). ШІ стає не-
від’ємною частиною сучасної програмної
інженерії, розширюючи можливості авто-
матизації, оптимізації й підтримки техніч-
них рішень протягом усього життєвого ци-
клу програмного забезпечення (ПЗ). Засто-
сування таких технологій, як машинне на-
вчання (ML), глибинне навчання (DL), ве-
ликі мовні моделі (LLM) та обробка при-
родної мови (NLP) вже змінило традиційні
підходи до розробки ПЗ. Результатом ста-
ло визначення перспективних напрямків
застосування ШІ для покращення якості
програмного забезпечення як от управлін-
ня життєвим циклом розробки ПЗ, прогно-
зування помилок/дефектів та оцінки зу-
силь, інтелектуалізація програмної інже-
нерії в управлінні кодом, обробка природ-
ної мови в інженерії вимог, а також пошук
даних з репозиторіїв програмного забезпе-
чення [1]. Найпоширеніше використання
ШІ охоплює такі фази ПІ, як вимоги, проє-
ктування, розробка, тестування, випуск та
обслуговування [2].
Застосування технологій штучного
інтелекту для вирішення проблем програ-
мної інженерії не є виключно новою тен-
денцією, а радше результатом багаторіч-
них зусиль спільноти програмної інженерії
з розробки автоматизованих та інтелектуа-
льних інструментів та фреймворків для за-
безпечення ефективного досвіду розробки
ПЗ [3]. У програмній інженерії відбуваєть-
ся зміна парадигм, і саме системи штучно-
го інтелекту відіграють дедалі важливішу
роль у підвищенні продуктивності цих
процесів. Основне питання, яке повинні
вирішувати як дослідницька спільнота ШІ,
так і програмної інженерії полягає у тому,
як синергетично інтегрувати новий «обчи-
слювальний інтелект» та людський інте-
лект [4].
Варто зазначити, що через свою
«чорну скриньку» ці перспективні моделі
та технології на основі ШІ все ще далекі
від практичного впровадження в програм-
ній інженерії. Зокрема, ШІ викликає багато
занепокоєнь щодо його відповідального
використання. Результати багатьох дослі-
джень свідчать не лише про зростаючу ін-
теграцію ШІ в різні галузі людської діяль-
ності, а й вказують, у першу чергу, на збі-
льшення уваги до етичних та правових ас-
пектів використання ШІ [5]. Відсутність
пояснень у рішеннях, що пропонує ШІ,
створює небажані ризики для їхнього за-
стосування в критично важливих завдан-
нях ПІ, таких, наприклад, як виявлення
вразливостей, де прозорість ухвалення рі-
шень має першорядне значення [6]. У
зв’язку із цим існує потреба зрозуміти та
розробити принципи того, що передбачає
відповідальна розробка ПЗ на практиці, а
також ретельно оцінити результативність
впровадження інструментів та методів ШІ
в програмну інженерію [7].
Хоча чимало досліджень підкрес-
люють вагому роль автоматизації на базі
ШІ у покращенні ухвалення рішень, опти-
мізації робочих процесів та скороченні ча-
су розробки, однак звертається увага на те,
шо саме традиційні методології все ще за-
безпечують структуру, відповідність та
надійність. Тому вважається, що майбутнє
за гібридною моделлю, яка поєднує тради-
ційні підходи з автоматизацією на основі
ШІ [8].
Отже, епоха Software Engineering
2.0, пов’язана з розвитком мікроелектро-
ніки, поширенням Інтернету та впрова-
дженням методологій командної роботи
відходить у минуле. Інтеграція ШІ в про-
грамну інженерію відкриває перспективи
нової ери Software Engineering 3.0, що має
величезний потенціал для підвищення
ефективності та якості ПЗ. Технології ШІ
несуть переосмислення традиційних прак-
тик розробки програмного забезпечення,
революціонізують програмну інженерію,
впроваджуючи інтелектуальну автомати-
зацію у життєвий цикл ПЗ [9].
Хоча за останні роки відбувся знач-
ний прогрес у перетині програмної інже-
нерії та штучного інтелекту, щоб перетво-
рити цей симбіоз з ідеї на робочу парадиг-
му необхідні значні дослідницькі зусилля,
зокрема щодо надійності, пояснюваності
та етичних аспектів використання ШІ.
Штучний інтелект
6
Методика визначення
AI-інструментарію
Розглядаючи питання визначення
AI-інструментарію для застосування в
програмній інженерії, доцільно виходити з
того, що ПІ як інженерна дисципліна – це
сукупність прийомів виконання діяльнос-
ті, пов’язаної з виготовленням програм-
них продуктів і систем (ППС) для різних
видів цільових об’єктів із застосуванням
різних методів, засобів та інструментів як
складових програмної інженерії. З інже-
нерної точки зору в ПІ розв’язуються за-
дачі розробки ПЗ та виготовлення ППС,
подані як технологічні процеси форму-
вання вимог, проєктування і супроводу
продукту, а також перевірки операцій ба-
зового процесу щодо правильності вико-
нання різних функціональних задач та ви-
конання робіт за проєктом.
Основні необхідні компетентності в
професійній практиці програмної інже-
нерії як сфері діяльності з розробки ПЗ ба-
зуються на міжнародних рекомендацій-них
документах з програмної інженерії. Осно-
вним з них є ядро знань ПІ – посіб-ник
SWEBOK (Software Engineering Body of
Knowledge). Це набір теоретичних кон-
цепцій і формальних визначень методів і
засобів розробки та керування програм-
ними проектами, які можуть застосовува-
тися в інженерії програмування. Почина-
ючи з пробної версії, опублікованої 2001
року, версії 2004 року та широкого вико-
ристання версії 2014 року (SWEBOK V3)
цей посібник в межах спільноти розробни-
ків програмного забезпечення відіграє ва-
жливу роль як флагманський основополо-
жний та структурний документ для ство-
рення програмних продуктів.
Метою розробки оновлення цього
посібника 2025 року (SWEBOK V4) є по-
кращення його актуальності, читабельнос-
ті, узгодженості та зручності використан-
ня, формування єдиної концептуальної
основи для організації, управління та вдо-
сконалення процесів створення ПЗ. Зміст
нової версії цього посібника зріс уже до
18 галузей знань (Knowledge Area), кожна
з яких відповідає сукупності певних типів
процесів або діяльності (Topics).
Понятійний апарат галузей знань
(областей) SWEBOK можна умовно поді-
лити на головні (шість областей для роз-
роблення ПЗ), допоміжні організаційні
області (шість областей, що забезпечують
інженерію та керування розробкою ПЗ) та
базові галузі знань.
Головні галузі – це Вимоги до ПЗ
(Software Requirements), Архітектура ПЗ
(Software Architecture), Проєктування ПЗ
(Software Design), Конструювання ПЗ
(Software Construction), Тестування ПЗ
(Software Testing) та Супровід ПЗ
(Software Maintenance). Допоміжні – це
Операції програмної інженерї (Software
Engineering Operations), Керування конфі-
гурацією ПЗ (Software Configuration
Management), Процес програмної інжене-
рії (Software Engineering Process), Моделі
та методи інженерії ПЗ (Software
Engineering Models and Methods), Управ-
ління програмною інженерією (Software
Engineering Management) та Якість ПЗ
(Software Quality).
Враховуючи, що SWEBOK відіграє
ключову роль у формуванні системного
підходу до виробництва програмних про-
дуктів, забезпечуючи структуровану мо-
дель знань, яка підтримує організацію,
управління та вдосконалення процесів ПІ,
вважається за доцільне спиратися на за-
пропоновану в SWEBOK структуризацію
для визначення інструментарію штучного
інтелекту, що знаходить застосування в
програмній інженерії. Такий підхід дозво-
ляє пов’язати AI-технології з конкретни-
ми сферами діяльності в ПІ, системно ви-
значити, де саме і які AI-інструменти мо-
жуть бути використані.
Таким чином методика визначення
AI-інструментарію полягає у реалізації
кількох кроків:
а) ідентифікація галузі знань за
SWEBOK,
б) аналіз ключових процесів на ос-
нові топіків,
в) визначення задач автоматизації
за допомогою ШІ,
г) відбір відповідних AI-технологій
(моделей і алгоритмів),
д) визначення конкретних інстру-
ментів.
Штучний інтелект
7
Використання SWEBOK як мето-
дологічної основи визначення AI-
інструментарію має низку переваг, як от
забезпечення повноти аналізу завдяки
охопленню всіх аспектів програмної ін-
женерії, системність через чітку класифі-
кацію застосувань AI, порівнюваність че-
рез можливість оцінювання різних ін-
струментів, нарешті, узгодженість із
міжнародними стандартами.
АІ моделі і алгоритми
Серед моделей штучного інтелекту
основним вважається машинне навчання
(Machine Learning – ML), що вже тривалий
час розвивається й успішно застосо-
вується в різних галузях. В останні роки
використання методів машинного навчан-
ня стало одним з основних і для вирі-
шення багатьох завдань програмної інже-
нерії (ML4SE). Типовими серед них є про-
гнозування дефектів, аналіз якості коду,
оцінювання ризиків проєкту, оптимізація
процесів розробки. Цього було досягнуто
завдяки використанню найсучасніших мо-
делей ML, які, як правило, є складнішими
та нестандартними. Однак їх вико-
ристання призводить до отримання менш
з’ясованих рішень, що знижує довіру про-
фесіоналів галузі до використання рішень
ML4SE. Одним з потенційних напрямків
для зниження негативу відсутньої поясни-
вості є пропонування з’ясованих методів
штучного інтелекту (explainable AI – XAI).
На цей підхід (XAI4SE) на сьогодні знач-
ною мірою звертається увага у спільноті
програмної інженерії [10].
Подальший розвиток машинного нав-
чання, пов’язаний із навчанням з підкріп-
ленням (Reinforcement Learning – RL) та
глибинним навчанням (Deep Learning – DL),
а також глибинним навчанням з підкріплен-
ням (DRL) на сучасному етапі відіграє важ-
ливу роль у створенні просунутих засобів
ШІ. Ці моделі успішно використовуються й
для автоматизації складних завдань програ-
мної інженерії, таких як тестування ігор,
вирішення задач планування робіт, а також
для навчання ефективної та економічно ви-
гідної поведінки в різних середовищах спе-
ціалізованих програмних агентів [11].
Застосування вищезазначених моде-
лей забезпечило розвиток напряму оброб-
ки природної мови (Natural Language
Processing – NLP), шо відчутно спростило
практику ПІ в автоматизації класифікації
вимог, аналізі настроїв користувачів та уп-
равлінні проєктами, зокрема й щодо су-
провіду програмного забезпечення [12].
Типовими задачами, що вирішуються на
основі NLP є аналіз текстових вимог, ге-
нерація документації, пошук невідповідно-
стей у специфікаціях, аналіз технічної до-
кументації тощо.
Безумовно, на сьогодні найпопуляр-
нішим є впровадження інструментів штуч-
ного інтелекту на основі великих мовних
моделей (Large Language Models – LLM).
Результати показують, що дослідники ПІ
також визнають перевагу внеску LLM, од-
нак лише коли ці моделі застосовується до
невеликих, вузькоспеціалізованих та пере-
вірюваних завдань, а не до складних, що
не мають запланованого завершення і мо-
жуть розвиватися кількома способами
(open-ended tasks). LLM використовується
як додатковий інструмент до традиційних
методів програмної інженерії щодо таких
завдань з високими ставками, які потре-
бують справжніх людських зусиль та емо-
ційної відданості [13].
Також необхідно зазначити, що для
моделей ШІ, в тому числі і LLM, головною
потребою є дані. Ефективність цих моде-
лей залежить від максимізації джерел ви-
сокоякісних даних. Однак дані, особливо
високої якості, часто мають комерційну
або конфіденційну цінність, що робить їх
менш доступними для застосування засо-
бів ШІ в програмних проєктах, особливо в
проєктах створення ПЗ з відкритим кодом.
Ця реальність створює значну перешкоду
для розробки та впровадження інструмен-
тів на основі ШІ в спільноті ПІ [14].
Серйозними задачами програмної
інженерії є перевірки коду. У цьому за
своєю суттю людиноцентричному процесі
важливо зрозуміти, як інженерам-
програмістам орієнтуватися у впрова-
дженні ШІ у спільні з ним робочі процеси,
адже діяльність із перевірки коду є багато-
вимірною, охоплюючи когнітивні, емоцій-
ні та поведінкові виміри. Впровадження
Штучний інтелект
8
перевірок за допомогою LLM впливає на
деякі з цих атрибутів. Наприклад, у роботі
з LLM потреба в емоційній регуляції та
механізмах подолання стає меншою, однак
когнітивне навантаження іноді вище, зок-
рема, під час роботи зі зворотним зв'язком,
згенерованим LLM, через його надмірну
деталізацію. Водночас сприйняття зворот-
ного зв'язку від LLM обмежене недовірою
та відсутністю пояснювального контексту
в перевірці [15].
Перспективним напрямком є засто-
сування в програмній інженерії багатоа-
гентних автономних систем (Multi-agent
autonomous systems – MAS), які краще
справляються із завданнями, що охоплю-
ють кілька сфер, ніж окремі автономні
агенти. Сучасні дослідження MAS в ПІ
зосереджені на інтеграції LLM в ядро ав-
тономних агентів для створення багатоа-
гентних систем. Однак впровадження та-
ких систем створює безліч проблем, серед
яких однією з основних є стратегічний
розподіл завдань між людьми та MAS на-
дійним чином [16].
Отже, LLM розширюють дослідни-
цькі можливості в галузі ПІ завдяки прис-
кореному генеруванню ідей та автомати-
зованим процесам, роблячи деякі тради-
ційні практики застарілими. Однак люди-
ноцентрична перспектива залишається ва-
жливою. Забезпечення людського нагляду
та інтерпретації необхідне для підтримки
наукової точності, сприяння етичній від-
повідальності та стимулювання прогресу в
цій галузі [17].
В програмній інженерії як суттєвий
чинник розглядається вплив поточного
стану команди розробників на процеси ро-
зробки програмного забезпечення. Визна-
чається, що управління проєктами має ба-
зуватися не лише на його параметрах та
моделі предметної області як основи бази
знань для підтримки управлінських рі-
шень, а й на особистісних характеристиках
програмістів відповідно до методології
групової динаміки та комунікацій [18]. У
нових умовах вже просліджується команд-
на робота людина-машина (Human-machine
teaming - HMT), тобто взаємодія людей і
машини як членів команди. Цей підхід
може бути корисним у ШІ4SE, але питання
впливу HMT на ефективність команди
отримали ще мало уваги у спільноті про-
грамної інженерії [19].
Емерджентні властивості LLM прив-
носять новизну та креативність у застосу-
вання в усьому спектрі діяльності програ-
мної інженерії, включаючи кодування,
проєктування, вимоги, виправлення, рефа-
кторинг, покращення продуктивності, до-
кументацію та аналітику. Однак ці ж емер-
джентні властивості створюють і значні
технічні проблеми. Потрібні методи, які
можуть надійно виявляти неправильні рі-
шення, притаманні LLM, такі як галюци-
нації. Тому ключову роль у розробці та
впровадженні надійних, ефективних та ре-
зультативних методів ПІ на основі LLM
мають відігравати гібридні методи (тради-
ційна ПІ плюс LLM) [20].
Досягнення в сфері LLM привели
до широкого поширення генеративного ШІ
(Generative AI), або чат-ботів великих мо-
вних моделей. В галузі програмної інжене-
рії використання генеративного ШІ також
може бути корисним інструментом, адже
за його допомогою можливо підтримувати
всі фази розробки програмного забезпе-
чення, вирішуючи такі типові задачі як
аналіз вимог, генерація програмного коду,
створення тестів, автоматичне створення
прототипів, генерація API та документації
[21]. Завдяки використанню генеративних
моделей, таких як попередньо натреновані
трансформери (GPT), система здатна ро-
зуміти складні запити користувачів, підт-
римувати контекстну зв’язність у розмовах
і автономно виконувати завдання з мініма-
льним втручанням людини [22]. Однак,
можуть виникнути й різні проблеми, зок-
рема щодо правдивості відповідей, напри-
клад, згенерованих ChatGPT. Це потрібує
додатковиї засобів для виявлення некорек-
тностей у відповідях [23].
Оцінюючи інструменти генеративно-
го ШІ на основі таких критеріїв, як зруч-
ність використання, ефективність та інтег-
рація в існуючі робочі процеси, дослі-
дження підкреслюють важливість співпра-
ці людини та ШІ. Припускається, що хоча
генеративний ШІ може суттєво підтриму-
вати завдання розробки програмного за-
безпечення, залишаються важливими люд-
Штучний інтелект
9
ський нагляд та критична оцінка результа-
тів, створених ШІ [24].
Для ефективного розв’язання реа-
льних задач програмування перспективни-
ми методами є застосування за допомогою
штучного інтелекту графових алгоритмів
та структур даних. Типовими задачами, що
вирішуються, є аналіз структури програм-
них систем, дослідження залежностей між
компонентами, аналіз конфігурацій,
impact-analysis змін. У конструюванні ефе-
ктивних і оптимізованих рішень для конк-
ретної проблеми ПІ важливим є акцент на
практичну імплементацію алгоритмів, що
особливо актуально для систем із велики-
ми обсягами даних (Big Data, фінансові
або медичні системи).
Також ефективність у вдосконаленні
таких завдань ПІ, як управління проєктами,
прогнозування розташування функцій та
дій з модифікації програмного забезпечен-
ня демонструють метаевристики та оптимі-
заційні алгоритми, підвищуючи точність та
ефективність у цих завданнях [12]. Також
типовими задачами можуть бути оптиміза-
ція архітектур, оптимізація тестових набо-
рів, оптимізація планування розробки.
Не залишаються поза увагою й засто-
сування ШІ в таких інструментах, як
Process Mining, експерті системи та аналі-
тика процесів. Типові задачі – аналіз про-
цесів розробки ПЗ, оцінювання зрілості
процесів, вдосконалення SDLC, управлін-
ня змінами, зокрема в таких SWEBOK-
областях як базовий процес програмної
інженерії, управління проєктами, управ-
ління конфігурацією тощо.
Експертні методи, які певною мірою
дають змогу вирішувати поставлені задачі,
доцільні для вирішення багатокритеріаль-
них задач, що зазвичай викликають значні
когнітивні навантаження. Однією з таких,
зокрема, є задача ранжування вимог. Вва-
жається, що для ухвалення рішень у такому
середовищі в сучасних умовах цифровіза-
ції перспективним є забезпечення підтрим-
ки рішень на основі вичерпного подання
інформаційної моделі предметної області та
опрацювання за допомогою інформаційних
технологій кількісних оцінок альтернатив.
Також важливою можливістю сучасних те-
хнологій є забезпечення візуалізації проце-
сів, пов’язаних з ухваленням рішень [25].
Ці задачі якнайкраще розв’язуються із за-
стосуванням засобів ШІ.
Отже, штучний інтелект більше не є
футуристичною концепцією. Сьогодні це
множина щоденних інструментів у наборі
засобів сучасних розробників ПЗ. Почи-
наючи від GitHub Copilot, OpenAI Codex
до автоматизованих фреймворків ці ін-
струменти призначені для підвищення
продуктивності розробника, гарантування
найвищої якості програмного забезпечення
та скорочення часу виведення продукту на
ринок. Тематичні дослідження відомих те-
хнологічних компаній демонструють сут-
тєві покращення ефективності та надійно-
сті в результаті використання інструментів
на базі ШІ, що підвищує впевненість у ро-
зробці інтелектуальних, масштабованих та
адаптивних програмних систем [26].
Таким чином, загальну онтологію
АІ-ландшафту програмної інженерії можна
представити рис. 1.
Картографія застосування AI
в програмній інженерії
SWEBOK організовує знання про-
грамної інженерії у вигляді галузей знань
(Knowledge Areas), кожна з яких відповідає
певному типу процесів або діяльності.
Спираючись на цю структуру, можна за-
стосувати картографічний підхід.
На основі структури SWEBOK мо-
жна сформувати карту застосування AI в
програмній інженерії, яка відображає від-
повідність між галузями знань, процесами,
AI-технологіями, інструментами. Такий
підхід дозволяє систематизувати викорис-
тання AI, уникнути фрагментарного впро-
вадження технологій, а також оцінювати
рівень інтелектуалізації процесів розробки.
Системно карту застосування шту-
чного інтелекту в програмній інженерії
доцільно будувати на основі структури га-
лузей знань, визначених у SWEBOK Guide
як багаторівневу модель, що складається з
таких рівнів як сфери діяльності, типи за-
дач, технології AI та практичні інструмен-
ти (табл. 1).
Штучний інтелект
10
Рис. 1. Онтологія АІ-ландшафту програмної інженерії
Моделі і алгоритми
Штучний інтелект
11
Таблиця 1.
Карта застосування AI в програмній інженерії
№
з/п
Область знань програ-
мної інженерії
Основні задачі AI-технології Приклади інструментів
1. Інженерія вимог Аналіз вимог, вияв-
лення неоднозначнос-
тей, трасування
NLP, класифікація
тексту, knowledge
graphs
ChatGPT-подібні сис-
теми, вимогові аналіза-
тори
2. Архітектура і проєкту-
вання ПЗ
Архітектурні рішення,
моделювання, вибір
патернів
Рекомендаційні
системи, генерати-
вні моделі
AI-архітектурні поміч-
ники
3. Конструювання ПЗ Програмування, рефа-
кторинг, генерація ко-
ду
Великі мовні мо-
делі, deep learning
GitHub Copilot
4. Тестування ПЗ Генерація тестів, вияв-
лення дефектів
ML-класифікація,
генеративні моделі
SonarQube
5. Супровід ПЗ Локалізація дефектів,
модернізація систем
Defect prediction,
code analysis
AI bug prediction
systems
6. Управління конфігу-
рацією
контроль версій,
merge-конфлікти
аналіз репозиторі-
їв, графові моделі
Git
7. Базовий процес ПІ оцінювання та вдоско-
налення процесів
process mining,
ML-аналітика
AI-process analytics
8. Методи інженерії евристичні, формальні,
прототипні методи
метаевристики,
symbolic AI
AI-оптимізаційні сис-
теми
9. Управління програм-
ною інженерією та
проєктами
прогнозування строків,
ризик-аналіз
predictive analytics,
ML-прогнозування
Jira
У цій карті AI виконує чотири клю-
чові функції: асистент розробника (допо-
магає створювати код, моделі та докумен-
тацію), аналітик системи (аналізує дані про
проєкт і кодову базу), прогностичний мо-
дуль (прогнозує дефекти, ризики та стро-
ки), а також оркестратор процесів (інтег-
рує інструменти DevOps і оптимізує
workflow). Запропонована карта демонст-
рує три важливі принципи інтеграції AI в
програмну інженерію: технологічний рі-
вень – типи AI-алгоритмів; процесний рі-
вень – галузі знань програмної інженерії;
інструментальний рівень – конкретні про-
грамні засоби. Це дозволяє формувати ці-
лісну модель AI-орієнтованої програмної
інженерії (AI-Driven Software Engineering).
Модель зрілості AI-Driven Softare
Engineering
Парадигма програмної інженерії за-
провадила мислення на основі моделі зрі-
лості, яка надає компаніям дорожню карту
для покращення їхньої продуктивності з
обраних точок зору, відомих як ключові
можливості. Capability Maturity Model
Integration (CMMI) – це комплексна модель
продуктивності та зрілості, що представляє
набір моделей (методологій) вдосконалення
процесів в організаціях різних розмірів і
видів діяльності. CMMI містить набір ре-
комендацій у вигляді практик, реалізація
яких дозволяє досягти цілей, необхідних
для повної реалізації сфер діяльності.
На основі цієї методології Інститу-
том програмної інженерії (Software
Engineering Institute – SEI) запропоновано
використовувати модель зрілості можли-
востей людей (People CMM). Це інстру-
мент, який допомагає успішно вирішувати
критичні проблеми з людьми в організації,
яка, зокрема, працює над розробкою ПЗ. P-
CMM використовує систему процесів над-
звичайно успішної моделі зрілості можли-
востей для програмного забезпечення як
основу для моделі найкращих практик для
управління та розвитку робочої сили орга-
нізації. Базовий підхід моделі P-CMM – це
усвідомлення цінності кожного працівника
як особистості та необхідності його пода-
льшого розвитку.
Штучний інтелект
12
На основі цих концепцій дослідни-
ки і фахівці пропонують модель зрілості
для впровадження штучного інтелекту в
галузі програмної інженерії (AI-Driven
Software Engineering СММ), щоб допомог-
ти організаціям оцінити та вдосконалити
свої зусилля з інтеграції ШІ та ПІ. Ґрун-
туючись на екосистемі багатьох зацікавле-
них сторін, що включає академічні кола,
дослідників, гравців галузі та урядові ус-
танови, ця модель визначає ключові етапи
впровадження ШІ та умови, необхідні для
прогресу в цій сфері.
Переосмислюючи розрив між інно-
ваціями та практикою через цю структуро-
вану призму, модель пропонує практичні
висновки для узгодження результатів дос-
ліджень з промисловою готовністю та при-
скорення ефективного впровадження шту-
чного інтелекту в середовищах програмної
інженерії [27]. Модель об’єднує наукові та
практичні висновки і створює рекоменда-
ції для розробників програмного забезпе-
чення та описує структуру цієї моделі зрі-
лості для оцінки та покращення викорис-
тання розробки із застосуванням ШІ, зок-
рема LLM [28].
Модель зрілості AI-DSE СММ пе-
редбачає п’ять рівнів зрілості (табл. 2). Та-
ким чином ця модель не лише описує сту-
пінь інтеграції технологій штучного інте-
лекту в процеси розробки програмного за-
безпечення, а й. дозволяє оцінити, наскіль-
ки організація використовує ШІ для підт-
римки життєвого циклу ПЗ, та визначити
напрямки подальшого розвитку. Концеп-
туально модель спирається на структуру
галузей знань, визначених у SWEBOK
Guide, а також на підходи до оцінювання
зрілості процесів, подібні до CMMI.
Узагальнено структуру моделі зрі-
лості AI-Driven Software Engineering мож-
на представити рис. 2.
Оцінювання зрілості AI-Driven
Software Engineering може проводитися за
такими критеріями та параметрами:
1) інструментальна інтеграція – рі-
вень використання AI-інструментів;
2) процесна інтеграція – ступінь ви-
користання AI у SDLC;
3) дані та аналітика – доступність
історичних даних проєктів;
4) автоматизація – рівень автома-
тизації процесів розробки;
5) організаційна готовність – ком-
петентності персоналу, наявність стратегії
впровадження AI.
Практичне значення використання
моделі зрілості AI-Driven Software
Engineering полягає у тому, що вона до-
зволяє оцінювати рівень інтелектуалізації
процесів розробки, планувати стратегію
впровадження AI, порівнювати різні орга-
нізації виробництва, а також визначати на-
прямки ефективного розвитку програмної
інженерії.
Висновки
Для визначення та класифікації ін-
струментів штучного інтелекту в програм-
ній інженерії може використовуватися як
концептуальна рамка структуризація
знань, запропонована у SWEBOK. Вона
дозволяє побудувати системну модель ін-
теграції AI в усі сфери діяльності, що фо-
рмують життєвий цикл програмного за-
безпечення.
Проведено огляд можливостей і об-
межень застосування основних моделей
штучного інтелекту, таких як машинне на-
вчання (ML), навчання з підкріпленням
(RL) та глибинне навчання (DL), обробка
природної мови (NLP), великі мовні моде-
лі (LLM), генеративний ШІ (Generative AI)
та ін.
На цій основі визначено картогра-
фію застосування AI в програмній інжене-
рії та побудовано загальну онтологію АІ-
ландшафту програмної інженерії. Запро-
понована картографія демонструє три ва-
жливі принципи інтеграції AI в програмну
інженерію: технологічний рівень, процес-
ний рівень та інструментальний рівень. Це
дозволяє сформувати цілісну модель AI-
орієнтованої програмної інженерії.
Розглянуто структуру моделі зріло-
сті AI-Driven Softare Engineering та її прак-
тичні переваги застосування, що дозволя-
ють оцінити, наскільки організація вико-
ристовує ШІ для підтримки життєвого ци-
клу ПЗ.
Штучний інтелект
13
Таблиця 2.
Рівні моделі зрілості AI-Driven Software Engineering
Рівень Характеристика рівня Типові приклади Результат
1. Початковий
(Ad-hoc AI Use)
AI застосовується епізо-
дично.
Інструменти використо-
вуються окремими розро-
бниками..
Відсутня загальна страте-
гія використання AI
Використання AI-
асистентів програму-
вання, окремі експе-
рименти з генерацією
коду, застосування AI
для аналізу окремих
задач
AI використову-
ється як індивідуа-
льний інструмент,
але не інтегрова-
ний у процес роз-
робки ПЗ
2. Інструменталь-
на інтеграція
(AI-Assisted
Development)
AI інтегрується в інстру-
ментальне середовище
розробки.
З’являється підтримка
окремих процесів SDLC.
Використовуються AI-
DevOps інструменти.
Автоматична генера-
ція коду, AI-аналіз
якості коду, генерація
тестів, інтелектуаль-
ний аналіз вимог
AI стає частиною
інструментальної
екосистеми розро-
бки ПЗ
3. Процесна інте-
грація (AI-
Enabled Processes)
AI використовується в
ключових процесах жит-
тєвого циклу ПЗ.
Дані проєктів системно
аналізуються.
Ухвалення рішень підт-
римується аналітичними
моделями
Прогнозування дефек-
тів, аналіз продуктив-
ності, команд, автома-
тизоване тестування,
оптимізація CI/CD
процесів.
AI стає не-
від’ємною части-
ною процесів про-
грамної інженерії
4. Інтелектуальна
організація виро-
бництва (AI-
Optimized
Engineering)
AI використовується для
оптимізації процесів роз-
робки.
Впроваджено аналітику
процесів і process mining.
Використовується про-
гнозна аналітика в управ-
лінні проєктами
AI-аналіз ризиків
проєкту, оптимізація
архітектурних рішень,
інтелектуальна підт-
римка управління
конфігураціями, ав-
томатичний аналіз те-
хнічного боргу
Виробництво ПЗ
переходить до data-
driven управління
програмною інже-
нерією
5. Автономна
програмна інже-
нерія
(Autonomous AI-
Driven
Engineering)
AI виконує значну части-
ну інженерних задач.
Системи здатні адаптува-
ти процеси розробки.
Використовується само-
навчальна інфраструкту-
ра
Автоматичне створен-
ня архітектури систем,
генерація та оптиміза-
ція коду, автономне
тестування та верифі-
кація, self-adaptive
software systems
AI виступає актив-
ним учасником ін-
женерної діяльнос-
ті, а не лише ін-
струментом
Рис. 2. Модель зрілості AI-Driven Software Engineering
Штучний інтелект
14
References
1. P. Kokol, The Use of AI in Software Engineer-
ing: A Synthetic Knowledge Synthesis of the
Recent Research Literature, in: Information,
2024, 15, 354, doi: 10.3390/info15060354
2. H. Aditya Pai, K. R. Sharath, K. Babalad, et all,
Integrating AI into Software Engineering: A
Critical Review and Future Directions, 2025 In-
ternational Conference on Intelligent Control,
Computing and Communications (IC3 2025),
in: Proceedings of the Conference, 2025, pp.
20–25. doi: 10.1109/IC363308.2025.10957449
3. M. J. Hossain Faruk, H. Pournaghshband, H.
Shahriar, AI-Oriented Software Engineering
(AIOSE): Challenges, Opportunities, and
New Directions, in: Lecture Notes in Net-
works and Systems, 2023, 576 LNNS, pp. 3–
19. doi: 10.1007/978-3-031-20322-0_1
4. V. Terragni, A. Vella, P. Roop, K. Blincoe,
The Future of AI-Driven Software Engineer-
ing, in: ACM Transactions on Software Engi-
neering and Methodology, 2025, 34, 5, art. no.
120. doi: 10.1145/3715003
5. O. Nesterenko, P. Yatsuk, AI (not) against AI,
in: Environmental Safety and Natural Re-
sources, 2025, 56, 4, pp. 134–153. doi:
10.32347/2411-4049.2025.4.134-153. [in
Ukrainian]
6. S. Cao, X. Sun, R. Widyasari, et all, A Sys-
tematic Literature Review on Explainability
for ML/DL-based Software Engineering, in:
ACM Computing Surveys, 2025, 58, 4, art.
no. 95, pp. 1–34, doi: 10.1145/3763230.
7. R. Ulfsnes, N. B. Moe, J. Emmerhoff, et all,
Responsible AI in Agile Software Engineer-
ing – An Industry Perspective. in: Lecture
Notes in Business Information Processing,
2025, 524, pp. 33–41. doi: 10.1007/978-3-
031-72781-8_4.
8. Q. U. Ain, M. Haq, A. A. A. Jilani, K. Sohail,
A comparison between traditional software
engineering practices and AI-driven
methodologies, in: Generative AI in Software
Engineering, 2025, pp. 57–92. doi:
10.4018/979-8-3373-0370-3.ch002.
9. M. Alenezi, M. Akour, AI-Driven Innovations
in Software Engineering: A Review of Cur-
rent Practices and Future Directions, in: Ap-
plied Sciences, 2025, 15, 3, art. no. 1344, doi:
10.3390/app15031344.
10. A. Mohammadkhani, N. Bommi, M. Dabous-
si, et all, A Systematic Literature Review of
Explainable AI for Software Engineering,
2023, arXiv.2302.06065, doi:
10.48550/arXiv.2302.06065.
11. P. S. N. Mindom, A. Nikanjam, F. Khomh,
Harnessing pre-trained generalist agents for
software engineering tasks, in: Empirical
Software Engineering, 2024, 30, 1, art. no. 39.
doi: 10.1007/s10664-024-10597-8.
12. U. K. Durrani, M. Akpinar, M. F. Adak, et all,
A Decade of Progress: A Systematic Literature
Review on the Integration of AI in Software
Engineering Phases and Activities (2013-2023),
in: IEEE ACCESS, 2024, 12, pp. 171185–
171204. doi: 10.1109/ACCESS.2024.3488904.
13. V. T. Wivestad, A. M. Barbala, Attitudes To-
ward LLM Use Among Software Engineering
Researchers: Results from a Two-Phase Survey
Study, in: Companion proceedings of the 33RD
ACM International conference on the founda-
tions of software engineering (FSE), 2025, pp.
1531–1535. doi: 10.1145/3696630.3731671
14. Z. H. Lin, W. Ma, T. Lin, et all, Open Source
AI-based SE Tools: Opportunities and Chal-
lenges of Collaborative Software Learning, in:
ACM transactions on software engineering
and methodology, 2025, 34, 5, pp. 1535–
1560. doi: 10.1145/3708529.
15. A. Alami, N. Ernst, Human and Machine: How
Software Engineers Perceive and Engage with
AI-Assisted Code Reviews Compared to Their
Peers, 2025 IEEE/ACM 18th International con-
ference on cooperative and human aspects of
software engineering (CHASE), in: Proceedings
of the Conference, 2025, pp. 63–74. doi:
10.1109/CHASE66643.2025.00016.
16. K. Ronanki, Facilitating Trustworthy Human-
Agent Collaboration in LLM-based Multi-
Agent System oriented Software Engineering,
in: Companion proceedings of the 33rd ACM
International conference on the foundations of
software engineering (FSE 2025),
arXiv:2505.0425. doi:
10.48550/arXiv.2505.04251.
17. B. Trinkenreich, F. Calefato, G. Hanssen, et
all, Get on the Train or be Left on the Station:
Using LLMs for Software Engineering Re-
search, in: Companion proceedings of the
33rd ACM international conference on the
foundations of software engineering (FSE
COMPANION 2025), 2025, pp. 1503–1507.
doi: 10.1145/3696630.3731666.
18. O. Nesterenko, Y. Selin, The Teams
Information Model for Software Engineering
Management, in: Proceedings of 2021 IEEE
16th International Conference on Computer
Sciences and Information Technologies
(CSIT), 2021, 1, pp. 341–344, doi:
10.1109/CSIT52700.2021.9648737.
Штучний інтелект
15
19. I. Rauf, H. Sharp, T. Lopez, M. Wermelinger,
Human-Machine Teaming and Team Effective-
ness in AI tools for Software Engineering, 2025
Conference on Cooperative and Human Aspects
of Software Engineering (CHASE), in: Proceed-
ings of the Conference, 2025, pp. 75–80. doi:
10.1109/CHASE66643.2025.00017/
20. A. Fan, B. Gokkaya, M. Harman, et all, Large
Language Models for Software Engineering:
Survey and Open Problems, 2023 IEEE/ACM
International conference on software engi-
neering: future of software engineering
(ICSE-FOSE), in: Proceedings of the Confer-
ence, 2023, pp. 31–53. doi: 10.1109/ICSE-
FoSE59343.2023.00008.
21. A. Striapunin., V. Kharchenko, Using AI tools
in requirements engineering: opportunity
analysis and chatbot for validation, in: Aero-
space Technic and Technology, 2024, 2, pp.
91–101. doi: 10.32620/aktt.2024.2.10. [in
Ukrainian]
22. D. Nikitin, V. Golian, Methods for integrat-
ing artificial intelligence and knowledge engi-
neering into automaton-based real-time soft-
ware systems, in: Herald of Khmelnytsskyi
National University, 2025, 2, pp. 285–292.
doi: 10.31891/2307-5732-2025-349-42.
23. M. H. Tanzil, J. Y. Khan, G. Uddin, ChatGPT
Incorrectness Detection in Software Reviews,
in: Proceedings of the IEEE/ACM 46th Inter-
national conference on software engineering
(ICSE 2024), arXiv:2403.16347. doi:
10.1145/3597503.3639194.
24. M. Fischer, C. Lanquillon, Evaluation of
Generative AI-Assisted Software Design and
Engineering: A User-Centered Approach, in:
Lecture Notes in Computer Science (including
subseries Lecture Notes in Artificial Intelli-
gence and Lecture Notes in Bioinformatics),
2024, 14734 LNAI, pp. 31–47. doi:
10.1007/978-3-031-60606-9_3.
25. O. Nesterenko, O. Trofymchuk, Decision
Support for Requirements Prioritization in
Software Engineering, in: CEUR Workshop
Proceedings, 2024, 3806, 50–61. URL:
https://ceur-ws.org/Vol-
3806/S_31_Nesterenko_Trofymchuk.pdf.
26. K. Shantha Kumari, B. Sundaravadivazhagan,
V. Indumathy, D. Maladhy, Detailing AI
techniques and tools for software engineering
acceleration and automation, in: Advances in
Computers, 2026, 141, pp. 183– 209. doi:
10.1016/bs.adcom.2025.07.007.
27. H. Lhazmir, S. Samhale, K. Louzaoui, K.
Benlhachmi, The Uneven Journey of AI in
Software Testing: A Maturity Model for In-
dustry Adoption, 8th IEEE International
Congress on Information Science and Tech-
nology (CIST 2025), in: Proceedings of the
Conference, 2025, pp. 132–137. doi:
10.1109/CiSt65886.2025.11224099.
28. S. L. France, Navigating software develop-
ment in the ChatGPT and GitHub Copilot era,
in: Business Horizons, 2024, 67, 5, pp. 649–
661. doi: 10.1016/j.bushor.2024.05.009
Дата першого надходження до видання:
27.03.2026
Внутрішня рецензія отримана: 13.04.2026
Зовнішня рецензія отримана: 22.04.2026
Дата прийняття статті до друку: 05.06.2026
Дата публікації: 29.06.2026
Про авторів:
Нестеренко Олександр Васильович,
доктор технічних наук, професор,
завідувач кафедри
Nesterenko Olexandr,
Ph.D. (doctor, technical sciences),
professor, head of department
http://orcid.org/0000-0001-5329-889X .
Федоров Володимир Володимирович,
кандидат фізико-математичних наук,
доцент
Fedorov Volodymyr,
Ph.D. (physical and mathematical sciences),
associate professor
https://orcid.org/0009-0004-2901-3646.
Яцук Петро Петрович,
кандидат технічних наук, доцент
Yatsuk Petro,
Ph.D. (technical sciences), associate professor
https://orcid.org/ 0009-0002-7124-4849.
Місце роботи авторів:
Міжнародний європейський університет,
Кафедра інформаційних технологій
International European University,
Department of Informational Technologies
Tel.: +380 97 757 27 96
E-mail: oleksandr_nesterenko@ieu.edu.ua
https://business.ieu.edu.ua/kafedry/kafedra-
informatsiinykh-tekhnolohii
|
| id | pp_isofts_kiev_ua-article-1021 |
| institution | Problems in programming |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-30T01:00:10Z |
| publishDate | 2026 |
| publisher | PROBLEMS IN PROGRAMMING |
| record_format | ojs |
| resource_txt_mv | ppisoftskievua/f1/74ed9dc58b51c7946589b52c995ca3f1.pdf |
| spelling | pp_isofts_kiev_ua-article-10212026-06-29T10:43:50Z AI landscape of software engineering AI -ландшафт програмної інженерії Nesterenko, O.V. Fedorov, V.V. Yatsuk, P.P. artificial intelligence; SWEBOK; models and algorithms; maturity model; software; human machine interaction UDC 004.4:004.8 штучний інтелект; SWEBOK; моделі і алгоритми; модель зрілості; програмне забез печення; людино-машинна взаємодія УДК 004.4:004.8 Artificial intelligence is becoming an integral part of modern software engineering, expanding the possibili ties of automation, optimization and support of technical solutions throughout the software life cycle. The article proposes a methodology for defining artificial intelligence tools for solving software engineering problems. The basis of this methodology is a system structuring based on the knowledge areas of the new version of the international manual SWEBOK V4 and a set of certain types of processes or activities (Top ics), which consist of knowledge areas. The main areas (six areas for software development) and auxiliary organizational areas (six areas that provide engineering and management of software development) were se lected for structuring. The application of such artificial intelligence models and algorithms in software engi neering as machine learning (ML), deep learning (DL), large language models (LLM), natural language pro cessing (NLP), Generative AI, graph algorithms, metaheuristics and optimization algorithms, expert systems and process analytics is considered. As a result, a general ontology of the AI landscape of software engi neering is built. A map of the application of AI in software engineering is considered in detail, which re flects the correspondence between SWEBOK knowledge areas, processes, AI technologies and tools. The proposed cartography demonstrates three important principles of integrating AI into software engineering: technological level; process level and instrumental level. This approach allows you to systematize the use of AI, avoid fragmented implementation of technologies, and also assess the level of intellectualization of de velopment processes. Separately, the article discusses the AI-Driven Software Engineering Maturity Model, which was created to help enterprises and organizations assess and improve their efforts to integrate AI and SE. The results of the study can be used to transform this symbiosis from an idea into a working paradigm, in particular, taking into account the reliability, explainability and ethical aspects of using AI. Problems in programming 2026; 2: 4-15 Штучний інтелект стає невід’ємною частиною сучасної програмної інженерії, розширюючи можли вості автоматизації, оптимізації й підтримки технічних рішень протягом усього життєвого циклу програмного забезпечення. У статті запропоновано методологію визначення інструментарію штучно го інтелекту для вирішення задач програмної інженерії. Базою цієї методології є системна структури зація на основі галузей знань (Knowledge Area) нової версії міжнародного посібника SWEBOK V4 та сукупності певних типів процесів або діяльності (Topics), з яких складаються галузі знань. Для стру ктуризації вибрано головні області (шість областей для розроблення ПЗ) та допоміжні організаційні сфери (шість областей, що забезпечують інженерію та керування розробкою ПЗ). Розглянуто засто сування в програмній інженерії таких моделей і алгоритмів штучного інтелекту як машинне на вчання (ML), глибинне навчання (DL), великі мовні моделі (LLM), обробка природної мови (NLP), генеративний ШІ (Generative AI), графові алгоритми, метаевристики та оптимізаційні алгоритми, експерті системи та аналітика процесів. У результаті побудовано загальну онтологію АІ-ландшафту програмної інженерії. Детально розглянуто карту застосування ШІ в програмній інженерії, яка відо бражає відповідність між галузями знань SWEBOK, процесами, ШІ-технологіями та інструментами. Запропонована картографія демонструє три важливі принципи інтеграції AI в програмну інженерію: технологічний рівень; процесний та інструментальний рівні. Такий підхід дозволяє систематизувати використання ШI, уникнути фрагментарного впровадження технологій, а також оцінювати рівень ін телектуалізації процесів розробки. Окремо в статті розглянуто модель зрілості для впровадження штучного інтелекту в галузі програмної інженерії (AI-Driven Software Engineering СММ), яка створе на для допомоги підприємствам та організаціям оцінити й вдосконалити свої зусилля з інтеграції ШІ та програмної інженерії. Результати дослідження можуть бути використані для перетворення цього симбіозу з ідеї на робочу парадигму, зокрема, з урахуванням надійності, пояснюваності та етичних аспектів використання ШІ.Problems in programming 2026; 2: 4-15 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2026-06-29 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1021 PROBLEMS IN PROGRAMMING; No 2 (2026); 4-15 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 2 (2026); 4-15 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 2 (2026); 4-15 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1021/1089 Copyright (c) 2026 PROBLEMS IN PROGRAMMING |
| spellingShingle | artificial intelligence SWEBOK models and algorithms maturity model software human machine interaction UDC 004.4:004.8 Nesterenko, O.V. Fedorov, V.V. Yatsuk, P.P. AI landscape of software engineering |
| title | AI landscape of software engineering |
| title_alt | AI -ландшафт програмної інженерії |
| title_full | AI landscape of software engineering |
| title_fullStr | AI landscape of software engineering |
| title_full_unstemmed | AI landscape of software engineering |
| title_short | AI landscape of software engineering |
| title_sort | ai landscape of software engineering |
| topic | artificial intelligence SWEBOK models and algorithms maturity model software human machine interaction UDC 004.4:004.8 |
| topic_facet | artificial intelligence SWEBOK models and algorithms maturity model software human machine interaction UDC 004.4:004.8 штучний інтелект SWEBOK моделі і алгоритми модель зрілості програмне забез печення людино-машинна взаємодія УДК 004.4:004.8 |
| url | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1021 |
| work_keys_str_mv | AT nesterenkoov ailandscapeofsoftwareengineering AT fedorovvv ailandscapeofsoftwareengineering AT yatsukpp ailandscapeofsoftwareengineering AT nesterenkoov ailandšaftprogramnoíínženeríí AT fedorovvv ailandšaftprogramnoíínženeríí AT yatsukpp ailandšaftprogramnoíínženeríí |