Мнения о инструментах программирования на базе ИИ расходятся: одни видят в них мощный прирост продуктивности для разработчиков, другие — источник некачественного кода, который отвлекает внимание и создает серьезные проблемы с обслуживанием в долгосрочной перспективе.
Пока сложно понять, где правда.
Крупные технологические компании вкладывают миллиарды в большие языковые модели, и кодинг называют их идеальным применением. Гендиректор Microsoft Сатья Наделла заявил, что до 30% кода компании пишется ИИ, а гендиректор Google Сундар Пичаи оценил долю примерно в четверть. В марте гендиректор Anthropic Дарио Амадей предположил, что через полгода 90% кода будет создаваться ИИ. Это логичный сценарий: код похож на язык, его требуется много, вручную делать дорого, а проверить просто — запусти программу, и сразу видно, работает ли она.
Руководители, зачарованные шансом преодолеть человеческие ограничения, побуждают инженеров переходить к будущему с ИИ. Однако беседы с более чем 30 разработчиками, руководителями, аналитиками и исследователями показывают, что ситуация сложнее, чем кажется.
Для многих разработчиков первоначальный энтузиазм угасает из-за ограничений технологий. Исследования намекают, что заявленные приросты продуктивности могут оказаться обманчивыми, и некоторые задаются вопросом, есть ли здесь реальная ценность.
Темпы развития все усложняют: новые модели выходят непрерывно, меняя возможности и особенности инструментов. Их эффективность зависит от задач и организации процессов. Разработчики оказываются между ожиданиями и реальностью.
Это ли лучшее или худшее время для ИИ в кодинге? Вероятно, и то, и другое.
Быстро развивающаяся область
Инструменты ИИ для кодинга сейчас везде. Рынок пестрит предложениями от разработчиков моделей вроде Anthropic, OpenAI и Google, а также от Cursor и Windsurf, которые упаковывают их в удобные редакторы кода. Опрос разработчиков Stack Overflow за 2025 год показывает, что 65% используют такие инструменты еженедельно.
Они появились около 2016 года, но расцвели с приходом больших языковых моделей. Сначала это были простые автодополнения, подсказывающие следующий фрагмент. Теперь они разбирают целые кодовые базы, правят файлы, исправляют ошибки и даже генерируют документацию — все через чат с естественными запросами.
"Агенты" — автономные инструменты на базе ИИ, способные по высокоуровневому плану строить полноценные программы, — это новейший рубеж. Такие возможности открыли модели с пошаговым мышлением, которые умеют подключать внешние инструменты. "Так модель пишет код, а не просто рассуждает о нем", — объясняет Борис Черни, глава Claude Code в Anthropic.
Агенты добились успехов на бенчмарках по разработке ПО — стандартизированных тестах производительности. Когда OpenAI в августе 2024 года запустила SWE-bench Verified для проверки фикса реальных багов в открытых репозиториях, лучший результат был 33%. Спустя год лидеры стабильно набирают свыше 70%.
В феврале Андреј Карапатхи, сооснователь OpenAI и экс-директор ИИ в Tesla, ввел термин "vibe-кодинг" — подход, где идеи описывают словами, а ИИ пишет, дорабатывает и дебажит код. В соцсетях полно историй о взрывном росте продуктивности.
Хотя некоторые разработчики и фирмы хвалят приросты, данные неоднозначны. Ранние исследования от GitHub, Google и Microsoft — поставщиков инструментов — фиксировали ускорение на 20–55%. Но сентябрьский отчет Bain & Company назвал реальные эффекты в компаниях незначительными.
Данные GitClear демонстрируют: с 2022 года инженеры пишут на 10% больше устойчивого кода — того, что не удаляют или не переписывают в ближайшие недели, вероятно, благодаря ИИ. Но качество падает по нескольким метрикам. Опрос Stack Overflow отметил первое падение доверия и позитивного отношения. А июльское исследование METR показало: опытные разработчики думали, что ИИ ускоряет их на 20%, но тесты выявили замедление на 19%.
Растущее разочарование
Для Майка Джаджа, старшего разработчика в консалтинговой Substantial, исследование METR задело за живое. Он рано увлекся ИИ-инструментами, но потом разочаровался в их слабостях и слабом эффекте. "Я жаловался знакомым: помогает, но не сильно, и я не понимаю, как выжать больше", — вспоминает он. "Казалось, ИИ глупый, но вдруг правильный запрос сделает его умным".
Друг спросил, на сколько ускорились задачи, и Джадж оценил в 25%. Увидев похожие цифры в METR, он проверил сам: шесть недель гадал время на задачу, подбрасывал монету для выбора ИИ или ручного кода, замерял. ИИ замедлил его в среднем на 21% — как в исследовании.
Джадж углубился в цифры: если ИИ ускоряет, должны взлететь новые приложения, регистрации сайтов, игры, проекты на GitHub. Он проанализировал открытые данные за часы и сотни долларов и увидел плато.
"Разве не должно расти вверх и вправо? Где экспоненциальный рост?" — недоумевает Джадж. Вывод: для большинства ИИ дает малый буст.
Разработчики сходятся, где ИИ силен: шаблонный код (повторяющиеся блоки с малыми изменениями), тесты, фикс багов, разбор чужого кода для новичков. ИИ решает проблему чистого листа, давая старт для идей. Позволяет нетехнарям быстро прототипировать, разгружая инженеров.
Это рутина, от которой рады избавляться, но она — малая часть работы опытного инженера. На сложных задачах, где ценность специалиста, инструменты буксуют.
Главная беда — ограниченное "окно контекста" в больших языковых моделях, их рабочая память. Они плохо справляются с большими базами и забывают на длинных заданиях. "Становится близоруким — видит только перед носом, — говорит Джадж. — Просишь десять дел, сделает одиннадцать, забудет последнее".
Такая близорукость создает проблемы людям. Решение ИИ может работать само по себе, но софт — сеть модулей. Без учета связей код запутывается, становится неудобным для чтения и, главное, поддержки.
Раньше стандарты — негласные правила проектов — помогали. "ИИ часто игнорирует конвенции репозитория и предлагает свой вариант решения", — отмечает Билл Хардинг, CEO GitClear.
Модели ошибаются. Как все LLM, они галлюцинируют — это в их природе. Код выглядит идеально, ошибки маскируются, говорит Джеймс Лю, директор инженерии в Mediaocean. В итоге использование как слот-машина: "Иногда 20-кратный выигрыш по скорости, иногда провал, тратишь часы на уговоры".
Джадж считает, поэтому переоценивают эффект: "Помнишь только джекпоты, забываешь часы у автомата".
Особенно вредно на незнакомых задачах. Джадж пробовал настроить Azure Functions — девять часов вместо двух, сдался. "Вел по ложным тропам, а я не знал тему, чтобы опровергнуть".
Накопление технического долга
Разработчики балансируют скорость и поддерживаемость, создавая технический долг, объясняет Джеффри Паркер, профессор инноваций в Дартмуте. Каждое упрощение добавляет сложность, "проценты" платят рефакторингом. Долг замедляет добавление фич и поддержку.
Долг неизбежен, но ИИ упрощает срезы углов под давлением сроков, говорит Хардинг из GitClear. Данные подтверждают: с 2020 года выросло копипаста — признак переиспользования сниппетов от ИИ, — и упало перемещение кода при чистке.
С улучшением моделей код становится многословным и сложным, отмечает Тарик Шаукат, CEO Sonar, инструментов качества кода. Явных багов и уязвимостей меньше, но растут "code smells" — скрытые проблемы, ведущие к долгу. Исследование Sonar показало: они составляют свыше 90% дефектов в коде топ-моделей. "Простые ошибки уходят, остаются хитрые, долго ищутся. Это вводит в заблуждение", — предупреждает Шаукат.
Если ИИ усложняет поддержку, это бьет по безопасности, считает Джессика Джи из Джорджтауна. "Трудно обновлять — код устаревает и слабеет".
Есть конкретные риски: модели ссылаются на несуществующие пакеты, галлюцинации, хакеры создают вредоносные с такими именами. LLM уязвимы к отравлению данных: 250 вредных документов внедряют бэкдор в модель любого размера, меняя поведение на фразах вроде генерации небезопасного кода.
Переубежденные
Несмотря на проблемы, обратного пути нет. "Дни ручного набора каждой строки уходят", — уверен Кайл Дайгл, COO GitHub (создатели Copilot).
Отчет Stack Overflow: несмотря на падение доверия, использование растет третий год. Эрин Йепис из Stack Overflow видит: инженеры используют осознанно, риски понимая. Часто не пробуют агенты, оттого разочарование.
Новинки впечатляют. Тревор Дилли, CTO Twenty20 Ideas, ценил автодополнение, но сложное рушилось. В марте на отпуске Claude Code решил хобби-задачу за 2 минуты вместо 4 часов, код лучше его. "Вау, назад не вернусь". Запустил DevSwarm для параллельных агентов.
Армин Ронахер, известный опенсорс-разработчик, месяцами экспериментировал после ухода из Sentry. Теперь 90% кода от ИИ. Нужно учить, где модели спотыкаются, где сильны. С ограждениями справляются с большинством задач, но они специфичны.
Чтобы выжать максимум, забудьте контроль строк, думайте архитектурой, советует Нико Вестердейл, CTO IndeVets. Построил платформу данных в 100 000 строк промтами. Диалог для плана, пошаговое управление. Не сразу, требует правок, но с паттернами код качественный, как ручной. "Революция, но фрустрирующе, новый мышление".
Для команды сложнее: ИИ усиливает культуру, говорит Райан Сальва из Google. С процессами, паттернами, практиками — сияют. Без — усугубляют хаос. Нужно кодировать знания для моделей. "Вытащить трибальное знание из голов".
Coinbase активно внедряет ИИ. CEO Брайан Армстронг уволил несогласных, но глава платформы Роб Витофф признает: эффекты неровные. До 90% ускорения на рефакторинге и тестах, скромнее elsewhere, сбои процессов съедают выигрыш.
ИИ дает junior'ам больше кода, ревью senior'ов не поспевают. "Автоматизируем низ, давим верх, потом автоматизируем верх".
Кодинг — 20–40% времени, говорит Джю Ванг из Bain, остальное анализ, фидбек, стратегия, админка. Для большого эффекта ИИ нужен везде, это впереди.
Быстрое развитие
Агентное программирование меняет привычки, потому проблемы ожидаемы. Продукты новые, эволюционируют. "Каждые пару месяцев модель прокачивается, переучиваешься", — говорит Черни из Anthropic.
В июне Claude получил планирование, другие скопировали. В октябре — вопросы пользователю за контекстом, избегает предположений.
Ключ — управление контекстом: у края памяти суммирует, стартует новое окно — "бесконечное". Субагенты для подзадач. Claude 4.5 Sonnet кодит автономно 30+ часов без деградации.
Новые подходы обходят минусы. Профессор MIT Макс Тегмарк предлагает "vericoding": безбажный код из описания. Основано на формальной верификации — матмодели для доказательства корректности, используется в авиации, крипто, но дорого.
Математика LLM позволяет генерить код + доказательство. "Даешь спецификацию, ИИ возвращает проверенный код. Не трогаешь его".
На 2000 задачах Dafny топ-LLM решили 60%, исследование группы Тегмарка. Без спецтренинга, с ним лучше.
Скорость ИИ упрощает поддержку. Алекс Ворден из Intuit: раньше переиспользование создавало зависимости, каскады. Теперь ИИ пишет сотни строк за секунды, переиспользование не нужно.
Предлагает "одноразовый код": компоненты независимы, связаны API. Заменяешь без волн. "Сколько люди будут смотреть код?"
Сужение кадрового потока
Пока людям нужны навыки понимания и поддержки кода. ИИ сужает круг способных.
Исследование Стэнфорда: занятость разработчиков 22–25 лет упала почти на 20% с 2022 по 2025 год, с ростом ИИ-инструментов.
Опытным тоже тяжело. Лусиано Нуйхен из Companion Group на работе юзал ИИ бесплатно, но на сайд-проекте без него застрял на простом. "Стал глупым, инстинкты ушли, рутина утомила".
Как атлеты дриллами, нужно практиковать базовое. Поэтому он отказался от ИИ, хотя есть глубинные причины.
Разработчики сопротивляются, потому что ИИ отнимает любимое: "Захотел в инженерию, чтобы заставлять машины делать мое. Сидишь, а работа сама — не весело".