Ключевые выводы
- Большинство разработчиков отказываются работать без ИИ‑подсказок, даже в лабораторных экспериментах.
- ИИ ускоряет генерацию кода, но увеличивает время на поиск и исправление ошибок, снижая реальную производительность.
- Неправильные метрики (токены) вводят в заблуждение: рост «производительности» часто сопровождается ростом расходов и технического долга.
В 2026 году ИИ‑ассистенты стали неотъемлемой частью рабочего процесса программистов. Но ускорение написания кода не равно улучшению качества – и это подтверждают новые данные.
Как ИИ захватил руки разработчиков
В феврале 2026 года лаборатория METR объявила, что большинство программистов отказываются выполнять даже небольшие задачи без помощи ИИ. Было бы здорово, если бы это означало рост эффективности, но дальнейшие исследования показывают обратную картину.
Первый крупный эксперимент METR повторял работу, проведённую в 2025 году, где сравнивали время, затраченное на задачу «вручную» и с ИИ‑подсказками. Ожидали, что ИИ ускорит процесс, но участники отметили, что им пришлось тратить дополнительное время на поиск багов, управление диалогом с моделью и ожидание её ответов.
Когда METR попытался повторить эксперимент в 2026 году, разработчики отказались участвовать, заявив, что работать без ИИ для исследования они просто не готовы.
Вместо этого лаборатория провела опрос, где технические специалисты оценили рост своей ценности вдвое благодаря ИИ. Однако такие субъективные оценки оказались сомнительными.
Токенмэксинг – ловушка «быстрого» прогресса
Токенмэксинг – измерять продуктивность по количеству использованных токенов в запросах к ИИ – стал популярным в 2026 году. На практике он лишь показывал, сколько «слов» ИИ выплюнул, а не сколько действительно полезного кода получило приложение.
Amazon закрыла внутренний лидерборд Kirorank после того, как сотрудники начали искусственно повышать свои результаты, вызывая рост расходов на облачные сервисы. Uber, потратив почти весь AI‑бюджет за четыре месяца, не увидел измеримого повышения производительности проектов.
Эти примеры показывают, что рост токенов часто сопровождается ростом технического долга – больше кода, но больше ошибок.
Качество кода под угрозой
Блогер Джеймс Шор (James Shore) в своей статье отметил, что ускорение написания кода не спасёт, если стоимость его поддержки не падает. Он сравнил ситуацию с «временным ускорением, за которое вы потом будете платить вечной индентурой».
Исследования из Сингапурского университета управления (SMU) и независимые отчёты подтвердили, что AI‑генерируемый код в среднем приводит к 1,7‑кратному росту проблем при ревью по сравнению с человеческим кодом.
Твит от основателя стартапа Entelligence AI, Аисвры Санкар, сообщает, что 44 % токенов в их компаниях уходят на исправление ошибок, созданных ИИ. Это значительная доля, которая не учитывается в простых метриках.
Что делают компании, чтобы не потерять контроль?
Крупные игроки пытаются «придушить» эффект токенмэксинга и снизить расходы. Amazon закрыла внутреннюю таблицу лидеров, Uber пересмотрел бюджеты, а стартапы вроде Cognition предлагают использовать ИИ‑агентов только для рутинных задач, а не как замену человеку.
Скотт Ву (Scott Wu), CEO Cognition, говорит, что их агент Devin пока сопоставим по навыкам с младшим или среднем уровнем разработчика. Поэтому он подходит лишь для простых задач – чистка кода, небольшие исправления, генерация шаблонов.
Исследователи из SMU рекомендуют разработчикам знать сильные и слабые стороны ИИ так же хорошо, как свои любимые языки. Нужно внедрять системы контроля качества, отлаженные под работу с ИИ, и рассматривать его как «младшего коллегу», а не как автономного сотрудника.
Как правильно внедрять ИИ‑ассистентов в процесс разработки
1. **Определите границы** – чётко фиксируйте, какие типы задач ИИ может выполнять без риска (например, генерация шаблонов, автодополнение).
2. **Внедрите QA‑слой** – автоматические линтеры, статический анализ и обязательный code‑review от более опытных разработчиков.
3. **Контролируйте расходы** – следите за количеством токенов, а не только за скоростью генерации кода.
4. **Обучайте команду** – проводите воркшопы, где объясняют типичные ошибки ИИ‑кода и способы их быстрой диагностики.
5. **Фокус на архитектуре** – оставляйте проектирование, безопасность и масштабирование за человеческим мозгом.
Следуя этим рекомендациям, можно получить от ИИ выгоду в виде ускорения рутинных действий, не жертвуя качеством и поддерживаемостью продукта.
Справка
METR (Machine‑Enhanced Technical Research) – независимая исследовательская лаборатория, основанная в 2022 году, специализируется на измерении влияния ИИ на продуктивность разработчиков. Среди её публикаций – известный доклад 2025 года о «AI Coding Productivity», который стал базой для последующих исследований.
James Shore – известный программист, автор книг по agile‑разработке и чистому коду. Его блог часто цитируют за практические рекомендации по снижению технического долга.
Scott Wu – сооснователь и CEO Cognition, компании, разрабатывающей AI‑агентов для кода. Его проект Devin позиционируется как помощник для «мелких» задач, но Wu открыто признаёт его ограниченный уровень.
Singapore Management University (SMU) – один из ведущих азиатских университетов, чьи исследования в области AI‑генерируемого кода получили широкое признание за объективность и практическую ценность.
Entelligence AI – стартап, создающий решения для надёжности и мониторинга ИИ‑систем. Основатель Аисвра Сангар известен своими открытыми заявлениями о том, сколько ресурсов уходит на исправление багов, вызванных AI.
Искусственный интеллект может стать мощным помощником, но без чёткого контроля он превращается в источник новых проблем. Главное – держать баланс между скоростью и качеством, а также не забывать о человеческом векторе разработки.
