ИИ увеличивает разрыв между разработчиками, а не ускоряет их: анализ метрик и рабочих процессов
Массовое внедрение код-агентов и генеративных моделей обещало революцию в скорости разработки, однако реальность оказывается сложнее. Исследования показывают, что средний показатель продуктивности растет незначительно, в то время как успешные кейсы демонстрируют ускорение в 5–12 раз. Ключевой вопрос заключается не в эффективности самого инструмента, а в том, как организационная структура и экономическая модель компаний реагируют на высвобождение человеческого времени.
# ИИ увеличивает разрыв между разработчиками, а не ускоряет их
Вопреки популярному мнению о всеобщем рывке в производительности, использование искусственного интеллекта в разработке программного обеспечения создает глубокую поляризацию. То, что для одних инженеров становится кратным ускорением, для других превращается в тупик или даже замедление работы. Главный барьер здесь не технологический, а системный.
Запутанная статистика: 19% против 500%
Парадокс современности заключается в расхождении между крупными исследованиями и публичными кейсами. В 2025 году компания METR провела строгий эксперимент с участием 16 опытных разработчиков и 246 реальными задачами. Результаты оказались шокирующе скромными: с использованием ИИ специалисты работали в среднем на 19% медленнее без него.
Почему же тогда в соцсетях и отчетах компаний вроде Nubank или Atlassian говорят о росте продуктивности в 8, 12 и даже 50 раз? Разработчик Павел Косяков, анализируя ситуацию, отмечает, что обе стороны правы, но измеряют они разное.
Первый тип разработчика работает так: пишет код, нажимает Tab, спрашивает у чата про регулярные выражения, а затем вручную исправляет ошибки типизации, внесенные моделью. Он быстрее печатает, но остается внутри привычного цикла. Второй тип поручает агентам целые задачи, запускает параллельные сессии, принимает результаты через автоматические тесты и проводит глубокое ревью. Для компании «галочка» о пользовании ИИ ставится у обоих одинаково, но их эффективность не сопоставима.
Исследования, смешивающие эти два подхода в единую метрику, неизбежно получают средний, низкий результат. ИИ не сделал всех быстрее, он просто увеличил дистанцию между теми, кто умеет управлять автономными агентами, и теми, кто пытается общаться с ними в привычном диалоге.
Цена «лицензии»: контекст и скорость ответа
Компании часто совершают ошибку, оценивая эффективность ИИ по количеству выданных лицензий, игнорируя качество инструментов. Доступ к модели, объем контекста и скорость ответа определяют судьбу рабочего дня.
Если код-агент отвечает мгновенно, разработчик может пройти несколько итераций: сгенерировать решение, проверить его, откорректировать и запустить следующий цикл. Это разговорный процесс, где агент — полноценный сотрудник. Если же агент отвечает через двадцать минут, он превращается в внешнего подрядчика: задачу отдают и ожидают результата на следующий день.
Критическую роль играет и квота токенов. Серьезная задача требует глубокого анализа, написания кода, проверки и исправления ошибок. Если корпоративный лимит заканчивается в обед, разработчик в среду начинает работу с полного нуля, теряя весь прогресс вчерашнего дня. Именно такие ограниченные пилоты формируют отчеты о нулевом росте продуктивности, скрывая истинный потенциал инструмента за недостатком ресурсов.
Кейсы успеха: когда умножение работает
Кратные множители (5x, 10x) редко возникают просто от наличия модели. Они требуют перестройки рабочего процесса.
Ярким примером является Дэвис Вагхаун (Davis Vaughan), разработчик пакетов для R. Используя Claude Code, он выполнил около 200 наборов изменений для открытых проектов. По его оценке, вручную это заняло бы 33 часа, а с агентами — всего 8. Разработчик не просто полагался на ИИ; он ужимал задачи до минимальных блоков, изолировал их и оставлял за собой финальный контроль валидации.
Более масштабный случай — миграция ETL-системы в Nubank. Компания заявляет о сокращении часов на 8–12 раз. Здесь сравнивалось время ручной миграции с временем постановки задач агенту и проверки результата. Еще один кейс от Atlassian: команда из пяти человек за пять месяцев превратила прототип в корпоративный продукт. После того как они отказались от попыток заставить агентов понимать предметную область и передали им роль реализации и первичного ревью, результат одного инженера стал в пять раз выше традиционного уровня.
Анализ данных GitHub с участием 100 тысяч разработчиков показывает тревожную картину роста количества кода. С автономными агентами число коммитов выросло на 180%, проектов — на 50%. Однако реальных релизов произошло лишь на 30%. Код создается быстрее, чем организации способны его проверять, интегрировать и выпускать. Узким горлышком становится человеческое внимание: кому-то всё равно нужно принять решение о слиянии.
Рациональная стратегия молчания
Самым серьезным препятствием остается экономическая модель отношений между работодателем и сотрудником. Представьте ситуацию: разработчик нашел способ выполнить дневную норму за два часа. Что произойдет?
Скорее всего, он получит премию, повышение или, что наиболее вероятно, ему будет выдано ещё четыре дневные нормы. Если компания связывает зарплату и бонусы исключительно со скоростью и объемом выданного кода, то использование ИИ для ускорения работы становится экономически невыгодным для самого сотрудника.
В такой среде молчание становится рациональной стратегией. Экономия времени возникает у человека, но не отражается в бухгалтерских отчетах компании. Если в ответ на личный 5x производительности работодатель просто повышает планку до 5x, то будущие дашборды никогда не покажут этого роста. Разработчик может решить посвятить сэкономленное время семье, отдыху или пет-проектам — в результате для корпоративной статистики время освободилось, но прибыль для компании не наступила.
Вымирание старых способов
Не стоит относиться к тем, кто пока не готов полностью сливаться с ИИ, как к динозаврам, которые вымрут мгновенно. Профессиональное вымирание редко бывает быстрым. Человек продолжает получать зарплату, обслуживать legacy-код и ходить на стендапы, хотя его метод производства проигрывает экономически.
ИИ генеративный действительно сделал производство «мусора» дешевым, поэтому критика и ревью кода стали важнее, чем раньше. Но качество кода не определяется только тем, написал его человек или агент. Проблема начинается там, где человек перестает нести ответственность за результат.
Рынок сравнительно сравнивать будет не человека с моделью, а двух разработчиков: одного, механически нажимающего клавиши, и другого, думающего и распоряжающегося машинным временем. Разработчик может изменить свой подход, но для этого нужна готовность компании не наказывать, а вознаграждать инициативу по внедрению эффективных методов работы.
Прежде чем измерять прирост продуктивности от ИИ, стоит проверить готовность организации не наказать человека за то, что он стал эффективнее. Возможно, некоторые разработчики уже работают в несколько раз быстрее, просто их успех не является обязательным для вашей команды.
Терминология: * ИИ-агенты (AI agents): Программные системы, способные автономно принимать решения и выполнять последовательность действий для достижения поставленной цели, в отличие от простых чат-ботов, реагирующих на запросы. * Контекст: Объем информации (код, документация, задачи), доступный модели для формирования ответа. Ограниченный контекст мешает агенту понимать сложные задачи целиком. * Релиз (Release): Действие по выпуску обновленного программного продукта или его части пользователям. * Legacy-код: Устаревшие программные системы, которые все еще функционируют, но могут не поддерживаться разработчиками, создавшими их изначально, или быть написаны на неактуальных технологиях.