Искусственный интеллект позволяет разработчикам писать примерно на 30 % больше программного кода, однако это не приводит к сопоставимому ускорению выпуска готового программного обеспечения. Американские исследователи выяснили, что инструменты автоматической генерации кода действительно повышают продуктивность программистов, но одновременно создают дополнительную нагрузку на специалистов, отвечающих за проверку, исправление и интеграцию изменений. В результате компании получают больше исходного кода, но далеко не всегда могут быстрее превращать его в полноценные программные продукты.

Главная проблема заключается в перераспределении трудозатрат: искусственный интеллект ускоряет начальные этапы разработки, тогда как последующие процессы становятся более продолжительными. Согласно результатам исследования, время проверки и объединения изменений увеличилось на 49 %, а средняя продолжительность проверки выросла с 7,03 до 10,48 дня. Полученные данные ставят под сомнение распространённое представление о том, что массовое внедрение ИИ автоматически сокращает сроки разработки и потребность в программистах. Напротив, человеческий контроль становится ещё более востребованным.

Больше кода не означает больше готовых программ

Генеративные инструменты искусственного интеллекта постепенно становятся привычной частью рабочего процесса разработчиков. Они помогают создавать отдельные функции, автоматизировать повторяющиеся операции, формировать программные конструкции и находить возможные решения технических задач.

На первый взгляд преимущества очевидны: программист тратит меньше времени на написание кода и может выполнять больший объём работы. Однако исследование американских специалистов показало, что увеличение количества созданных строк не обязательно сопровождается аналогичным ростом производительности всей команды.

Анализ результатов использования ИИ выявил заметные изменения сразу по нескольким показателям:

• На 30 % увеличился объём создаваемого программного кода.

• На 20 % выросло количество коммитов — зафиксированных изменений в репозиториях проектов.

• На 23 % увеличилось число запросов на слияние изменений с основной кодовой базой.

Несмотря на положительную динамику этих показателей, исследователи не обнаружили статистически значимого улучшения качества готового программного обеспечения. Не произошло и сопоставимого увеличения объёма конечного продукта.

Это важное различие, поскольку количество строк кода само по себе не является надёжным показателем эффективности разработки. Компактное и грамотно спроектированное решение иногда оказывается значительно полезнее большого объёма автоматически сгенерированных конструкций.

Кроме того, новые фрагменты должны соответствовать архитектуре проекта, требованиям безопасности, внутренним стандартам и уже существующей функциональности. Именно на этих этапах преимущества высокой скорости генерации могут частично утрачиваться.

Проверка кода превратилась в главное препятствие

Одним из наиболее заметных последствий внедрения ИИ стало увеличение нагрузки на сотрудников, занимающихся проверкой программного кода.

Раньше скорость появления новых изменений в значительной степени ограничивалась возможностями самих разработчиков. Теперь интеллектуальные инструменты позволяют генерировать программные решения намного быстрее, чем специалисты успевают их анализировать и интегрировать.

Исследователи зафиксировали следующие изменения:

• Время, необходимое для проверки и слияния кода, увеличилось на 49 %.

• Количество комментариев проверяющих к каждому запросу на слияние выросло на 35 %.

• Доля сотрудников, участвующих в проверке кода, увеличилась на 14 %.

Таким образом, ускорение одного производственного этапа привело к дополнительной нагрузке на следующий.

В разработке программного обеспечения подобную ситуацию называют смещением «узкого места». Если раньше ограничивающим фактором выступала скорость написания кода, то теперь им всё чаще становится способность команды оперативно проверять и принимать изменения.

ИИ не устраняет необходимость человеческого участия, а меняет характер выполняемой работы.

Почему проверка стала занимать почти на три с половиной дня больше

Особенно показательным оказался рост средней продолжительности проверки программных изменений.

До рассматриваемого увеличения использования ИИ этот процесс занимал в среднем 7,03 дня. После внедрения интеллектуальных инструментов показатель достиг 10,48 дня.

Разница составила 3,45 дня, или приблизительно 49 %.

Подобная динамика объясняется не только увеличением количества поступающих запросов на слияние. Существенную роль играет необходимость дополнительно анализировать автоматически созданный код и вносить исправления.

ИИ способен быстро предложить работающее на первый взгляд решение, однако его соответствие требованиям конкретного проекта ещё необходимо подтвердить.

Проверяющим приходится оценивать корректность алгоритмов, совместимость с существующими компонентами, возможные побочные эффекты и качество реализации.

При этом увеличение числа замечаний не обязательно означает, что каждая отдельная строка, написанная искусственным интеллектом, хуже человеческой. Более высокая нагрузка может быть связана и с общим ростом количества изменений, поступающих на проверку.

Тем не менее результат для команды остаётся существенным: ускорение генерации не гарантирует сокращения времени, необходимого для выпуска программного продукта.

Вайб-кодинг меняет разработку, но не решает всех проблем

Распространение генеративного ИИ привело к популярности подхода, известного как вайб-кодинг (vibe coding). В его основе лежит создание программ с помощью текстовых инструкций, когда значительную часть непосредственного написания кода выполняет искусственный интеллект.

Такой метод позволяет быстрее получать прототипы, проверять идеи и реализовывать относительно простые функции. Особенно заметную пользу он может приносить при выполнении типовых задач, где требования понятны, а возможные ошибки легко обнаружить.

Однако в крупных программных системах ситуация значительно сложнее.

Даже если сгенерированный код успешно выполняет отдельную задачу, это ещё не означает, что он соответствует архитектуре всего приложения, не создаёт технического долга и не нарушает работу других компонентов.

Поэтому автоматизация программирования не отменяет необходимость тестирования, архитектурного контроля и профессиональной оценки изменений.

Фактически ИИ позволяет быстрее создавать материал для дальнейшей разработки, но не всегда ускоряет получение результата, готового к эксплуатации.

Почему искусственный интеллект пока не заменяет разработчиков

Результаты исследования затрагивают и более широкий вопрос — влияние искусственного интеллекта на занятость специалистов в сфере информационных технологий.

Распространено мнение, что автоматизация написания кода позволит компаниям значительно сократить количество программистов. Однако рассмотренные данные показывают более сложную картину.

По мере увеличения объёма автоматически создаваемых изменений возрастает потребность в специалистах, способных оценивать их качество, устранять ошибки и обеспечивать стабильность программных продуктов.

При этом исследование не следует воспринимать как доказательство отсутствия сокращений персонала во всей IT-индустрии. Оно прежде всего демонстрирует изменение распределения работы внутри процесса разработки, а не общую динамику занятости на рынке труда.

Вместо полного исчезновения человеческих задач может происходить изменение профессиональных обязанностей.

Разработчики всё больше времени уделяют проектированию архитектуры, постановке требований, проверке решений, интеграции компонентов и контролю качества.

Таким образом, ценность специалиста постепенно смещается от способности быстро писать большой объём кода к умению создавать надёжные системы и оценивать результаты автоматизированной работы.

Может ли искусственный интеллект самостоятельно проверять свой код

Одним из возможных направлений дальнейшего развития становится автоматизация не только написания, но и проверки программного кода.

Современные ИИ-инструменты уже способны анализировать отдельные изменения, предлагать исправления, находить потенциальные ошибки и помогать с подготовкой тестов.

Теоретически сочетание автоматической генерации и интеллектуальной проверки может уменьшить нагрузку на разработчиков и ускорить прохождение изменений через производственный процесс.

Однако у такого подхода есть ограничения.

Если генерация и проверка выполняются системами со сходными недостатками, существует риск, что ошибки останутся незамеченными. Кроме того, корректность программного решения определяется не только отсутствием синтаксических проблем, но и соответствием реальным требованиям, бизнес-логике и условиям эксплуатации.

Поэтому автоматическая проверка должна дополняться независимыми тестами, инструментами статического анализа и контролем критически важных изменений.

Полностью исключать человека из процесса пока преждевременно.

Как компаниям получить реальную пользу от внедрения ИИ

Исследование показывает, что оценивать эффективность искусственного интеллекта исключительно по скорости написания кода недостаточно.

Для бизнеса гораздо важнее понимать, насколько быстро команда способна пройти весь цикл разработки — от постановки задачи до выпуска стабильного обновления.

Поэтому при внедрении генеративных инструментов необходимо учитывать не только количество созданных строк и коммитов, но и время проверки изменений, число повторных исправлений, результаты тестирования и скорость поставки готовых функций.

Особое значение приобретает организация командной работы. Если компания существенно увеличивает скорость генерации кода, но не развивает процессы проверки и тестирования, накопление необработанных изменений может свести часть преимуществ автоматизации на нет.

Более перспективной выглядит модель, при которой ИИ берёт на себя повторяющиеся операции, помогает с подготовкой тестов и предварительным анализом изменений, а специалисты сосредотачиваются на архитектуре, сложных решениях и контроле качества.

Такой подход позволяет использовать технологии для поддержки сотрудников, а не рассматривать их исключительно как инструмент сокращения персонала.

Главный вывод: скорость программирования и эффективность разработки — разные вещи

Полученные исследователями результаты демонстрируют важное противоречие современной автоматизации. Искусственный интеллект способен существенно ускорить создание исходного кода, но это преимущество не обязательно распространяется на весь процесс производства программного обеспечения.

Рост количества изменений увеличивает нагрузку на проверяющих, удлиняет отдельные этапы работы и требует пересмотра привычной организации разработки.

Это не означает, что применение ИИ бесполезно. Скорее, исследование показывает, что технологический прогресс на одном этапе не гарантирует повышения эффективности всей системы.

Главным показателем успешного внедрения искусственного интеллекта должно стать не количество сгенерированного кода, а скорость создания качественного, безопасного и действительно готового к использованию программного продукта.

Именно способность компаний перестроить рабочие процессы под новые возможности ИИ во многом определит, превратится ли ускорение программирования в реальное повышение производительности всей IT-индустрии.