Исследователи обнаружили, что к 2026 году инструменты искусственного интеллекта для написания кода стали для разработчиков настолько привычными, что от них невозможно отказаться.
Хотя ИИ, несомненно, помогает программистам работать быстрее, он не всегда способствует созданию качественного кода, предупреждают другие эксперты. В перспективе это может привести к серьёзным сложностям.
Парадокс продуктивности: почему за скоростью скрываются проблемы
В феврале 2026 года исследовательская лаборатория METR сообщила удивительный факт: большинство разработчиков отказываются выполнять даже ограниченный набор задач без помощи ИИ. Лаборатория планировала обновить данные новаторского исследования 2025 года, посвящённого производительности труда программистов с использованием ИИ. В ходе того исследования измерялось, сколько времени разработчики тратили на выполнение задач вручную и с помощью ИИ.
Несмотря на то, что участники утверждали, что ИИ делает их более продуктивными, результаты показали обратное: искусственный интеллект замедлял их работу. ИИ генерировал код быстрее, но затем разработчики тратили дополнительное время на поиск и исправление ошибок, управление системой и ожидание завершения задач.
Когда METR попыталась повторить эксперимент, чтобы измерить прогресс в ИИ и навыках программистов, у них ничего не вышло. Разработчики не соглашались участвовать, потому что «не желали работать без ИИ», даже в рамках исследования.
Иллюзия эффективности и реальные расходы
В мае METR опубликовала опрос, в котором технические специалисты сами оценивали рост своей продуктивности благодаря ИИ. Неудивительно, что они считали, что ИИ делает их в два раза ценнее для своих компаний.
Однако недавние сообщения о чрезмерных расходах на использование ИИ и ряд новых исследований ставят эти самооценки под сомнение. В начале 2026 года трендом стало измерение продуктивности через количество использованных токенов. Но этот тренд, похоже, уже подошёл к концу.
Так, Amazon закрыла внутреннюю систему ранжирования Kirorank после того, как сотрудники начали злоупотреблять ИИ-агентами, пытаясь подняться в рейтинге, что привело к росту затрат. Этот случай доказал, что использование ИИ не гарантирует повышения продуктивности.
Uber израсходовал весь годовой бюджет на ИИ уже за первые четыре месяца 2026 года. Операционный директор компании Эндрю Макдональд в одном из подкастов отметил, что эти расходы не привели к измеримому росту числа проектов или повышению эффективности.
Скрытые долгосрочные затраты на поддержку кода
Автор и программист Джеймс Шор в своём популярном блоге убедительно показал, что код, созданный ИИ, не обязательно снижает потребность в его последующем обслуживании, а может даже её увеличить.
«Вы пишете код теперь в два раза быстрее? Надеюсь, вы вдвое сократили расходы на его поддержку, — написал он. — Иначе вы в беде. Вы меняете временный прирост скорости на постоянную зависимость».
Есть и другие свидетельства того, что ИИ может усугубить проблемы с поддержкой кода. Компании тратят около 44% своих токенов на исправление ошибок, сгенерированных их же ИИ. Анализ открытых пул-реквестов показал, что код, созданный ИИ, содержит в 1,7 раза больше проблем по сравнению с кодом, написанным человеком.
Эти данные, безусловно, могут быть предвзятыми, поскольку их публикуют компании, продающие инструменты для проверки кода. Однако независимые исследователи, в том числе из Сингапурского университета менеджмента, также обнаружили подобные проблемы. Их отчёт, опубликованный в апреле, предупреждает, что «ИИ-генерируемый код может привести к долгосрочным затратам на поддержку в реальных проектах».
Какое решение предлагают эксперты?
Создатели ИИ-агентов для написания кода утверждают, что разработчики могут использовать этих же агентов для выполнения утомительной работы по исправлению кода так же быстро, как ИИ его генерирует. Такой точки зрения придерживается, например, основатель компании Cognition Скотт Ву, создавший ИИ-агента Devin.
Однако даже он признаёт, что хотя Devin может работать независимо, его текущий уровень навыков соответствует уровню от начинающего до программиста средней квалификации, в зависимости от задачи. Это не решение по принципу «сделал и забыл».
Исследователи из Сингапурского университета менеджмента предлагают более человекоцентричный подход. Программисты должны глубоко понимать, с какими задачами ИИ справляется хорошо, а с какими — плохо, так же, как они знают свои любимые языки программирования. Им необходимы сильные системы контроля качества, адаптированные для работы с ИИ, а также тщательный пересмотр работы искусственного интеллекта, как если бы это был код начинающего разработчика.
При этом исследователи (и с ними согласен Скотт Ву) считают, что люди должны по-прежнему выполнять задачи стратегического уровня, такие как проектирование архитектуры программного обеспечения и систем безопасности.
