ИИ ускорил программистов, но не саму разработку: разбор исследования 500+ IT-команд

Внедрение генеративного искусственного интеллекта в повседневную практику программистов давно перестало быть экспериментом. Почти все крупные IT-команды активно используют нейросетевые кодинг-ассистенты. Однако насколько существенный выигрыш получает организация в целом? Исследование аналитической платформы DX (ныне входящей в состав Atlassian), основанное на показателях более 500 инженерных подразделений, показывает весьма противоречивую картину. Скорость написания отдельного кода действительно выросла, но общее время создания продуктов практически не изменилось.

Я внимательно изучил опубликованные результаты отчета за второй квартал 2026 года. В выборку DX вошли данные таких технологических гигантов и финансовых компаний, как GitHub, Airbnb, Pinterest и Morgan Stanley. Если раньше аналитики сравнивали инженеров, использующих AI, с контрольными группами без нейросетей, то сегодня это теряет смысл: уровень проникновения кодинг-ассистентов превысил 90%. Поэтому исследование сфокусировалось на практических последствиях применения ИИ — от объема изменений до окупаемости инвестиций.

По ключевым метрикам продуктивности зафиксирован ощутимый рывок: медианный показатель пропускной способности (TrueThroughput) за четыре квартала увеличился на 37% — с 1,42 до 1,94 замерженных pull request (PR) на одного разработчика в неделю. Но этот прирост распределился неравномерно. Наибольшую выгоду получили небольшие команды до 100 человек и стартапы. В крупных корпорациях и традиционном бизнесе разрыв в эффективности продолжает увеличиваться. Давайте разберем главные выводы исследования по пунктам.

1. ИИ генерирует уже больше половины кода

Доля кода, созданного с помощью нейросетей и попавшего в финальные ветки репозиториев, растет стремительными темпами. В первом квартале 2026 года на сгенерированные фрагменты приходилось около 34% всех изменений, а во втором квартале этот показатель достиг 52%. Подчеркну: речь идет не о простых подсказках в редакторе, а именно об интегрированном и смерженном коде, прошедшем проверку.

Такой масштаб говорит о том, что генеративные сервисы глубоко проникли в рабочий процесс. Сгенерированные строки затрагивают ключевые зависимости и архитектурные компоненты. При этом сама по себе масса ИИ-кода не гарантирует его полезность или высокую ценность для бизнеса. Чтобы оценить реальный эффект, необходимо соотносить эти цифры со скоростью поставки фич и общим качеством продукта.

2. Появляются тревожные сигналы по качеству

Параллельно с ростом доли ИИ-кода медианный объем одного pull request увеличился почти в два раза. Сам по себе крупный PR не является однозначным злом, но он служит явным индикатором растущих рисков. Чем больше строк за раз отправляется на проверку, тем выше вероятность пропустить критическую уязвимость или логическую ошибку.

В этом заключается фундаментальный побочный эффект нейросетей: искусственный интеллект радикально удешевляет создание нового кода, но никак не упрощает его рецензирование человеком. В итоге узкое место в цепочке разработки просто сместилось дальше. Разработчик быстро генерирует объемный пласт изменений, а его коллеги вынуждены тратить больше сил и времени на кодинг-ревью, ручное тестирование и интеграцию.

3. По части опыта разработчиков ситуация ухудшается

За последние четыре квартала индекс опыта разработчиков (Developer Experience Index, DXI) снизился с 67 до 65 пунктов. Влияние AI оказалось двусмысленным: с одной стороны, улучшилось качество технической документации, упростилась понятность кода и ускорился онбординг новичков. С другой — раздутые PR привели к задержкам на этапе ревью и снижению регулярности инкрементальных релизов.

Наблюдается очевидный парадокс метрик. Сопровождаемость кода выросла примерно на 3,8% — программистам стало проще читать и понимать чужой код. Однако уверенность в безопасности вносимых изменений упала на 6,1%. Специалисты стали меньше доверять результатам работы нейросетей и чаще опасаются поломок в продакшене.

4. ИИ упрощает понимание кодовой базы, но одновременно снижает доверие к сгенерированному коду

Анализ данных показал разнонаправленную динамику показателей, которые исторически коррелировали. Понятность и легкость поддержки архитектуры выросли, а уверенность инженеров в стабильности релизов просела. Ранее считалось: если код читаемый и чистый, менять его безопасно. AI разрушил эту взаимосвязь.

Нейросети способны создавать локально аккуратный и красивый код, однако они не всегда учитывают общесистемные связи и скрытые побочные эффекты. Я рекомендую командам разделять понятия «читаемость кода» и «безопасность изменений». По мере увеличения доли автосгенерированных фрагментов решающую роль начинает играть не эстетика текста, а качество автоматизированного тестирования и валидации логики перед деплоем.

5. Экономия времени пока не превращается в новую разработку

Согласно подсчетам DX, кодинг-ассистенты высвобождают каждому специалисту от 4 до 6 часов в неделю. Казалось бы, эти сэкономленные ресурсы должны направляться на проектирование новых функций и создание продуктов. Но статистика показывает, что доля времени, затрачиваемая на чисто новую разработку, осталась практически без изменений.

Куда же исчезают сэкономленные долгие часы? Они растворяются в сопутствующих накладных расходах: долгое ожидание ревью, усложнившаяся отладка, устранение конфликтов слияния и доработка автосгенерированных алгоритмов. Экономия на этапе печати текста полностью поглощается задержками на последующих стадиях CI/CD и проверки.

6. Расходы на ИИ растут намного быстрее, чем отдача от него

За прошедший год медианные затраты организаций на AI-инструменты увеличены с $1,5 тыс. до $44 тыс. в квартал. В технологических компаниях рост расходов оказался еще более драматичным — почти в 28 раз. Инвестиции в подписки и API-ключи взлетели до небес, что заставляет руководство требовать жесткого обоснования ROI.

Пока расходы были символическими, никто не требовал детальных отчетов. Сегодня топ-менеджмент ждет понятной отдачи: реального сокращения Time-to-Market, ускорения релизного цикла и роста объема готовых бизнес-фич. Если команда тратит десятки тысяч долларов на AI, но производительность на выходе осталась прежней, обосновать дальнейшее финансирование будет крайне тяжело.

Что это значит для руководителей

Рынок окончательно перешел от этапа восторженных экспериментов с нейросетями к фазе прагматичной оценки их экономической эффективности. Самого факта выдачи разработчикам платных аккаунтов Copilot или Claude недостаточно для победы в конкурентной борьбе.

Техническим директорам и тимлидам необходимо перестать оценивать успех ИИ по количеству сгенерированного кода или сэкономленным часам набора текста. Внимание следует переключить на устранение системных проблем во всей цепочке поставки. Если написание кода ускоряется, а этап проведения ревью и QA затягивается, итоговая эффективность компании падает.

Для получения реальной отдачи от искусственного интеллекта нужно перестраивать инженерную культуру и процессы. Внедряйте автоматические тесты, оптимизируйте регламенты ревью, разбивайте крупные задачи на мелкие PR и адаптируйте инфраструктуру деплоя. Только при комплексном подходе сэкономленное время превратится в готовый продукт, а расходы на AI оправдают себя.

Источник: habr.com