Разработчики отказываются работать без ИИ даже в рамках экспериментов, показало исследование METR
ИИ-ассистенты ускоряют написание кода, но увеличивают время на отладку и исправление ошибок
Компании перерасходуют бюджеты на ИИ без измеримого роста продуктивности, как в случаях Amazon и Uber
Доля кода, сгенерированного ИИ, требует на 44% больше исправлений и создаёт в 1,7 раза больше проблем, чем написанный человеком
К середине 2026 года индустрия разработки ПО фактически прошла точку невозврата: оторвать программистов от инструментов AI-кодинга оказалось практически невозможно — даже в лабораторных условиях.
Источник изображения — techcrunch.com
При этом ИИ, безусловно, помогает писать код быстрее, но это не гарантирует роста его качества — и в перспективе такой перекос грозит серьёзными проблемами для всей индустрии.
В феврале 2026 года исследовательская лаборатория METR, специализирующаяся на оценке возможностей ИИ-систем, столкнулась с неожиданным открытием: подавляющее большинство разработчиков больше не соглашаются работать без ИИ, даже если речь идёт об ограниченном круге задач.
Изначально команда планировала лишь обновить данные своего резонансного исследования 2025 года, посвящённого продуктивности AI-кодинга. Тогда учёные сравнивали, сколько времени опытные open source-разработчики тратят на задачи вручную и с использованием ИИ — в эксперименте участвовал 57 разработчиков со средним стажем около 10 лет, выполнивших более 800 задач в 143 репозиториях.
Результаты оказались контринтуитивными: перед началом работы участники ожидали, что ИИ ускорит их примерно на 24%, а после завершения задач были уверены, что выиграли около 20% времени. На деле же с ИИ разработчики работали в среднем на 19% медленнее — код действительно генерировался быстрее, но дополнительное время уходило на поиск и исправление ошибок, управление ИИ-агентом и ожидание завершения его работы.
Когда METR попыталась повторить эксперимент, чтобы оценить прогресс ИИ и изменение навыков программистов, сделать это оказалось невозможно: набрать контрольную группу, готовую работать без ИИ, не удалось в принципе.
Разработчики массово отказывались участвовать в исследовании, «потому что не желают работать без ИИ» — даже ради науки, признались авторы METR.
Вместо контролируемого эксперимента METR в мае опубликовала опрос, где технические специалисты сами оценивали рост своей продуктивности от ИИ. Неудивительно, что респонденты сочли, что ИИ сделал их для компаний в среднем вдвое ценнее.
Токенмаксинг — уходящий тренд
Подобные самооценки, впрочем, стоит воспринимать с осторожностью. Независимый опрос компании DX, охвативший около 20 000 разработчиков, показал более сложную картину: именно senior-инженеры реже всех остальных внедряют ИИ в повседневную работу, но именно они экономят больше всего времени при регулярном использовании — в среднем около 4,4 часа в неделю.
На этом фоне заголовки о запредельных расходах на так называемый tokenmaxxing — использование количества потраченных токенов как показателя продуктивности работы с ИИ — заставляют усомниться в адекватности такой метрики. Судя по всему, тренд, доминировавший в начале 2026 года, уже сходит на нет.
Так, Amazon закрыла свой внутренний рейтинг Kirorank, отслеживавший расход токенов сотрудниками, после того как персонал начал злоупотреблять системой — чрезмерно нагружая ИИ-агентов ради красивых показателей, сообщила Financial Times. По сути, сотрудники наглядно доказали, что интенсивное использование ИИ не тождественно росту продуктивности.
Uber, по данным The Information, израсходовала весь годовой бюджет на ИИ за первые четыре месяца 2026 года. При этом операционный директор компании Эндрю Макдональд в подкасте признал, что такие траты не привели к заметному росту числа проектов или общей продуктивности команд.
Есть и более фундаментальная проблема: AI-сгенерированный код не обязательно снижает затраты на его последующую поддержку — а может даже их увеличивать. Об этом в посте, ставшем вирусным на Hacker News, написал программист и автор Джеймс Шор: по его словам, если скорость написания кода выросла вдвое, а расходы на его поддержку — нет, разработчик фактически меняет временное ускорение на постоянную зависимость от латания дыр.
Подтверждения того, что ИИ усугубляет проблемы с поддержкой кода, находятся и с других сторон. Основательница и CEO стартапа Entelligence AI (компания разрабатывает агентов для инженерии надёжности) Айшварья Санкар в своём резонансном твите заявила, что компании тратят до 44% токенов именно на исправление багов, которые сгенерировал их же ИИ. Сервис для ревью кода CodeRabbit, в свою очередь, утверждает, что код, написанный ИИ, создаёт примерно в 1,7 раза больше проблем, чем код, написанный человеком.
Конечно, у обеих компаний есть прямая коммерческая заинтересованность в продвижении инструментов для проверки ИИ-кода, так что к этим цифрам стоит относиться с поправкой на маркетинг.
Тем не менее похожие выводы делают и независимые исследователи. Учёные из Сингапурского университета менеджмента (SMU) в апреле опубликовали доклад с предупреждением: сгенерированный ИИ код способен создавать долгосрочные скрытые издержки на поддержку в реальных программных проектах.
Что делать разработчикам и бизнесу
Учитывая, насколько прочно программисты успели привязаться к своим ИИ-помощникам, встаёт закономерный вопрос: что с этим делать?
Компании, продвигающие ИИ-агентов для кодинга, предлагают закономерное решение — использовать те же инструменты для рутинной работы по исправлению кода, причём с той же скоростью, с какой ИИ этот код генерирует. Такой позиции придерживается, в частности, Скотт Ву, основатель и CEO компании Cognition, создавшей ИИ-агента Devin.
Впрочем, даже он признаёт: хотя Devin способен работать автономно, по уровню навыков его правильнее сравнивать с разработчиком уровня между junior и middle — в зависимости от конкретной задачи. Иными словами, полностью переложить контроль на ИИ пока не получится.
Исследователи из SMU предлагают более взвешенный, «человеческий» подход. Программисты должны знать сильные и слабые стороны ИИ в кодинге так же хорошо, как свой основной язык программирования. Им нужны выстроенные под работу с ИИ процессы контроля качества, а его результаты стоит проверять с той же тщательностью, что и код junior-разработчика.
При этом и исследователи, и Ву сходятся в одном: за людьми по-прежнему должны оставаться стратегические задачи — проектирование архитектуры программных систем и обеспечение их безопасности.
