Искусственный интеллект, управляющий процессом программирования, генерирует больше кода, но не больше программного обеспечения.

Любой, кто хоть как-то связан с компьютерным программированием, знает, что современные помощники и агенты на основе искусственного интеллекта могут невероятно эффективно генерировать огромные объемы функционального кода . Но программисты, использующие эти инструменты, также понимают, что не стоит доверять точности этого кода , а это значит, что необходимо приложить значительные усилия для проверки любого результата, сгенерированного ИИ.

Недавнее исследование реальной практики кодирования в сотнях компаний показало, что проверка кода человеком является существенным «узким местом» для общей эффективности инструментов ИИ-кодирования, в результате чего «мало доказательств того, что компании увеличивают объем выпуска программного обеспечения или сокращают занятость», используя их. Любая эффективность, повышенная на этапе непосредственного кодирования, как выяснили авторы исследования, «поглощается ограничениями на последующих этапах производственного процесса»; поскольку «процесс проверки кода значительно увеличивается, запросы на слияние (pull requests) с большей вероятностью требуют доработок, а рецензенты оставляют больше комментариев».

Отрежь один раз, отмерь дважды.

Чтобы прийти к этим выводам, исследователи из Гарвардского университета Фиона Чен и Джеймс Страттон использовали агрегированные аналитические данные от Jellyfish , которая измеряет детальную производительность инженерных команд. Эти данные охватывают 300 миллионов отдельных «рабочих событий» (например, коммиты и запросы на слияние) и данные программного обеспечения для управления проблемами, полученные от более чем 700 000 сотрудников более чем 700 соответствующих компаний-разработчиков программного обеспечения в период с 2021 года по март 2026 года.

Для оценки влияния инструментов ИИ на эти компании исследователи использовали сочетание непосредственно измеренного использования ИИ и анализа активности на GitHub, чтобы определить, когда каждая компания начала внедрять в свои рабочие процессы либо помощников по программированию на основе ИИ (которые могут помогать автоматически дополнять код, написанный преимущественно людьми), либо агентов по программированию на основе ИИ (которые в основном пишут и отправляют код автономно на основе подсказок). Затем исследователи выполнили сложные математические вычисления, чтобы определить регрессионный анализ «разности разностей» по ключевым переменным как до, так и после внедрения этих инструментов в разные моменты времени в разных организациях.

Что касается генерируемого исходного кода, результаты очевидны и поразительны. Внедрение агентов ИИ в компанию приводит к увеличению общего количества сгенерированных строк кода на 30 процентов, увеличению общего количества коммитов на 20 процентов и увеличению количества запросов на слияние (pull requests) в среднем на 23 процента, пишут исследователи. Но весь этот дополнительный код не приводит напрямую к улучшению производительности программного обеспечения на уровне компании. Напротив, скорость разрешения задач и эпиков (то есть, целых функций программного обеспечения), отслеживаемых такими инструментами, как Jira, статистически значимо не изменилась после внедрения инструментов ИИ (исследователи также не обнаружили «композиционного сдвига» в размере или сложности этих задач, отслеживаемых в Jira, после внедрения ИИ).

Причина этого расхождения кроется непосредственно в процессе проверки кода, который в среднем занимает значительно больше времени после внедрения агентов ИИ. В целом, среднее время «процесса проверки» между отправкой запроса на слияние и его слиянием в кодовую базу увеличивается в среднем на 49 процентов после внедрения агентов ИИ. Этот эффект можно увидеть и в более детализированных данных: «доля запросов на слияние с запрошенными изменениями почти удвоилась, а количество комментариев к каждому запросу на слияние увеличилось на 35%» после перехода на агентов ИИ, пишут исследователи.

В ответ на эти изменения исследователи обнаружили 14-процентное увеличение доли работников, занимающихся проверкой кода, после внедрения агентов искусственного интеллекта. Они также пишут, что «не могут связать значительные изменения в занятости с ИИ», проанализировав общее количество активных работников в Jellyfish и сопоставив эти данные с данными LinkedIn этих компаний.

Хотя теоретически ИИ мог бы помочь и в этом процессе проверки, исследователи обнаружили, что пока его влияние незначительно. Несмотря на то, что к марту 2026 года 80 процентов компаний, участвовавших в исследовании, использовали ту или иную форму проверки кода с помощью ИИ, агенты ИИ отвечали только за 23,3 процента всех комментариев к проверкам и 10,8 процента всех запросов на слияние, что говорит о том, что подавляющая часть этой работы по-прежнему выполняется людьми.

Конечно, ИИ-агенты — относительно новая область в мире программирования, и с момента окончания сбора данных в марте 2026 года в ходе этого исследования были внесены значительные обновления и улучшения в их работу. И хотя к настоящему моменту 95 процентов компаний, участвовавших в исследовании, уже внедрили ИИ-агентов для программирования, многие, несомненно, все еще находятся в процессе обучения тому, когда и как лучше всего их использовать. Подобные компромиссы между «временем на программирование и временем на проверку» могут улучшиться по мере того, как команды разработчиков программного обеспечения будут накапливать опыт, изучая преимущества и недостатки использования ИИ-агента для решения конкретных задач программирования.

Однако на данный момент предоставление ИИ возможности писать код выглядит как палка о двух концах: увеличение скорости кодирования компенсируется аналогичным увеличением времени и усилий, затрачиваемых людьми на проверку кода. Это тот случай, когда мы задаемся вопросом, действительно ли для большинства компаний оправданы значительные затраты времени и средств на внедрение агентов ИИ в процесс кодирования.