Влияние AI‑инструментов на эффективность и навыки инженеров. Часть 1

Введение

AI-инструменты для программирования, такие как GitHub Copilot, ChatGPT, Cursor и им подобные – стремительно вошли в повседневную практику разработки. Они обещают ускорить написание кода, снять рутинные задачи с плеч и даже повысить продуктивность. Однако вместе с выгодаvb возникают вопросы: как использование таких помощников влияет на эффективность работы опытных инженеров и не приводит ли оно к снижению когнитивных способностей и утрате базовых навыков (например, самостоятельного отладки и архитектурного мышления)? Я собрал академические исследования и кейсы от компаний, изучающие эти аспекты. Мы проанализируем, где выводы разных источников совпадают, в чем расходятся, и какие вопросы пока остаются открытыми. Также посмотрим, какие тезисы подтверждены данными, а какие пока являются гипотезами.

Эффективность разработки с AI: рост или спад?

Ряд исследований демонстрирует, что использование AI-ассистентов способно ощутимо повысить скорость разработки. В экспериментах GitHub разработчики, работавшие с Copilot, справлялись с типовыми задачами заметно быстрее: например, при написании небольшого веб-сервера группа с Copilot завершила задание на 55% быстрее (в среднем за 1 час 11 минут против 2 часов 41 минуты у контрольной группы)[1]. В корпоративных условиях результаты тоже впечатляют. Крупное полевое исследование, охватившее ~4,800 разработчиков в Microsoft, Accenture и др., показало увеличение выполненных задач на 26% при подключении GitHub Copilot[2]. Также фиксировался рост сопутствующих метрик – количество коммитов в неделю выросло на ~13.5%, а частота компиляций – на 38%[2]. В внутреннем кейсе компании Harness подключение Copilot привело к росту числа pull request на 10.6% и сокращению среднего цикла разработки на 3.5 часа (примерно на 2.4%)[3][4]. В целом, данные свидетельствуют, что AI-инструменты действительно могут ускорять работу над рутинными и типовыми частями кода, позволяя быстрее проходить итерации разработки.

Важно подчеркнуть, что эффект ускорения распределяется неравномерно в зависимости от уровня разработчика. Почти все источники сходятся на том, что молодые специалисты и мидл получают от AI-помощников больше выгоды, чем сеньоры. В вышеупомянутом полевом эксперименте наиболее высокий прирост продуктивности наблюдался у инженеров с небольшим стажем: выпускники и джуны увеличивали выпуск фич на 27–39%, а разработчики уровня junior – на 21–40%[5]. Напротив, у опытных и долго работающих в компании инженеров рост был гораздо скромнее – порядка 7–16%[5]. Аналогичные цифры приводит исследование MIT Sloan: недавний найм и нижние уровни должностей повысили продуктивность на 27–39%, тогда как сеньоры – лишь на ~8–13%[6][7]. Объясняется это и более высокой готовностью младших инженеров пользоваться подсказками, и тем, что опытные разработчики уже владеют контекстом и ручные решения для них не столь трудозатратны[6][8]. AI лучше всего ускоряет работу там, где у человека не хватает знаний или нужно сгенерировать шаблонный код – в таких случаях он экономит время на поиске в документации и написании шаблонов[9]. Для сеньора же, который и так знает, как решить задачу, выигрыш от AI меньше, а иногда подсказки даже мешают.

Примечательно, что имеются и исследования, выявившие обратный эффект для опытных инженеров. В недавнем контролируемом эксперименте (2025) с участием 16 зрелых open-source разработчиков использование современных AI-моделей замедлило работу: задачи решались в среднем на 19% дольше, когда ассистент был разрешен[10]. При этом разработчики субъективно были уверены в обратном – они ожидали ускорения ~24%, и даже столкнувшись с замедлением, после эксперимента все равно полагали, что AI их ускорил на ~20%[11]. Этот разрыв между восприятием и реальностью – своего рода «плацебо продуктивности»[12][13]. Он возникает потому, что AI создает ощущение быстрого прогресса (код появляется сразу по запросу), давая дофаминовое подкрепление за активность в редакторе[14][15]. Однако ощущение скорости не всегда переходит в реальную экономию времени на завершение задачи.

Эксперты и сами разработчики прогнозировали ускорение (зеленые точки – ожидаемое сокращение времени с AI), однако фактически задачи выполнялись медленнее (красная точка показывает увеличение времени)[10][11]. Даже после эксперимента инженеры переоценивали пользу AI, что свидетельствует о сильном когнитивном искажении в пользу ассистента.

Почему опытные инженеры могли замедлиться? Анализ показывает несколько причин. Во-первых, накладные расходы на использование AI: требуется время, чтобы сформулировать подсказку, затем понять и проверить сгенерированный код, встроить его в проект. Сеньор-разработчик часто тратит дополнительные минуты на ревью кода ассистента и его доработку под стандарты проекта[16][17]. Если решение задачи изначально было ему ясно, то прямое написание кода вручную могло быть быстрее, чем управлять AI-агентом. Во-вторых, AI склонен генерировать лишний или неточный код, особенно на больших контекстах – появляется «раздувание» решения и дополнительные баги, исправление которых съедает выигрыш по времени[18][19]. Как отмечают инженеры, «AI экономит время на наборе текста, но добавляет время на чтение и распутывание чужого кода»[20][21]. Эффект особенно заметен в сложных, крупных кодовых базах, где у сеньора есть устоявшееся верное решение – ассистент же может лишь частично угадать структуру, и предложенный черновик приходится существенно перерабатывать[16][17]. Таким образом, прирост продуктивности от AI далеко не гарантирован: он зависит от характера задач и уровня разработчика. В реальных командах тоже отмечают, что большинство разработчиков оценивают влияние AI умеренно: по опросам, лишь ~16% считают, что AI сильно повысил их продуктивность, тогда как ~41% не заметили большой разницы[22]. Совокупность данных указывает на вариативность результатов: AI-инструменты отлично ускоряют решение типовых и новых для разработчика проблем, но на экспертов в их собственной области воздействие может быть минимальным или даже негативным. Ниже приведена таблица, суммирующая ключевые исследования продуктивности:

Эффект AI-ассистентов на скорость и продуктивность разработки

Ниже приведена сводная таблица по вышеупомянутым исследованиям:

Общий вывод: AI-инструменты лучше всего показывают себя на рутинных, типовых фрагментах работы, снимая нагрузку по написанию шаблонного кода, по поиску справочной информации и по простым исправлениям. Они помогают разработчикам сохранить концентрацию и силы для более творческих задач. Согласно опросу GitHub, 87% разработчиков отметили, что Copilot экономит их умственные усилия на повторяющихся участках работы, а 73% – что он помогает дольше сохранять состояние потока[28][29]. Более 90% опрошенных почувствовали, что выполняют задачи быстрее с помощью AI[30][31]. Также AI-помощники повышают удовлетворенность трудом: 60–75% пользователей Copilot сообщили, что чувствуют себя более счастливыми в работе и менее фрустрированными, поскольку могут сконцентрироваться на более интересных аспектах, поручив рутину ИИ[32][33]. Эти субъективные эффекты важны, так как мотивация и фокус напрямую влияют на продуктивность и качество труда[34][35]. Руководители, внедряющие AI-инструменты, отмечают и коэффициент счастья: разработчики получают удовольствие, имея «напарника» для кода, что может снижать выгорание[36][37].

С другой стороны, исследования и кейсы указывают на ряд ограничений. Во-первых, эффект AI на скорость не линейный и не бесконечный – никакого «магического 10x» ускорения не наблюдается[38][39]. Даже +26% или +55% ускорения касаются отдельных метрик и задач, и далеки от десятикратного роста производительности. Реальные процессы разработки ограничены не скоростью набора кода, а узкими местами вроде согласования требований, код-ревью, прогона тестов, устранения багов, деплоя и т.д.[40][41] – AI их не устраняет. Во-вторых, контекстное переключение и параллелизация работы с помощью AI могут создавать дополнительную нагрузку. Анализ рабочих привычек 1255 команд (Faros AI, 2025) показал, что активное применение кодогенерации ведет к тому, что разработчики ведут на 9% больше задач одновременно и открывают на 47% больше PR-ов в день[42][43]. То есть AI побуждает их работать в несколько потоков (ведь сгенерировать основу для функционала теперь можно быстрее). Исторически же многозадачность коррелирует с падением эффективности, так как растет когнитивная нагрузка и время на переключения контекста[44][45]. В итоге часть выигрыша от быстрого написания кода нивелируется увеличением времени на координацию этих параллельных потоков и проверку AI-результатов[44][46].

Наконец, стоит отметить порог освоения и доверия. В компаниях внедрение AI-помощников идет постепенно: через год после запуска Copilot в тестовых группах постоянными пользователями становились лишь ~60% разработчиков[47][48]. Некоторые сеньоры предпочитают поначалу не принимать подсказки AI или ограничивать его использование[49][50]. Причины включают недоверие к качеству генерируемого кода (особенно после первых же выявленных ошибок) и инерцию от устоявшихся практик. Как показывают опросы, самый частый недостаток AI-кодогенерации – “код почти правильный, но не до конца” (так ответили ~66% разработчиков), и еще ~45% указали на время, затраченное на отладку сгенерированного AI кода[51][52]. То есть разработчики часто сталкиваются с ситуацией, когда ассистент выдает правдоподобное, но некорректное решение, требующее дополнительной отладки. Это, в свою очередь, ведет к когнитивным эффектам – возможно, снижению навыков самостоятельного поиска ошибок.

Это еще не все, во второй части разберем когнитивные эффекты, совпадения и расхождения в выводах, а также подведем итоги, какие выводы можно сделать, при условии того, что нет однозначности в экспериментах, которые проводились.

А пока, буду ждать вас в комментариях, поделитесь вашим мнением, AI в итоге помогает или наоборот "развращает".