Парадокс AI-кодирования
Каждый, кто хоть как-то соприкасался с программированием, знает: современные AI-ассистенты и агенты невероятно эффективны в генерации больших объёмов функционального кода. Но разработчики, использующие эти инструменты, хорошо знают, что не стоит доверять точности этого кода, поэтому требуется немалых усилий для проверки любого AI-генерируемого результата.
Недавнее исследование реальных практик кодирования в сотнях компаний показало: человеческое рецензирование кода становится значительным "узким местом" в общей эффективности AI-инструментов. В результате наблюдается "мало свидетельств того, что компании увеличивают выпуск ПО или сокращают численность персонала". Прирост производительности на этапе кодирования "поглощается нижестоящими ограничениями производственного процесса": "процесс код-ревью заметно удлиняется, pull request чаще требуют доработок, а рецензенты оставляют больше комментариев".
Измеряй дважды, режь один раз
Для этого исследования учёные из Harvard Fiona Chen и James Stratton использовали агрегированные аналитические данные от Jellyfish — платформы, отслеживающей детальный выпуск инженерных команд. Данные охватывают 300 миллионов отдельных "рабочих событий" (коммиты, pull request) и информацию из систем управления задачами более 700 тыс. сотрудников в свыше 700 компаний разработки ПО с 2021 года по март 2026-го.
Для оценки влияния AI-инструментов исследователи сочетали прямо измеренное использование AI с анализом активности на GitHub, чтобы определить, когда каждая компания начала внедрять AI-ассистентов кодирования (помогающих автодополнению кода, в основном писанного людьми) и/или AI-агентов (пишущих и отправляющих код автономно на основе промптов). Затем применили сложный статистический анализ "разности разностей" для ключевых метрик до и после внедрения инструментов в разных организациях в разные моменты времени.
Результаты в части количества генерируемого кода оказались ясны и убедительны. Внедрение AI-агентов в компании приводит к увеличению на 30% общего числа строк кода, на 20% — числа коммитов и на 23% — pull request в среднем. Однако весь этот дополнительный код не трансформируется напрямую в улучшение выпуска ПО на уровне компании. Напротив, частота разрешения Issues и Epics (то есть полнофункциональных фич ПО), отслеживаемых в инструментах вроде Jira, статистически значимо не изменилась после внедрения AI-инструментов. Исследователи также не обнаружили изменений в размере или сложности отслеживаемых Jira-задач.
Причина этого несоответствия кроется прямо в процессе код-ревью, который заметно удлиняется после внедрения AI-агентов. В среднем время "процесса рецензирования" между отправкой pull request и мёржем в основную кодовую базу растёт на 49% после внедрения AI-агентов. Это видно и в более детализированных данных: "доля pull request, требующих доработок, почти удвоилась, а число комментариев на один pull request увеличилось на 35%", пишут исследователи.
В ответ на это изменение исследователи выявили 14% рост доли сотрудников, занимающихся код-ревью после внедрения AI-агентов. Однако они также отмечают, что "не могут приписать значительные изменения занятости AI" после анализа общего числа активных сотрудников в Jellyfish и перекрёстной проверки с данными LinkedIn этих компаний.
Рецензирование всё ещё за людьми
AI теоретически могла бы помочь и в самом процессе рецензирования, однако исследователи обнаружили, что пока этот эффект маржинален. Хотя 80% измеренных компаний использовали какую-то форму AI-ревью кода к марту 2026-го, AI-агенты были ответственны лишь за 23,3% всех комментариев ревью и 10,8% всех pull request. Это свидетельствует, что люди по-прежнему несут основную нагрузку.
AI-агенты — всё ещё относительно новое явление в мире кодирования, и за время, прошедшее после срезки данных марта 2026 года, произошли значительные обновления и улучшения их возможностей. Хотя 95% компаний в исследовании уже внедрили AI-агентов, многие всё ещё проходят обучение в отношении того, когда и как лучше их применять. Такие компромиссы "время кодирования vs. время ревью" могут улучшиться по мере накопления опыта команд в использовании плюсов и минусов AI-агентов на конкретных задачах.
Пока же AI-кодирование выглядит обоюдоострым мечом: прирост скорости кодирования нивелируется возросшей затратой времени и усилий человека на код-ревью. Это заставляет задуматься: действительно ли для большинства компаний стоит значительная трата времени и денег на внедрение AI-агентов?