Любой, кто хоть как-то связан с программированием, знает, что современные ИИ-ассистенты и агенты для написания кода могут быть невероятно эффективны в генерации огромных объемов рабочего кода. Однако программисты, использующие эти инструменты, знают, что не стоит слепо доверять точности этого кода, а это значит, что существенные усилия должны быть потрачены на проверку любого кода, сгенерированного ИИ.
Недавнее исследование реальных практик кодирования в сотнях компаний выявило, что проверка кода человеком является значительным «узким местом» для общей эффективности ИИ-инструментов для написания кода, в результате чего «мало свидетельств того, что компании увеличивают объем выпускаемого программного обеспечения или сокращают штат» за счет их использования. Любое повышение эффективности на этапе написания кода, как обнаружили авторы исследования, «поглощается последующими ограничениями производственного процесса»; поскольку «процесс проверки кода значительно увеличивается по продолжительности, запросы на слияние (pull requests) чаще требуют доработки, а рецензенты оставляют больше комментариев».
Семь раз отмерь, один раз отрежь
К этим выводам исследователи из Гарвардского университета Фиона Чен и Джеймс Страттон пришли, используя агрегированные аналитические данные от Jellyfish, которая измеряет детальные результаты работы инженерных команд. Эти данные охватывают 300 миллионов индивидуальных «рабочих событий» (например, коммиты и запросы на слияние) и данные программного обеспечения для управления задачами от более чем 700 000 сотрудников в более чем 700 соответствующих фирмах по разработке программного обеспечения с 2021 года по март 2026 года.
Для оценки влияния ИИ-инструментов на эти компании исследователи использовали комбинацию непосредственно измеренного использования ИИ и анализа активности на GitHub, чтобы определить, когда каждая компания начала внедрять либо ИИ-ассистентов для написания кода (которые помогают автодополнять код, написанный в основном людьми), и/или ИИ-агентов для написания кода (которые в основном пишут и отправляют код автономно на основе запросов) в свои рабочие процессы. Затем исследователи провели сложные расчеты, чтобы определить регрессию «разности разностей» по ключевым переменным до и после внедрения этих инструментов в разное время в разных организациях.
Что касается объема генерируемого кода, результаты ясны и разительны. Внедрение ИИ-агентов для написания кода в компании приводит к увеличению общего объема сгенерированного кода на 30 процентов, росту числа коммитов на 20 процентов и увеличению запросов на слияние на 23 процента в среднем, пишут исследователи. Но весь этот дополнительный код не транслируется напрямую в улучшение выпуска программного обеспечения на уровне компании. Напротив, скорость решения задач и эпических историй (т.е. комплексных функций программного обеспечения), отслеживаемых такими инструментами, как Jira, статистически значимо не изменилась после внедрения ИИ-инструментов (исследователи также не обнаружили «композиционного сдвига» в размере или сложности этих задач, отслеживаемых Jira, после внедрения ИИ).
,
Причина этого расхождения кроется непосредственно в процессе проверки кода, который в среднем занимает значительно больше времени после внедрения ИИ-агентов для написания кода. В целом, среднее время «процесса проверки» между отправкой запроса на слияние и его включением в кодовую базу увеличивается в среднем на 49 процентов после внедрения ИИ-агентов. Этот эффект виден и в более детальных данных: «доля запросов на слияние с запрошенными изменениями почти удвоилась, а количество комментариев на запрос на слияние увеличилось на 35%» после перехода на ИИ-агентов, пишут исследователи.
В ответ на это изменение исследователи обнаружили увеличение на 14 процентов доли работников, выполняющих проверку кода, после внедрения ИИ-агентов. Они также пишут, что «не могут приписать значительных изменений в занятости ИИ» после анализа общего числа активных работников в Jellyfish и сопоставления с данными LinkedIn в этих фирмах.
Хотя ИИ теоретически мог бы помочь и в этом процессе проверки, исследователи обнаружили, что пока его влияние было незначительным. Несмотря на то, что к марту 2026 года 80 процентов измеряемых компаний использовали ту или иную форму ИИ-проверки кода, на ИИ-агентов приходилось лишь 23,3 процента всех комментариев к проверке и 10,8 процента всех запросов на слияние, что указывает на то, что подавляющее большинство этой работы по-прежнему выполнялось людьми.
Конечно, ИИ-агенты — это относительно новая часть мира кодирования, и даже с момента окончания сбора данных для этого исследования в марте 2026 года произошли значительные обновления и улучшения их работы. И хотя к этому моменту 95 процентов компаний, участвовавших в исследовании, внедрили ИИ-агентов для написания кода, многие, несомненно, все еще находятся в процессе обучения тому, когда и как лучше всего их использовать. Такие компромиссы между «временем кодирования и временем проверки» могут улучшиться по мере того, как команды разработчиков программного обеспечения будут набираться больше опыта в отношении плюсов и минусов применения ИИ-агента для решения конкретных задач кодирования.
Однако на данный момент позволить ИИ писать ваш код выглядит как палка о двух концах: увеличение скорости кодирования компенсируется аналогичным увеличением времени и усилий, затрачиваемых на проверку кода человеком. Это результат, который заставляет нас задуматься, действительно ли значительные время и затраты на обеспечение работы ИИ-агентов для написания кода стоят того для большинства компаний.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Kyle Orland
