Основные проблемы использования ИИ для написания кода
- Ложное ощущение роста продуктивности. Разработчики считают, что ИИ делает их в два раза продуктивнее (по результатам опроса METR), но эксперименты показывают обратное: экономия времени на генерации кода компенсируется затратами на:
- поиск и исправление ошибок;
- управление ИИ‑агентом;
- ожидание выполнения задач.
- Рост затрат на обслуживание кода. Джеймс Шор метко подметил: если вы пишете код в два раза быстрее, но затраты на обслуживание не сокращаются вдвое, то «вы жертвуете временной скоростью ради пожизненной кабалы».
- Низкое качество сгенерированного кода. Данные от CodeRabbit показывают, что ИИ создаёт в 1,7 раза больше проблем, чем человек (по запросам на включение изменений в проекты с открытым исходным кодом).
- Неэффективное расходование ресурсов. Примеры:
- Amazon закрыла систему Kirorank (учёт токенов) из‑за манипуляций сотрудников, которые искусственно увеличивали использование ИИ и расходы компании.
- Uber израсходовал весь годовой бюджет на ИИ за первые четыре месяца 2026 года без заметного роста производительности (по словам COO Эндрю Макдональда).
- Значительная доля ресурсов уходит на исправление ошибок. По данным Айсвари Санкар (Entelligence AI), 44 % токенов тратится на исправление ошибок, обнаруженных самим ИИ.
- Ограниченный уровень автономности ИИ‑агентов. Даже продвинутые системы (например, Devin от Cognition) по навыкам сопоставимы с программистом начального или среднего уровня и требуют постоянного контроля.
- Отсутствие надёжных систем контроля качества. Текущие процессы не адаптированы под специфику ИИ‑генерируемого кода, что повышает риски долгосрочных затрат на поддержку (вывод исследователей из Сингапурского университета менеджмента).
Возможные решения и рекомендации
- Обучение разработчиков. Программисты должны чётко понимать:
- какие задачи ИИ выполняет хорошо (рутинные операции, шаблоны, прототипы);
- где ИИ слаб (нетривиальная логика, архитектура, безопасность);
- как проверять и валидировать сгенерированный код.
- Внедрение специализированных систем контроля качества:
- автоматизированные тесты, настроенные на типичные ошибки ИИ;
- инструменты статического анализа, учитывающие особенности ИИ‑кода;
- поэтапная верификация результатов (как для работы младшего разработчика).
- Разделение ролей:
- ИИ — рутинные задачи: генерация шаблонов, рефакторинг, поиск багов, документация.
- Человек — стратегические задачи: проектирование архитектуры, обеспечение безопасности, принятие ключевых решений.
- Оптимизация использования токенов:
- отказ от «токенмакса» (использования количества токенов как метрики продуктивности);
- введение KPI, учитывающих не только скорость, но и качество кода, затраты на поддержку;
- аудит расходов на ИИ с привязкой к бизнес‑результатам.
- Постепенное внедрение ИИ‑инструментов:
- пилотные проекты с чёткими критериями успеха;
- мониторинг долгосрочных последствий (затраты на поддержку, стабильность систем);
- итеративное улучшение процессов на основе обратной связи.
- Культура ответственного использования ИИ:
- обучение команды принципам работы с ИИ‑агентами;
- создание чек‑листов для проверки сгенерированного кода;
- поощрение критического подхода («не доверяй, а проверяй»).
Выводы
ИИ в программировании — мощный инструмент, но его слепое использование без адаптации процессов и контроля может привести к:
- росту затрат на поддержку;
- снижению качества кода;
- неэффективному расходованию ресурсов.
Оптимальная стратегия — разумная интеграция ИИ в рабочий процесс: делегировать машине рутину, а человеку оставить стратегические задачи, дополнив это надёжными системами контроля качества и обучения разработчиков.
