Эпоха AI делает инженерное мышление ценнее, а не дешевле

Автор статьи: Сергей Спиренков, евангелист KODE.

Почему генерация кода за секунды ещё не означает ускорение разработки, какую новую нагрузку создают AI-инструменты и почему ответственность инженеров в эпоху нейросетей только растёт.

Когда появились первые массовые AI-ассистенты для разработчиков, многим казалось, что программирование входит в новую эпоху. Больше не нужно часами искать решение на форумах, разбираться в документации или писать типовой код с нуля. Достаточно описать задачу и через несколько секунд получить готовый ответ.

Казалось, что нейросети избавят инженеров от рутины, сократят время разработки и позволят сосредоточиться на действительно сложных задачах. Спустя несколько лет активного использования AI стало понятно, что всё немного сложнее.

Да, нейросети действительно ускоряют отдельные этапы работы. Но вместе с этим появляется новая нагрузка: результат нужно постоянно проверять, контролировать и ставить под сомнение. И в реальной продуктовой разработке эта скрытая работа иногда оказывается важнее самой скорости генерации кода.

Возникает парадокс: технология, которая должна была упростить работу, временами делает её психологически сложнее.

Иллюзия лёгкости

Разработчик формулирует запрос нейросети: написать кусок логики, миграцию, тест или интеграцию с API. Через минуту на экране уже есть код, который выглядит рабочим. Возникает ощущение прогресса: задача почти решена, тикет почти закрыт, мозг получает быстрый дофаминовый отклик.

А потом начинается настоящая инженерная работа. Нужно разобраться, почему модель предложила именно такое решение. Проверить, учитывает ли оно архитектуру проекта. Найти возможные скрытые ошибки. Подумать, как этот код будут поддерживать через год. Оценить безопасность и производительность. Убедиться, что решение вообще соответствует бизнес-логике.

И нередко выясняется, что «почти готовый» код отправлять в продакшен нельзя. Его приходится серьёзно переделывать или вообще писать заново.

В этот момент появляется интересный эффект. Кажется, что AI сэкономил время. Но если посчитать часы на проверку, исправления и повторные итерации, выгода уже выглядит не такой очевидной.

Этот эффект недавно попытались измерить исследователи METR. Они провели рандомизированное исследование с участием опытных разработчиков open-source проектов и получили довольно неожиданный результат. Использование AI-инструментов не ускорило работу, а, наоборот, увеличило время выполнения задач примерно на 19%.

Самое интересное, что сами участники были уверены в обратном. До эксперимента они ожидали ускорения примерно на четверть, а после всё равно считали, что AI помог им работать быстрее, хотя объективные данные показывали другое.

То есть разработчики не просто переоценивали пользу нейросетей. Они действительно ощущали рост продуктивности даже тогда, когда фактически его не было. Это важное наблюдение, потому что при работе с AI человек часто получает ощущение результата уже в момент появления черновика, хотя основная работа ещё впереди.

«Готовый код» и «готовое решение» — разные вещи

Нейросеть хорошо работает там, где задачу можно чётко формализовать. Она может написать SQL-запрос, предложить регулярное выражение, создать boilerplate, объяснить незнакомый API, сгенерировать unit-тесты или помочь с документацией. Но современная разработка редко состоит из отдельных функций.

Большинство продуктов — сложные системы с десятками интеграций, внутренними правилами, требованиями безопасности и законодательства, исторически сложившейся архитектурой и огромным количеством бизнес-логики.

Допустим, AI предлагает реализовать механизм авторизации. С технической точки зрения всё может выглядеть правильно: JWT, refresh-токены, middleware. Но нейросеть не знает, как устроена ролевая модель конкретной компании. Не знает особенностей логирования, требований службы безопасности и исторических ограничений проекта. Не понимает, какие данные здесь можно хранить, а какие нельзя.

Разработчику всё равно приходится проверять каждое решение.

Поэтому AI чаще выдаёт не готовый результат, а гипотезу, которую ещё нужно проверить. И чем сложнее система, тем дороже такая проверка.

Вместо рутины появляется новая работа

Есть популярная идея, что нейросети освобождают человека от рутинных задач. Но часто они просто создают другой тип работы: постоянный интеллектуальный контроль.

Теперь разработчику мало просто уметь писать код. Нужно правильно поставить задачу нейросети и дать ей достаточно контекста. Затем оценить результат, заметить ошибки, проверить предположения модели, сопоставить ответ с архитектурой проекта и только потом решить, можно ли вообще использовать полученный код.

Разработчик одновременно становится автором, редактором, ревьюером и аудитором чужого решения. Потому что AI не знает продукт так, как знает его команда. И здесь появляется дополнительная когнитивная нагрузка.

Такая работа требует другого типа концентрации. Когда инженер пишет код самостоятельно, он постепенно выстраивает решение в голове. При работе с AI приходится постоянно переключаться: сформулировать запрос, изучить ответ, найти скрытые допущения, сопоставить их с архитектурой проекта, решить, что оставить, а что переписать.

Эти переключения увеличивают нагрузку. Мозг тратит ресурсы уже не только на создание решения, но и на его постоянную критическую оценку. Поэтому разработчик может чувствовать усталость даже в тот день, когда сам написал гораздо меньше строк кода.

Исследователи, которые изучают влияние AI coding assistants на разработку, всё чаще отмечают двойственный эффект. С одной стороны, нейросети уменьшают объём механической работы и помогают быстрее находить информацию. С другой, увеличивается объём интеллектуальной проверки. Человеку приходится постоянно решать, насколько вообще можно доверять ответу модели.

Опытным разработчикам иногда сложнее, чем начинающим

Можно предположить, что больше всего от AI выигрывают сеньоры. Но здесь возникает ещё один парадокс: чем опытнее разработчик, тем лучше он понимает, сколько всего может пойти не так.

Он замечает архитектурные проблемы, видит риски безопасности, понимает последствия неудачных решений и думает о том, как систему будут поддерживать через несколько лет. Поэтому опытный инженер намного реже принимает ответ нейросети как готовое решение. Скорее наоборот, начинает искать, где именно в нём может скрываться проблема.

Поэтому сеньоры часто используют AI не как замену собственному мышлению, а как источник идей, черновиков или альтернативных подходов. Ответ нейросети становится началом размышления, а не его финальной точкой.

Для начинающих специалистов здесь есть отдельный риск. Красивый и уверенный ответ модели легко принять за правильный. Но AI умеет ошибаться очень убедительно.

Есть ещё одна проблема. Если почти весь код пишет AI, разработчик всё реже самостоятельно ищет решения и продумывает логику. Поэтому время от времени полезно писать код без помощи нейросетей. Так проще сохранять свои навыки и не оказаться в ситуации, когда без AI уже трудно работать.

Самая опасная ошибка AI — не грубая, а почти незаметная

Если нейросеть выдаёт откровенно плохой код, проблему хотя бы легко заметить. Намного опаснее, когда решение выглядит хорошим.

Код компилируется. Тесты проходят. Логика кажется разумной. Но где-то внутри остаётся ошибка.

Это может быть некорректная работа с правами доступа, уязвимость при обработке входных данных, ошибка в транзакциях или конкурентности, утечка памяти, проигнорированный редкий сценарий.

Именно такие ошибки особенно дорого обходятся бизнесу, потому что они могут долго оставаться незаметными и проявиться уже после релиза.

Поэтому инженерные команды всё чаще относятся к AI-коду примерно так же, как к внешнему коду неизвестного автора. Его нужно прочитать, понять, проверить и поставить под сомнение. А иногда действительно проще написать решение заново, чем разбираться в чужих предположениях.

Это тоже часть новой нагрузки, которую принесли нейросети.

Проблема выходит за пределы одного разработчика

Когда AI активно начинают использовать в компании, дополнительная нагрузка распределяется уже по всей команде.

Ревьюеры тратят больше времени на проверку изменений. QA получает больше «почти работающих» решений. Архитекторы чаще сталкиваются с отклонениями от принятых подходов. Специалистам по безопасности приходится внимательнее анализировать новые участки кода.

Поэтому индивидуальная продуктивность отдельного разработчика может вырасти, а общая эффективность команды — нет.

Это подтверждает исследование DORA и Google Cloud. Его авторы обнаружили, что внедрение AI действительно связано с ростом индивидуальной производительности и удовлетворённости сотрудников. Но одновременно наблюдается ухудшение показателей delivery throughput и стабильности поставки изменений.

Получается, отдельные люди могут работать быстрее, но это ещё не значит, что вся система разработки тоже ускоряется. Сложность никуда не исчезает, она просто перераспределяется между участниками процесса.

Значит ли это, что AI бесполезен?

Нет. Нейросети уже стали одним из самых полезных инструментов инженерных команд.

Они помогают исследовать проблему, анализировать документацию, генерировать тестовые данные, разбираться в legacy-коде, готовить черновики, искать варианты рефакторинга, сравнивать подходы и быстрее выполнять типовые задачи.

Но есть большая разница между помощником и автопилотом.

Нейросеть может предложить решение, помочь быстрее начать работу или показать инженеру альтернативный подход. Но ответственность за архитектуру, качество, безопасность, бизнес-логику и последствия решения всё равно остаётся за человеком.

Поэтому в зрелых командах AI всё чаще воспринимают не как замену разработчику, а как инструмент, который усиливает специалиста, но не снимает с него ответственность.

Особенно хорошо AI сегодня показывает себя в прототипировании, исследовании новых технологий, генерации заготовок и в роли «взгляда со стороны», который может подсказать другой вариант решения или обратить внимание на потенциальную проблему.

Но между помощником и полноценным автором продукта всё ещё есть большая разница. Несмотря на впечатляющие демонстрации и отдельные успешные кейсы, индустрия пока не знает примеров крупных enterprise-систем, которые долгое время развиваются исключительно силами AI без постоянного участия опытных инженеров.

Поэтому говорить о замене разработчиков нейросетями пока рано.

Нейросети не отменяют инженерное мышление. Они делают его ещё важнее

В ближайшие годы AI наверняка станет лучше. Он будет писать больше кода, лучше понимать контекст и эффективнее работать с данными.

Но одна вещь вряд ли изменится.

Разработка программного обеспечения — это не просто генерация текста на языке программирования. Это постоянное принятие решений в условиях неопределённости. Понимание бизнеса. Ответственность за последствия. Умение увидеть риск раньше, чем он превратится в проблему.

Нейросеть может помочь найти ответ. Но правильный вопрос по-прежнему должен задать человек.

Поэтому инженеры не становятся менее важными. Скорее наоборот: в эпоху AI способность думать, сомневаться и принимать решения становится ещё ценнее.