ИИ научился писать код. Кто теперь отвечает за результат?

В 718 компаниях ускорилась генерация, но не финиш

9 октября 2026 года Ars Technica разобрала рабочую научную статью Фионы Чен и Джеймса Стрэттона из Гарварда. Авторы изучили около 300 млн событий разработки в 718 компаниях — коммиты, pull requests и закрытие задач в Jira — за период до марта 2026 года.[1][2]

После внедрения кодовых агентов исследователи оценили рост строк кода на 30%, коммитов — на 20%, pull requests — на 23%. При этом статистически значимого ускорения закрытия задач и эпиков в Jira не обнаружили. Это не доказательство строго нулевого эффекта: оценки имеют диапазон неопределённости.

Среднее время от открытия PR до включения изменений в кодовую базу увеличилось на 49%; запросов исправлений стало заметно больше. Исследователи называют проверку одним из узких мест конвейера.[1]

Почему локальная скорость не равна общей

Создание программ — последовательность взаимозависимых операций. Требования → решение → код → тесты → проверка → внедрение → эксплуатация. Если резко ускорить только написание кода, очередь перед ревью может увеличиться.

Большой объём кода может быть полезен, но он увеличивает площадь поверхности для проверки. А код, который прошёл тесты, ещё может неверно реализовывать бизнес-требование. Поэтому количество строк, коммитов или вызовов модели — промежуточные показатели, а не ценность для пользователя.

Дефицит перемещается из «умею написать» в «могу обоснованно принять».

Что именно должен проверять инженер

1. Соответствие задаче. Правильно ли определены входные данные, ограничения, крайние случаи и ожидаемый результат.
2. Техническая корректность. Тесты, статический анализ, совместимость, безопасность, качество изменений.
3. Системная интеграция. Что происходит с соседними модулями, данными, наблюдаемостью и откатом.
4. Результат в эксплуатации. Закрывает ли изменение реальную проблему без несоразмерных издержек.

Агент может помогать на каждом шаге. Но приёмщик, который просто пересказывает вывод исполнителя, не даёт независимого подтверждения.

Что нельзя заключить из одного исследования

Исследование наблюдательное: сравниваются организации до и после внедрения, с поправками и допущениями об их динамике. Оно не устанавливает, что все современные coding-агенты всегда бесполезны или что любая компания получит те же проценты.

Данные заканчиваются мартом 2026 года, а модели, инструменты проверки и практики команд меняются быстро. В компаниях может расти сложность задач или улучшаться качество продукта без пропорционального роста их числа; исследователи пытались проверить часть этих альтернатив, но ни одна метрика не описывает разработку полностью.[1]

Как измерять пользу кодовых агентов

• Полный цикл: lead time от постановки до принятой задачи; не только время генерации.
• Переделки: количество итераций после ревью, доля отказов, дефекты на проде.
• Стоимость: модель + инфраструктура + человеческое время на спецификацию, проверку и поддержку.
• Качество: безопасность, восстанавливаемость, возможность объяснить и воспроизвести решение.

Если результат оценивает другой агент, понадобятся внешние тесты, неизменяемые свидетельства и понятные человеку критерии. Иначе автоматизация приёмки может стать просто автоматизацией согласия.

Что известно, а что только предполагается