Производительность ИИ-кодинга застряла на 10% несмотря на 92% внедрения
Автор: Евгений Падежнов
Внедрение ИИ-инструментов для написания кода практически повсеместно. Измеренная производительность — нет.
Опрос 121 000 разработчиков оценивает прирост в 10%. Это число не сдвигается уже больше года. Оно лежит далеко ниже обещания десятикратного ускорения, которым эти инструменты изначально и продавали.
Внедрение взлетело. Результат почти не сдвинулся.
Исследование Лоры Тачо в DX охватило 121 000 разработчиков из более чем 450 компаний. Данные собирались вплоть до 1 февраля 2026 года.
Главные цифры показывают насыщение, а не рост:
- 92,6% разработчиков пользуются ИИ-ассистентом для кода хотя бы раз в месяц.
- Примерно 75% используют его еженедельно.
- 26,9% продакшн-кода теперь написано ИИ — против 22% в предыдущем квартале.
Использование фактически достигло потолка. Однако прирост производительности держится на 10%. Он вышел на это плато, когда ИИ-инструменты только появились, и так и остался плоским.
Экономия времени рассказывает ту же историю. Разработчики сообщают об экономии около 4 часов в неделю. Цифры за IV квартал 2025 года составили 3,6–3,7 часа. Кривая стала плоской, а не пошла вверх.
Ключевая мысль: использование резко выросло, а отдача за ним не последовала. Больше сгенерированных токенов не превратилось в больше выпущенного софта.
Полный разбор — в исследовательском блоге DX.
Почему держится потолок в 10%
Написание кода — это лишь малая часть рабочего дня. Исследование DX оценивает её в 14% времени разработчика.
Ускорение 14% работы не может преобразить остальные 86%. Ревью кода, совещания, отладка, планирование и ожидание CI поглощают всё остальное. ИИ-ассистенты почти не касаются этих этапов.
Отдельное лонгитюдное исследование DX делает этот предел осязаемым. Оно проанализировало более 400 инженерных организаций на протяжении 16 месяцев. В каждой было более 100 инженеров и более 75% ежемесячного использования ИИ.
За этот период использование ИИ-инструментов выросло в среднем на 65%. Медианная пропускная способность по пул-реквестам выросла чуть менее чем на 8%. Среднее значение составило около 11%. Большинство организаций оказались в диапазоне 5–15%.
«Ощутимый прирост, но далеко не те 3x или 10x, которых ожидали», — говорится в отчёте.
Распространённая ошибка: считать более быстрый набор кода более быстрой поставкой. Генерация кода редко бывает узким местом. Узкое место — его проверка, ревью и интеграция.
Лора Тачо назвала причину напрямую. Слабые результаты она охарактеризовала как «по сути, проблему менеджмента». Само по себе внедрение ничего не меняет.
Проще говоря: ИИ обнажает существующую структуру команды. Команды со слабым ревью, тестированием и развёртыванием видят, как эти провалы расширяются. ИИ не латает сломанный конвейер. Он просто прогоняет через него больше кода.
Разрыв в восприятии велик
Разработчики ощущают, что работают быстрее. Измерения с этим не согласны. Расстояние между этими двумя величинами — самый важный вывод во всей этой теме.
METR провела рандомизированное контролируемое испытание в 2025 году. Были набраны 16 опытных разработчиков open-source. Они работали над 246 реальными задачами из зрелых репозиториев.
Каждая задача распределялась случайным образом: ИИ разрешён или ИИ запрещён. Инструментом был Cursor Pro с Claude 3.5/3.7 Sonnet. Такой дизайн — золотой стандарт для выявления причинно-следственных связей.
Результат удивил исследователей. С разрешённым ИИ разработчики были на 19% медленнее.
Убеждённость шла в противоположную сторону:
- До исследования разработчики прогнозировали ускорение на 24% с ИИ.
- После завершения они всё ещё оценивали ускорение в 20%.
Измеренная реальность — на 19% медленнее. Этот разрыв не был погрешностью округления. Это была полная смена знака.
При проверке в продакшене ощущение скорости и факт скорости — разные метрики. Одно — это «вайб». Другое — это число. Отслеживайте число.
Механизм прост. ИИ убирает трение на старте задачи. Он добавляет трение при проверке и исправлении результата. Первая экономия заметна. Вторую издержку легко упустить. На незнакомом коде издержки исправления могут поглотить всю фору.
Кто на самом деле получает больше 10%
Цифра в 10% — это медиана. Некоторые команды её превосходят. Распределение в опросе показывает, кто именно и почему.
Лишь 16,3% разработчиков заявили, что ИИ помог в значительной степени. Самая большая группа, 41,4%, сообщила о слабом эффекте или его отсутствии. Одни и те же инструменты дали противоположные результаты.
Этот разброс указывает на условия, а не на самого ассистента. У команд, которые выигрывают больше, есть общие конкретные черты:
- Сильное покрытие тестами ловит ошибки ИИ до того, как они дойдут до продакшена.
- Быстрый CI укорачивает цикл «сгенерировать — проверить».
- Чёткое владение кодом удерживает качество ревью на высоте при большем объёме.
- Хорошо ограниченные по объёму задачи соответствуют тому, что модели действительно делают хорошо.
Цифра в 26,9% кода, написанного ИИ, поднимает скрытую издержку. Больше сгенерированного кода означает больше кода для ревью. Пропускная способность ревью становится новым ограничением.
На практике прирост концентрируется в узких задачах. Шаблонный код, юнит-тесты, регулярные выражения, конфигурационные файлы и синтаксис незнакомого языка поддаются хорошо. Архитектурные решения, отладка между системами и тонкие баги конкурентности поддаются плохо.
Распространённая ошибка: считать сэкономленные нажатия клавиш и игнорировать добавленное время на ревью. Чистый прирост — единственная цифра, которая имеет значение. Более быстрый черновик, который требует более долгого ревью, — это не победа.
Во что не превращается сэкономленное время
Под первым парадоксом скрывается второй. Даже когда разработчики экономят часы, сэкономленное время часто испаряется.
Время, высвобожденное ИИ, нередко не перенаправляется на более ценную работу. Оно поглощается переключением контекста, новыми совещаниями или просто бо́льшим числом малоценных тикетов. Этот запас не конвертируется в результаты, которые бизнес может измерить.
Вот почему метрики на уровне организации отстают от ощущений отдельного человека. Разработчик заканчивает функцию быстрее и чувствует себя продуктивным. Время цикла команды и частота развёртываний остаются плоскими. Оба наблюдения верны одновременно.
Если оно работает — значит, оно правильно. Поэтому измеряйте то, что определяет «работает» для бизнеса. Выпущенную ценность, а не сгенерированные строки.
Как измерять это честно
Опросы об ощущениях здесь вводят в заблуждение. Результат METR доказывает, что восприятие — ненадёжный измеритель. Используйте вместо него проверяемые сигналы.
Отслеживайте метрики DORA на реальном временно́м окне:
- Частоту развёртываний.
- Время выполнения изменений (lead time).
- Долю неудачных изменений.
- Время восстановления сервиса.
Сочетайте их с пропускной способностью. Количество пул-реквестов на инженера — грубый, но честный прокси-показатель. Простой git log --since за квартал даёт базовую линию без новых инструментов.
Проведите чистое сравнение «до и после». Удерживайте команду и процесс постоянными. Меняйте только ИИ-инструментарий. Сравнивайте одну и ту же метрику на двух равных периодах.
Следите за долей неудач, а не только за скоростью. ИИ может поднять пропускную способность, тихо повышая при этом число дефектов. Прирост пропускной способности в 10% при более высокой доле неудачных изменений — это чистый убыток.
Избегайте оптимизации самой метрики. Если штат ревьюеров остаётся фиксированным, а вывод ИИ удваивается, качество ревью падает. Цифра пропускной способности может расти, пока реальное качество падает. Измеряйте результаты, а не активность.
Что это значит для бюджетов на инструменты
Данные не говорят, что от ИИ-ассистентов надо отказаться. Прирост в 10–15% реален. Обычно он оправдывает стоимость лицензии Copilot или Cursor на человека.
Данные говорят: ставьте честные цели. Обещайте измеренные 10%, а не воображаемые 10x. Планируйте мощности и сроки исходя из реальной цифры.
Тратьте на систему, а не только на модель. Более быстрый CI, лучшее покрытие тестами и чёткое владение кодом дают больше, чем более новый ассистент. Те 86% дня, что не приходятся на написание кода, держат бо́льший приз.
Подбирайте инструмент под задачу. Направляйте ИИ на шаблонный код, тесты и синтаксис незнакомых языков. Держите человека твёрдо на архитектуре и сложной отладке. Модель — это сильный джуниор на узкой работе, а не сеньор в вопросах суждения.
Что попробовать прямо сейчас
Выберите одну команду. Измеряйте её пропускную способность по пул-реквестам и долю неудачных изменений в течение четырёх недель. Пока не меняйте никакие инструменты.
Попробуйте: сравните это окно с предыдущим кварталом с помощью git log и дашборда вашего CI. Если прирост эпохи ИИ меньше 10%, то ассистент — не узкое место.
Затем посмотрите на те 86% дня, что не приходятся на написание кода. Найдите там самый медленный этап — медленный CI, очередь на ревью, флаки-тесты. Сначала почините этот этап. Он вернёт больше, чем любое обновление модели.
Источники:
Информация актуальна на момент публикации. Условия, цены и правила могут измениться — уточняйте у профильных специалистов.