В разработке появился новый тренд: вайбкодинг. Работает так: берёте Cursor или Windsurf, заставляете его писать код за вас, смотрите на выдачу и несёте её в прод. Всё, success. Так думает 90% вайбкодеров.
Как CEO могу сказать, что таких спецов в свою команду не возьму. К сожалению, разработчики не хотят адаптироваться к работе с ИИ и врут, что умеют с ним работать. Раньше, чтобы войти в IT, умельцы накручивали опыт, а теперь — ИИ-скиллы. В статье — моё мнение о том, почему так происходит и какие вайбкодеры трушные.
Привет, Хабр. Меня зовут Владимир Макеев, я — CEO Surf. Мы активно переводим разработку на ИИ–рельсы. И в процессе я заметил проблему.
Разработчики не адаптировались под ИИ-кодинг
Почему №1. Разработчики пока не научились работать с ИИ, потому что это сложно
Если вы только начинаете работать с AI-инструментами и они вас отталкивают — скорее всего, вы используете их неправильно. Почему?
Интуиция не работает, привычный UX здесь бесполезен.
Инструкций нет, только опыт, который нужно нарабатывать.
ИИ похож на привычный софт, но взаимодействие с ним совсем другое.
ИИ не способен давать стабильный результат.
Первые попытки использовать ИИ всегда странные: говорите что-то в экран — получаете что-то в ответ. Иногда даже полезное.
Результат зависит от того, сможем ли мы договориться с агентом. И это что-то, с чем раньше разработчики не сталкивались. Поэтому это сложно.
ИИ требует структурного мышления и ответственности.
ИИ заставляет делить большие задачи на атомарные.
ИИ требует накапливать правила и разрабатывать по ним.
ИИ вынуждает давать контекст и четко формулировать инструкции.
Приходится заставлять себя быть прозрачным в высказываниях и исчерпывающе описывать правила. А потом пробовать, ошибаться, делать выводы, страдать и радоваться. Изучать методы и применять всё на практике.
Почему №2. Опытные разработчики не видят смысла в адаптации
Большая часть разработчиков ещё не адаптировалась к новой модели. А многие вообще не планируют этого делать. Появился инструмент, вокруг которого не сформирована культура.
Harvard Business Review писали об эксперименте. В ИТ-компании запустили новый ИИ-инструмент для разработчиков. Через 12 месяцев собрали результаты. Из 28 698 инженеров-программистов только 41% пробовали использовать агента, остальные — нет.
Проблема возникает из-за переоценки компетенций. Большинство инженеров уровня middle и выше уверены, что они умеют решать задачи сами. Они воспринимают ИИ как временную игрушку. И чем выше базовые навыки, тем ниже мотивация переучиваться.
К сожалению, не все понимают, что задача разработчика — не «отработать часы», а создать ценность для бизнеса. Отсюда вопросы коллег:
— «Почему я должен применять ИИ, если мне неудобно?»
— «Зачем меняться, если и так всё работает?»
Реальный кейс. Мой коллега сейчас проверяет гипотезу: обучает junior-специалистов работе с ИИ с нуля. Считает, что это проще и эффективнее, чем переучивать опытных разработчиков. Причина — меньше сопротивления изменениям. Он набрал небольшую группу и проводит эксперимент. Наблюдаем за результатами.
Почему №3. Мотивационный конфликт: «буду писать быстрее → навесят больше задач»
Представим, что фронтенд-разработчик осваивает бэкенд, становится фуллстеком, закрывает больше задач, приносит больше пользы команде и бизнесу. Но зачем это делать, если зп остаётся фиксированной? Он создаёт в 5 раз больше ценности, но получает тот же оклад.
Разработчики используют ИИ, чтобы делать ту же работу быстрее, а не брать больше задач — и это логично. Пока бизнес не предложит новую систему мотивации, например, бонус за эффективность, мини-отпуск или долю от сэкономленного времени, ИИ так и останется личным инструментом, а не драйвером роста компании.
Это подводит нас к вопросу, можно ли выстроить модель, в которой компенсация напрямую зависит от создаваемой ценности, а не от ставки за часы?
Следующий вопрос — как измерять эту ценность, если часы перестают работать? Story points? Business impact? Скорость выхода в прод? ROI от задач? Но очевидно, что модель «чем дольше работаешь — тем больше получаешь» давно не отражает реальность продуктовых команд.
Можно ли что-то с этим сделать? Скорее да. Нужно думать, как изменить систему мотивации. Как вариант: разработчик получает 250 тысяч, но за счёт роста экспертизы и продуктивности будет получать 500 тысяч. Но пока непонятно, как это сделать, — адаптированной под ИИ-кодеров системы оценки труда я ещё не видел.
Почему №4. Компании внедряют ИИ без структуры
Фирма N «припахала» всех своих инженеров взять в руки LLM, Copilot и Cursor и начать с ними что-то делать. Без обучения и аргументации ценности новых инструментов. Для галочки.
Будет ли польза и рост эффективности? Нет, зато будет другое.
1. Люди будут ждать от ИИ магию. Разработчики будут пытаться сделать так, чтобы нейросеть их поняла и всё сделала сама правильно с первого раза. Желательно, чтобы это не нужно было проверять. Но они не будут использовать правила промптинга и не будут отвечать за ИИ-код. В итоге они убьют время на беседы с агентами и получат некачественный код.
2. Люди получат непредсказуемый результат. Следовательно, зафиксируют низкий уровень эффективности использования ИИ и попытаются от него отказаться. Исследование arXiv показало, что Copilot ускоряет выполнение задачи на ~56%. Но acceptance rate предложений — около 30%. Это значит, что без умения промптить и контролировать вывод AI неглубокое использование малоэффективно.
3. Люди получат небезопасный код. Согласно Veracode, 45% AI‑сгенерированного кода содержат уязвимости, особенно XSS и log injection. Только 55% безопасны по базовому OWASP-тесту. Это порождает дополнительное сопротивление у зрелых команд. Без надёжной CI/CD и code review внедрять AI опасно.
В своем канале я описал, как мы решили проблему структурирования и построили AI-boosted Delivery Platform. Это конвейер разработки, который работает в 5 раз быстрее, чем классический процесс.
Как я искал 10 вайбкодеров, а нашёл одного
Один наш клиент решил перестроить часть dev-команды под кодинг с ИИ. Я согласился помочь и поставил перед собой цель найти хотя бы 10 таких разработчиков, которые могут не генерить код системно.
Процесс: 100+ отсеянных резюме, 50+ собеседований за 5 месяцев; десятки отказов.
Результат: я нашёл одного нормального ИИ-кодера. Одного.
Сделал вывод, что 90%+ кандидатов не умеют декомпозировать задачи, сыплются на ретроспективе, плохо пишут ТЗ и плохо задают контекст ИИ. Слепо верят выдаче ChatGPT, потому что гонятся за скоростью, а потом боятся ответственности. Им всё равно, как их приложение выглядит у пользователя. Они не спрашивают, зачем фича вообще.
Почему кандидаты врут
За последние полгода я понял, что разработчики мимикрируют под вайбкодеров, потому что знают: AI-скиллы — это новая форма конкурентоспособности.
1. AI уже в тренде — надо выглядеть «в теме». Разработчики добавляют в резюме «использую Copilot», «опыт с GPT-4», «применял Cursor в pet-проекте» — и думают, что этого достаточно.
2. Рынок перегрет — приходится прокачивать образ. Соискатели делают ставку не на настоящие кейсы, а на гипертрофированные имиджевые истории.
3. Компании сами плохо понимают, как валидировать ИИ-навыки. Даже на технических интервью HR и лиды не всегда распознают фейковый опыт.
Где можно заметить ложь
1. Слова. Разработчики используют популярные термины, но не могут объяснить их значение.
2. Pet-проекты. Мне несколько человек принесли свой GitHub, где есть пара проектов, сделанных с AI. Обсудили. Понял, что они один раз скопировали компонент из StackOverflow и передали в ChatGPT. Системной работы там нет.
3. Практика. Один кандидат рассказывал, что использует Copilot для написания тестов. Я предложил ему на месте сформулировать промпт, чтобы ИИ написал property-based тесты. Он не смог.
4. Риски. Кандидаты говорят, что заставляют ИИ чуть ли не полностью работать за них. Но не могут объяснить, как они валидируют результат, контролируют генерацию, создают контекст для промпта. Не знают ограничения моделей.
Как распознать хорошего вайбкодера
Трушных ИИ-кодеров мало. Но одного специалиста я всё-таки нашёл. И этот вайбкодер достоин места в штате, потому что он:
Умеет декомпозировать задачу до уровня промпта с большим контекстом и минимум инструкций.
Объясняет ИИ-код и свой код, причины его появления, смысл, влияние на пользователя.
Использует ИИ как инструмент, а не заменяет им мышление.
Тестирует результат руками или через автотесты, но не верит ИИ на слово.
Работает не строго по ТЗ, а как полноценный участник продуктового процесса:
понимает продуктовую ценность задачи;
дорабатывает полученный результат;
берёт на себя ответственность за итог.
И вот как я понял, что он всё это умеет делать качественно.
Как проверить ИИ-кодера, чтобы не обмануться
Если раньше я смотрел на знание языков и фреймворков, то теперь важно понять, умеет ли человек формулировать задачу и работать с неопределённостью и нестабильными результатами.
Вопросы на интервью:
Как ты обычно формулируешь промпт?
Чем отличается контекст от инструкций?
Что ты делаешь, если ИИ даёт плохой результат?
Какие задачи ты не доверяешь ИИ? Почему?
Как ты проверяешь, что результат подходит в контексте проекта?
Можешь ли ты рассказать, зачем ИИ написал вот этот кусок кода?
Если нужно дать кандидату тестовое задание, я предпочту задать атомарную задачу. Например: «У нас на дашборде ломается сортировка карточек, если пользователь меняет таймзону. Как бы ты сформулировал промпт, чтобы получить рабочее решение?». Ответ покажет, умеет ли кандидат переводить проблему в запрос и думает ли о том, какие дополнительные артефакты ему нужны.
Как вайбкодинг поменяет мир
Что будет дальше? Как всегда, одно из трёх: либо плохо, либо хорошо, либо нормально.
Мой прогноз: на рынке так и останется 10–20% ИИ-кодеров.
Часть разработчиков обучится системной работе с ИИ, потому что на них есть спрос: они быстрее, дешевле, гибче. Остальные продолжат работать руками, но использовать AI для рефакторинга и генерации тестов поверх привычной методики.
Новички пойдут в AI-native обучение через PromptOps, Cursor и хакатоны. Компании соберут гибридные команды, где AI‑специалисты и обычные инженеры живут параллельно.
Результат: вайбкодеры будут зарабатывать больше и станут ценнее. Возрастёт разрыв внутри команд — будут когнитивные и мотивационные конфликты.
Самое плохое, что может случиться, — подход себя дискредитирует. Останется 5–8% системных ИИ-кодеров. Внедрение AI пойдёт хаотично, как это уже было с no-code в 2018–2020. Компании будут обжигаться, получать плохой код, дыры в безопасности и минимальный ROI. Новички продолжат учиться по-старинке, потому что мидлы и тимлиды не умеют обучать ИИ-разработке.
Если появятся нормальные вайбкодеры, изменится пирамида seniority
Есть две версии, как это будет:
Распространённое мнение — классическая схема 1 senior + 2 middle + 2 junior превращается в 1 senior + ИИ.
Моё мнение — пирамида трансформируется не в шпиль, а в гантель: 1 senior + 4 junior оператора ИИ.
Один senior всё равно не вытянет. Даже в AI-boosted SDLC остаётся много рутины, кто-то должен быть операторами агентов, проверять код. Джуны не исчезнут, но пройдёт пара лет, чтобы выросло поколение AI-native джунов.
Возможно, 20% из них станут ниндзя из-за интенсивной насмотренности на сгенерированный агентами код. И вот они станут востребованными. Я хочу скорее увидеть новое поколение джунов и планирую выдавать Cursor лучшим студентам. И учить их на чужих ошибках. Потом затрекаем активность и узнаем, насколько они будут AI-native и что это нам принесёт.
В Телеграмм я рассказываю, почему корпоративные тренинги по ИИ — тоже трата времени, где ИИ приносит реальные результаты бизнесу и как правильно выстраивать процессы в новых условиях. А ещё у нас скоро пройдёт конференция по ускорению разработки с ИИ с топовыми спикерами — следите за анонсами.
