За последние пару лет у многих разработчиков в редакторах и IDE поселились новые «напарники» — всевозможные ИИ-инструменты. Обещания были впечатляющие: меньше рутины, быстрее релизы, код пишется почти сам. Но когда первые восторги улеглись и появились системные исследования, стало ясно: эффект от ИИ далеко не такой однозначный. Где-то он действительно ускоряет работу команд на 20%, а где-то, наоборот, тормозит опытных инженеров. И вот парадокс: даже там, где выигрыш в скорости очевиден, бизнес не всегда чувствует, что проекты двигаются быстрее.
ИИ под микроскопом
Дискуссия о том, действительно ли искусственный интеллект повышает продуктивность программистов, перестала быть голословной. В 2024–2025 годах появились масштабные исследования от Google, METR, Faros AI и Atlassian. Каждое из них проверяло гипотезы на разных выборках и с разными методологиями, и вместе они дают многослойную картину того, что на самом деле происходит в индустрии.
Google: +21% к продуктивности
В 2024 году Google провела внутренний эксперимент среди собственных разработчиков. В ходе рандомизированного контролируемого испытания часть инженеров решала серию реальных задач enterprise-уровня с помощью ИИ-ассистентов, а часть — без них. Цель исследования «How much does AI impact development speed?» — измерить реальное влияние ИИ на производительность в корпоративных проектах.
По итогу разработчики Google, использовавшие ИИ-инструменты в рамках эксперимента, выполняли рабочие задачи в среднем на 21% быстрее. Это одно из самых четких подтверждений позитивного эффекта ИИ. Даже в корпоративной среде с высокими требованиями к качеству кода и сложным контекстом ИИ-модели реально экономят время. По крайней мере, так посчитали в Google.
METR: –19% у опытных разработчиков
На противоположном полюсе — результаты METR, некоммерческого исследовательского института, специализирующегося на оценке новейших ИИ-моделей. Эксперимент «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity» (2025) показал, что опытные контрибьюторы в опенсорсе работали в крупных репозиториях на 19% медленнее, применяя ИИ, хотя сами ожидали ускорения процессов на 20–39%.
Авторы исследования объясняют замедление рядом причин:
Senior-разработчики настолько опытны, что решают задачи быстрее без помощи ИИ и не тратят время на бесконечные уточнения и формулировку промптов.
ИИ-модели упускают из вида сложный архитектурный контекст и хуже справляются в тяжеловесных репозиториях с кодовой базой объемом свыше миллиона строк.
Ответы ИИ на сложные задачи требуют дополнительного ревью.
Другими словами, там, где от разработчика требуются инженерное мышление и глубокое погружение в систему, ИИ пока нельзя назвать суперускорителем.
Faros AI: «парадокс продуктивности»
Даже если считать чисто количество задач или запросов на внесение изменений в репозиторий (pull requests), все выглядит не так радужно. Faros AI провела метаисследование и аккумулировала телеметрию 10 000 разработчиков из 1 255 команд за два года. Главный вывод «The AI Productivity Paradox» (2025): экономия времени в написании кода не означает ускорения всего жизненного цикла разработки продукта.
Из отчета следует, что команды с высоким уровнем использования ИИ действительно закрывают на 21% больше задач и делают почти в два раза больше pull requests в день. Но тут же возникает новый узкий участок: ревью кода занимает на 91% больше времени, а тестировщики и DevOps-процессы просто не успевают за таким потоком изменений. Более того, внедрение ИИ увеличивает количество багов в коде на 9%, а средний размер pull request’а — на 154%.
Выходит, что ИИ-модели повышают производительность разработчиков, но не производительность компании. Сам код пишется быстрее, но скорость выхода решения в продуктивную среду не меняется. Этот феномен исследователи называют «парадоксом продуктивности».
Atlassian: экономия и потеря времени одновременно
К похожему выводу пришли авторы отчета Atlassian «State of DevEx» (2025) об опыте разработчиков. Авторы опросили 3 500 программистов и техлидов в шести странах. Большинство (68%) признает: с ИИ они экономят свыше 10 часов в неделю. Но столько же тратят на совсем другие вещи: поиск информации (сервисов, документации, API), переключения контекста между инструментами, согласования, бюрократию и хождение по корпоративным процессам.
Выходит, что ИИ реально облегчает жизнь в коде, но не способен компенсировать организационный хаос. И это, пожалуй, главный урок: без нормальной инженерной культуры и понятных процессов никакой ИИ не спасет.
Сводные данные
Исследование | Вывод | Эффект |
Ускорение простых задач | +21% | |
METR | Замедление опытных разработчиков | –19% |
Faros AI | Рост pull requests и закрытых задач, но ревью тормозит | Pull requests +47%, ревью +91% |
Atlassian | Экономия 10 ч., но процессы все «съедают» | 0 суммарно |
Что дальше
Когда разговор заходит об искусственном интеллекте в разработке, чаще всего мы слышим одно из двух утверждений: «ИИ делает программистов в разы быстрее» или «все это хайп, реальной пользы нет». Истина, как это обычно бывает, оказалась сложнее.
ИИ-ассистенты уже прочно вошли в работу разработчиков, и от них никто не откажется. Но сами по себе они не делают команды быстрее. Чтобы обещанный рост продуктивности стал реальностью, компании должны меняться вместе с инструментами: настраивать процессы, культуру и метрики. Иначе автоматизация лишь усилит хаос, вместо того чтобы избавить от него.
Для компаний это означает одно: внедрять ИИ нужно не как модный плагин, а как часть системного подхода. Обучать сотрудников правильно формулировать промпты и работать с подсказками. Перестраивать процессы ревью и тестирования. И главное — измерять не количество строк кода, а то, как меняются скорость и качество поставки бизнес-результатов.
