Об авторе: Павел Подкорытов, CEO Napoleon IT, сооснователь AI Talent Hub.
Фаза первая. Эйфория (2023 — начало 2024)
Главная ошибка: вся фаза была построена на молчаливом допущении, что узкое место разработки — это скорость написания кода, но оно оказалось ложным.
Запуск GitHub Copilot и затем ChatGPT сопровождался эффектными демонстрациями: модель писала рабочий код за секунды, и из этого делался прямой вывод о судьбе индустрии. Каноничный документ эпохи — эксперимент GitHub и MIT 2023 года, показавший, что разработчики с Copilot выполнили задачу на 55,8% быстрее. Цифра облетела все издания. Почти нигде не уточнялось, что задача была в стерильных условиях — написать HTTP-сервер с нуля, ровно тот тип кода, на котором модель обучалась и который не имеет ничего общего с работой в реальных условиях, где помимо написания кода есть разные стейкхолдеры, сложившиеся процессы, наследство старой системы, требования законодательства и разных стандартов безопасности.
К весне 2024 года гендиректора крупнейших технологических компаний начали публично называть доли ИИ-кода как метрику прогресса. Это превратило техническую тему в новостную: каждый процент стал заголовком. Пресса транслировала эти заявления как факты производительности, хотя это были декларации и измеряли они совершенно разные вещи: «сгенерировано» не равно «дошло до прода» и тем более не равно «принесло пользу». Эйфория продолжала расти.
Фаза вторая. Отрезвление данными (2024 — 2025)
Главная ошибка: Компании оптимизировали локальную задачу, а не систему целиком.
Перелом наступил, когда на смену демонстрациям пришли замеры. Осенью 2024 года вышел Accelerate State of DevOps Report — ежегодное исследование Google, отраслевой стандарт измерения инженерных процессов. Его вывод впервые прозвучал контринтуитивно: рост внедрения ИИ на 25% сопровождался снижением стабильности поставки софта на 7,2%. Продуктивность отдельного разработчика и скорость работы всей организации, как выяснилось, — не одно и то же.
Решающим стал июль 2025 года и эксперимент лаборатории METR — первое строгое рандомизированное контролируемое исследование на реальных задачах. Опытные разработчики, работавшие в собственных репозиториях, с ИИ стали на 19% медленнее. Но сильнее всего прессу зацепила не сама цифра, а разрыв: те же разработчики были уверены, что ускорились на 20%. Появилось доказательство, что субъективное ощущение продуктивности систематически расходится с реальностью почти на 40 процентных пунктов. Это подорвало доверие ко всем опросам, где разработчики «сообщали» об ускорении.
Дальше отрезвляющие данные пошли потоком. GitClear на массиве в 211 млн строк показал восьмикратный рост дублирования кода и падение доли рефакторинга. Veracode протестировал код более 100 моделей и обнаружил уязвимость в 45% случаев. Apiiro зафиксировал десятикратный рост числа уязвимостей. А затем появились громкие инциденты, когда ИИ-агент во время заморозки кода удалил рабочую базу данных компании и затем сообщил, что откат невозможен.
Кульминацией фазы стал августовский доклад MIT 2025 года с тезисом, который обошел деловые издания мира: 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на прибыль. Маятник качнулся в противоположную сторону — от «ИИ отменит программистов» к «ИИ не работает». Но и этот вывод был о том же ложном допущении, только с обратным знаком: компании раздавали разработчикам копайлоты, ускоряли написание кода — то есть постепенно улучшали один узкий участок конвейера — и не понимали, почему результат не виден. Ответ был прост: они оптимизировали не то место.
Фаза третья. Зрелость (2026)
Сейчас, в 2026 году, тон мировой прессы меняется в третий раз, и это самый важный сдвиг. От бинарного вопроса «работает или нет» серьезные издания перешли к вопросу «при каких условиях работает». И впервые заговорили не о модели, а о слое вокруг нее — о системе, которая превращает генерацию кода в готовый продукт.
Как изменилась повестка?
Мартин Фаулер, один из самых уважаемых инженерных авторитетов мира, ввел формулу «агент = модель + обвязка», и именно обвязка, то есть вся инженерная система вокруг модели, определяет результат. Андрей Карпати, ранее возглавлявший ИИ в Tesla, зафиксировал смещение от «инженерии запросов» к «инженерии контекста». Аналитики Gartner повторили это слово в слово. Harvard Business Review и MIT Sloan написали о скрытых издержках и техническом долге.
Появился консенсус, которого раньше не было: дело не в модели, а в производственной системе вокруг нее. Модель — это коммодити; ценность создает слой.
Главный вывод для отрасли в 2026
Если ChatGPT изменил интерфейс взаимодействия человека с компьютером, то следующая революция изменит сам способ создания цифровых продуктов. В отрасли постепенно формируется понимание, что конкурентное преимущество создают не сами модели, а организационные и инженерные системы вокруг них. Именно это называется «интеллектуальным слоем производства софта». Это не еще один помощник, встроенный в стадию написания кода. Это слой, который перестраивает весь цикл поставки от требования и спецификации через генерацию к тесту, ревью, проверке безопасности и публикации в прод. В этом слое работают вместе люди и агенты: агенты берут на себя объем и рутину, человек становится архитектором и оркестратором, а проверка качества встроена в каждый шаг. Разница принципиальная.
Прогноз на ближайшие годы
Впервые за три года появилась обоснованная надежда, что ситуация меняется по-настоящему. Причем меняет ее не очередной скачок модели, а рост силы самого интеллектуального слоя: связки людей и агентов, подключенных к ИИ.
Доказательства уже есть. Тот самый отчет DORA, который в 2024 году фиксировал падение стабильности, в версии 2025 года впервые показал обратное: связь внедрения ИИ с производительностью поставки стала положительной. Авторы прямо формулируют вывод: наибольшую отдачу дает не инструмент, а организационная система вокруг него — качество внутренней платформы, ясность процессов, слаженность команд; без этого ИИ создает лишь локальные островки продуктивности, тонущие в общем хаосе. Появились и устойчивые кейсы: автономные агенты, чьи изменения год назад принимались в каждом третьем случае, теперь проходят в продакшен в двух из трех, потому что вокруг них выстроена верификация. Команды, перестроившие конвейер, получают рост скорости без роста техдолга.
Наиболее вероятные сценарии на 2026-2027 годы
Сценарий 1. Ускоренное взросление. Если надежность агентных систем продолжит расти нынешними темпами, компании будут все быстрее переносить ИИ из экспериментальных пилотов в производственный контур. Основные инвестиции сместятся с самих моделей на инженерную инфраструктуру вокруг них: механизмы верификации, управление контекстом, интеллектуальные слои и агентные платформы. Постепенно именно они станут новым отраслевым стандартом разработки, как когда-то им стали CI/CD или облачные платформы.
Сценарий 2. Дорогой урок. Если надежность агентных систем будет расти медленнее, рынок пройдет через новую волну крупных инцидентов, связанных с техническим долгом, ошибками ИИ и неуправляемой генерацией кода. Но и этот сценарий вряд ли приведет к отказу от ИИ. Скорее наоборот: именно стоимость этих ошибок заставит компании быстрее инвестировать в инженерные платформы, механизмы проверки и интеллектуальные слои. Неудачные проекты станут не причиной остановки ИИ-трансформации, а причиной сделать ее гораздо более зрелой.
Объединяет оба сценария одно: обратного пути уже нет. За последние три года крупнейшие технологические компании инвестировали в генеративный ИИ десятки миллиардов долларов, и теперь вопрос заключается уже не в том, использовать ли его. Вопрос в том, какая производственная система позволит сделать его экономически эффективным. Поэтому следующая конкуренция развернется не между языковыми моделями, а между компаниями, которые быстрее научатся строить вокруг них работающий интеллектуальный слой
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.