Заменит ли ИИ разработчиков? Почему реальность оказалась сложнее громких заголовков

Последние несколько лет сложно провести хотя бы неделю без очередной новости о том, что искусственный интеллект вот-вот изменит рынок труда навсегда. Одни руководители компаний говорят о сокращении сотрудников благодаря ИИ, другие обещают полностью автономную разработку программного обеспечения, а в социальных сетях регулярно появляются истории о том, как один человек с помощью нейросети создал продукт, на который раньше потребовалась бы целая команда.

На этом фоне неудивительно, что многие разработчики начали задаваться вопросом: а что будет с профессией дальше? Особенно часто такие разговоры возникают среди начинающих специалистов, которые только выходят на рынок и видят всё больше инструментов, способных писать код, находить ошибки и объяснять сложные концепции.

Но если посмотреть не на заголовки, а на реальные результаты внедрения ИИ в компаниях, картина оказывается гораздо менее однозначной. Да, искусственный интеллект уже меняет разработку. Да, некоторые задачи действительно автоматизируются. Но между "ИИ помогает писать код" и "ИИ заменил разработчиков" лежит огромная дистанция.

Если оглянуться назад, окажется, что разговоры о скором исчезновении разработчиков возникают регулярно.

Когда начали активно развиваться конструкторы сайтов, многие были уверены, что веб-разработчики скоро останутся без работы. Затем похожие прогнозы сопровождали рост аутсорсинга. Позже появились платформы No-Code и Low-Code, которые, по мнению некоторых аналитиков, должны были позволить бизнесу создавать продукты без участия программистов.

Каждая из этих технологий действительно меняла рынок. Создавать простые продукты становилось легче, часть задач автоматизировалась, а порог входа снижался. Но профессия не исчезала. Более того, количество разработчиков в мире продолжало расти.

Причина довольно проста: технологии обычно заменяют не профессии целиком, а отдельные виды работы внутри этих профессий. Когда появились конструкторы сайтов, исчезла часть задач по созданию простых лендингов, но появились новые требования к фронтенду, интеграциям, аналитике и пользовательскому опыту. Аналогичная история происходила практически с каждым крупным технологическим сдвигом.

С искусственным интеллектом происходит примерно то же самое, хотя масштаб изменений действительно выглядит серьёзнее, чем во многих предыдущих технологических волнах.

В отличие от большинства прошлых трендов, генеративный ИИ умеет выполнять часть интеллектуальной работы. Он может писать код, создавать тексты, анализировать информацию и отвечать на вопросы настолько убедительно, что иногда создаётся ощущение, будто перед нами полноценный цифровой специалист.

Именно поэтому ожидания вокруг технологии оказались настолько высокими.

Для инвесторов это выглядит как возможность сократить расходы на персонал. Для руководителей компаний - как шанс повысить производительность команд. Для разработчиков - как инструмент, который способен избавить от рутины и ускорить выполнение задач.

На фоне такого интереса рынок быстро заполнился громкими заявлениями. Мы регулярно слышим о том, что один инженер с ИИ сможет заменить целую команду, что джуниоры скоро перестанут быть нужны, а написание кода превратится в описание задачи обычным языком.

Однако между демонстрацией возможностей технологии и её реальным использованием в бизнесе существует большая разница. Именно на этом этапе многие компании столкнулись с неожиданными сложностями.

После появления ChatGPT тысячи компаний начали запускать собственные AI-проекты. Казалось, что искусственный интеллект позволит одновременно повысить производительность и сократить расходы.

На практике всё оказалось сложнее.

По прогнозу Gartner, не менее 30% проектов с генеративным ИИ будут закрыты ещё после этапа proof-of-concept из-за плохого качества данных, сложностей с управлением рисками и отсутствия понятной бизнес-ценности. Gartner также оценивает стоимость крупных корпоративных внедрений генеративного ИИ в диапазоне от 5 до 20 миллионов долларов.

Позже аналитики компании сообщили ещё более жёсткую оценку: около половины проектов генеративного ИИ не доходят до успешного внедрения именно из-за проблем с данными, стоимостью и возвратом инвестиций.

Получается довольно парадоксальная ситуация. Мы привыкли воспринимать искусственный интеллект как способ сокращения расходов, однако для многих компаний он сам стал новой крупной статьёй затрат. Помимо стоимости моделей приходится учитывать инфраструктуру, интеграции, безопасность, контроль качества результатов и обучение сотрудников.

Поэтому сегодня бизнес всё чаще задаётся не вопросом "как внедрить ИИ", а вопросом "как доказать, что внедрение действительно приносит пользу".

Проблема стоимости становится всё более заметной по мере роста использования ИИ.

Даже компании, активно инвестирующие в искусственный интеллект, признают, что расходы остаются одним из главных барьеров для массового внедрения. В последние годы корпоративные клиенты всё чаще начали обсуждать стоимость токенов, API и вычислительных ресурсов как отдельную статью бюджета.

Это хорошо показывает, насколько сильно отличается реальная экономика ИИ от презентаций для инвесторов. Возможность автоматически генерировать код выглядит впечатляюще до тех пор, пока не возникает вопрос о том, сколько эта автоматизация обходится компании и какой результат она приносит в долгосрочной перспективе.

Одним из самых обсуждаемых примеров последних лет стала компания Klarna.

Несколько лет назад руководство активно рассказывало о своих успехах в автоматизации клиентской поддержки с помощью искусственного интеллекта. Компания демонстрировала впечатляющие показатели эффективности и заморозила часть найма.

Однако позже риторика изменилась. Представители Klarna признали, что качество обслуживания клиентов оказалось ниже ожидаемого уровня, после чего компания снова начала расширять команду поддержки.

Этот пример часто приводят как доказательство того, что ИИ не работает. На самом деле вывод здесь другой.

ИИ может быть очень полезным инструментом. Но бизнес оценивает не количество заменённых сотрудников, а качество конечного результата. Если автоматизация ухудшает пользовательский опыт, то её преимущества быстро перестают выглядеть столь убедительно.

Именно поэтому в последние годы всё чаще появляются разговоры о так называемом "AI pruning" - пересмотре и закрытии проектов, которые не смогли показать измеримую пользу для бизнеса. Компании продолжают инвестировать в ИИ, но относятся к нему значительно прагматичнее, чем два-три года назад.

Отдельного внимания заслуживает феномен, который в последние годы получил название "вайб-кодинг".

Идея выглядит очень привлекательно. Вместо того чтобы самостоятельно писать код, разработчик описывает задачу обычным языком, а нейросеть генерирует большую часть решения. В интернете регулярно появляются ролики, где за несколько часов создаются игры, мобильные приложения, интернет-магазины или даже небольшие SaaS-продукты.

Подобные демонстрации быстро стали аргументом в пользу того, что разработчики скоро окажутся не нужны.

Но здесь важно понимать одну деталь.

Большинство таких примеров показывают лишь самый первый этап создания продукта - момент появления работающего прототипа.

Реальная разработка начинается позже. Когда нужно разобраться, почему система работает медленно. Когда возникают проблемы с безопасностью. Когда необходимо поддерживать кодовую базу несколько лет. Когда приходится работать с легаси-кодом, интегрироваться с внешними сервисами и исправлять ошибки в продакшене.

Именно поэтому вайб-кодинг оказался не заменой инженерной работы, а мощным инструментом для быстрого создания прототипов.

Он действительно сокращает путь от идеи до первого результата.

Но первый работающий прототип зачастую является лишь первыми десятью процентами пути до настоящего продукта.

Даже вопрос влияния ИИ на производительность оказался намного сложнее, чем кажется на первый взгляд.

Существует немало исследований, показывающих рост скорости выполнения отдельных задач благодаря ИИ-инструментам. Например, в одном из экспериментов GitHub разработчики с Copilot выполняли поставленные задачи примерно на 55% быстрее контрольной группы.

Однако существуют и противоположные результаты.

В исследовании организации METR опытные open-source разработчики работали над реальными задачами в проектах, которые они хорошо знали. До начала эксперимента участники ожидали, что использование ИИ позволит ускорить работу примерно на 24%.

Фактический результат оказался неожиданным: выполнение задач в среднем заняло на 19% больше времени. Значительная часть времени уходила на проверку, исправление и адаптацию предложенного моделью кода.

На первый взгляд это выглядит противоречием.

На практике всё вполне логично.

Искусственный интеллект отлично работает там, где задачу можно относительно легко формализовать. Но чем больше неопределённости, бизнес-контекста и архитектурных решений требуется принять, тем меньше становится преимущество от автоматизации.

Поэтому сегодня правильнее говорить не о том, ускоряет ли ИИ разработку вообще, а о том, какие именно задачи он ускоряет.

Во многих дискуссиях о будущем профессии есть одна распространённая ошибка.

Работу разработчика часто сводят исключительно к написанию кода.

На практике код - это лишь результат гораздо более сложной деятельности.

Инженеры постоянно принимают решения в условиях недостатка информации. Общаются с коллегами и заказчиками. Разбираются в противоречивых требованиях. Оценивают риски. Ищут компромиссы между скоростью разработки и качеством системы.

Именно за это компании платят зарплату.

Не за количество строк кода.

Не за скорость набора текста.

Не за знание конкретного API.

Современные модели могут предложить решение, но ответственность за последствия этого решения по-прежнему остаётся на людях. И ответственность остаётся одной из самых ценных частей инженерной профессии.

Это не значит, что рынок останется прежним.

Изменения уже происходят, и отрицать это бессмысленно.

Под наибольшим давлением оказываются специалисты, чья работа состоит преимущественно из повторяющихся и шаблонных задач. Генерация типового кода, создание простых CRUD-приложений, написание документации, подготовка тестов и многие другие рутинные процессы постепенно автоматизируются.

Поэтому влияние ИИ на рынок труда вполне реально.

Однако речь идёт скорее о перераспределении ценности, чем о массовом исчезновении профессии.

Чем лучше специалист умеет решать сложные задачи, работать с неопределённостью, понимать бизнес-контекст и принимать решения, тем труднее его заменить.

На мой взгляд, самые заметные изменения сейчас происходят не в разработке, а в найме.

Если раньше на собеседовании можно было произвести хорошее впечатление знанием конкретных API, особенностей фреймворка или редких технических деталей, то сегодня значительную часть этой информации можно быстро получить с помощью ИИ.

Поэтому всё большее значение приобретают навыки, которые сложнее автоматизировать: умение рассуждать, объяснять свои решения, анализировать требования, проектировать системы и вести техническую дискуссию.

Работодателю важно понимать не только то, что кандидат знает, но и то, как он мыслит.

Искусственный интеллект уже оказывает огромное влияние на индустрию разработки. Он меняет процессы, автоматизирует часть задач и заставляет компании пересматривать подходы к найму.

Но пока всё происходящее больше похоже на трансформацию профессии, чем на её исчезновение.

История технологий показывает, что новые инструменты редко уничтожают целые профессии. Гораздо чаще они меняют набор навыков, который требуется специалистам.

Похоже, что и в этот раз происходит именно это.

Судя по тому, что я вижу на рынке, ценность всё больше смещается от запоминания фактов к умению анализировать задачи, принимать решения и объяснять свой ход мыслей. Именно поэтому при создании Intervierro - сервиса для подготовки к IT-собеседованиям - мы сделали ставку не на заучивание вопросов и ответов, а на формат живого интервью, где нужно рассуждать, отвечать на уточняющие вопросы и вести диалог так, как это происходит на реальном собеседовании.