Исследователи Microsoft вместе с командой из ACM Queue разобрали восемь самых живучих мифов про ИИ в разработке софта. Почти каждый миф держится не на данных, а на маркетинге, отдельных удачных кейсах и неправильно прочитанных исследованиях.
Код — это 14% работы разработчика, а не вся работа
Исследование Microsoft 2025 года показало: разработчики тратят на написание кода всего 14% рабочего времени (microsoft.com). Это совпадает с более ранними оценками в диапазоне 11–18%. Остальное время — дизайн решений, встречи, ревью, координация и администрирование. О том, как искусственный интеллект меняет разработку софта, читайте в разборе реальной экономике и архитектуре автономных ИИ-агентов.
Из этого следует простой вывод: даже идеальный генератор кода задевает небольшой кусок реальной работы. Данные компании DX подтверждают это на практике — типичная организация получает от ИИ рост производительности по коду всего на 7,8%, далеко не «в разы», как обещает маркетинг (getdx.com).
Ускорение в одном месте не значит ускорение всей системы. Оно просто двигает нагрузку дальше по конвейеру — в разбираемом внутреннем ИИ-агенте для кода лишь около половины пул-реквестов в итоге принималось, 15% отклонялись полностью, ещё 15% зависали в ожидании ревью живого человека (getdx.com).
Строки кода — это не метрика, а иллюзия метрики
Компании до сих пор меряют эффект ИИ количеством строк кода, включая сгенерированные ИИ. Это статистически некорректный показатель, никак не связанный с качеством софта или скоростью поставки (queue.acm.org). Билл Гейтс ещё десятилетия назад сравнивал такой подход с оценкой прогресса самолёта по его весу — метафора, которую индустрия предпочла проигнорировать.
Пул-реквесты как метрика — шаг вперёд по сравнению со строками кода, но и её нужно использовать осторожно, в связке с другими показателями, а не как единственное число для отчёта (getdx.com).
Эффект от ИИ разный — и разброс не случайный
Исследования дают смешанную картину: где-то фиксируют серьёзный прирост, где-то эффект нулевой, а одно исследование опытных разработчиков открытого кода обнаружило, что использование ИИ-инструментов в среднем увеличило время реализации задач на 18% (arxiv.org).
Разброс не хаотичен. На знакомых задачах ИИ помогает больше, чем на незнакомых. Опыт разработчика, мотивация и стиль решения проблем меняют результат. Даже формулировка промпта имеет значение: одно исследование показало, что смыслово одинаковые переформулировки запроса приводили к разному коду в 46% случаев и меняли корректность результата в 28% случаев (arxiv.org).
Миф про десятикратного разработчика не выдерживает встречи с реальным кодом
Прирост продуктивности, который показывают на изолированных «игрушечных» задачах, обычно не переживает столкновения с реальной кодовой базой и командой. Значительная часть разброса между разработчиками — это свойство задачи, а не человека (getdx.com).
Внедрение ИИ — вопрос доверия, а не желания разработчиков
80% разработчиков пользуются ИИ-инструментами, но точности их работы доверяют только 29% (getdx.com). Разрыв между «использую» и «доверяю» — отдельная проблема, которую маркетинг обычно не считает.
При этом лишь 10% разработчиков в опросе Microsoft беспокоились, что ИИ отберёт у них работу. Большинство описывает эффект наоборот — больше времени остаётся на архитектуру, менторство и обсуждение идей, меньше на рутинный поиск информации (acm.org).
«Штраф за компетентность»: одинаковый результат — разная оценка
Отдельное исследование зафиксировало эффект, который в паре с остальными фактами звучит тревожно: за один и тот же результат работы с ИИ женщины и разработчики старшего возраста получают более жёсткую оценку, чем остальные, хотя итоговый код идентичен (getdx.com).
Главный вывод: дело не в модели, а в системе вокруг разработчика
Почти все существующие исследования изучают одного разработчика с одним инструментом — и тем самым перекладывают ответственность за продуктивность на отдельного человека. Исторически реальный рост продуктивности в индустрии software давали не индивидуальные оптимизации, а системные изменения на уровне организации (getdx.com).
Для контекста: похожая картина видна и на казахстанском рынке — медиана зарплаты в Data/ML уже выше, чем у большинства других IT-стеков (raem.kz), а госструктуры вроде АО «Казахстан ГИС Центр» осознанно тестируют вайб-кодинг, а не просто внедряют его по факту моды (kazpravda.kz). Разрыв между обещанием и измеримым эффектом ИИ — тема не только американских исследований. О ситуации на рынке труда программистов читайте в нашем исследовании о зарплатах и требованиях к разработчикам в Казахстане.
