Около 90% кода команды, которая развивает Claude Code, по словам Anthropic, уже пишет и проверяет сам ИИ. Цифра звучит как заявка на разработку почти без людей за клавиатурой, но главный сюжет здесь другой: компания делает упор не на автономность агента, а на проверку того, что он успел произвести. Для российских команд, экспериментирующих с ИИ-ассистентами, это важнее эффектного процента: скорость генерации кода перестаёт быть главным ограничением.
Как сообщает The New Stack, Anthropic оценивает долю кода, написанного и прошедшего ревью с участием Claude, примерно в 90% в команде Claude Code. Речь не о всей разработке Anthropic и не о том, что инженеры исчезли из процесса. Это показатель конкретной команды, которая создаёт инструмент для программирования с помощью модели. В таких условиях продукт одновременно становится рабочим инструментом команды и полигоном, на котором проверяют его возможности и слабые места.
Формулировка «пишет и ревьюит» требует особенно внимательного чтения. Генерация кода давно стала наиболее заметной частью применения языковых моделей: агент может подготовить функцию, изменить несколько файлов, объяснить архитектурное решение или предложить тесты. Но принести pull request — ещё не значит доказать, что изменение корректно, безопасно и не сломает соседний сервис. Чем больше кода создаётся машиной, тем выше цена ошибки в процедуре проверки.
Именно поэтому опыт Anthropic интересен не как соревнование «какой процент работы отдать модели». Компания подчёркивает роль верификации. Проверять нужно не только текст ответа модели, но и поведение программы: проходит ли она тесты, соответствует ли задаче, не создаёт ли скрытых регрессий и не меняет ли систему шире, чем требовалось. У ИИ нет встроенного иммунитета к правдоподобным ошибкам: он способен уверенно собрать аккуратный патч, который неверно трактует бизнес-правило или закрывает один сценарий за счёт другого.
Для инженерных команд это означает довольно приземлённую вещь: внедрение Claude Code или аналогичного агента стоит начинать не с подсчёта строк, которые он сгенерирует, а с инвентаризации защитных барьеров. Насколько надёжны unit- и интеграционные тесты? Есть ли воспроизводимые проверки в CI? Кто отвечает за архитектурные решения и изменения схем данных? Можно ли отделить безопасные задачи — документацию, тестовые заготовки, локальный рефакторинг — от операций, где ошибка затронет клиентов, деньги или персональные данные?
У этого подхода есть и организационный эффект. Если агент способен быстро подготовить несколько вариантов реализации, роль разработчика смещается от ручного набора каждой строки к постановке задачи, выбору ограничений и оценке результата. Но это не «разработчик больше не нужен». Наоборот, слабые процессы ревью и тестирования при массовой генерации кода становятся заметнее и дороже. Команда, которая не умеет ловить обычные регрессии, не получит магического качества от дополнительного автора кода — пусть даже он работает без перерывов.
Для CTO и продактов процент Anthropic также не стоит превращать в KPI. У разных команд различаются стек, зрелость тестов, цена сбоя и тип задач. Внутренний инструмент, сервис с обратимой ошибкой и платёжная система требуют совершенно разной степени контроля. Полезнее измерять не долю «кода от ИИ», а время от постановки задачи до проверенного изменения, число дефектов после релиза, нагрузку на ревьюеров и стоимость исправления ошибок.
История Claude Code показывает, куда на самом деле движется рынок агентной разработки: к связке «модель генерирует — система проверяет — инженер принимает ответственность». Следующим конкурентным преимуществом станет не способность агента написать ещё один модуль, а качество контура, который умеет быстро и надёжно отличать рабочий результат от убедительной имитации работы.

