ИИ и open source не вошли в клинч, которого многие ждали. Исследование по 1888 open source-проектам показало: после внедрения ИИ-агентов приток новичков статистически не проседает, хотя код действительно становится немного сложнее. Для русскоязычной IT-аудитории это важный сигнал: страх, что Cursor-подобные инструменты быстро «съедят» входной уровень в разработке, пока не подтверждается данными.
Об этом сообщает The New Stack со ссылкой на свежую академическую работу Decoupling Code Complexity from Newcomer Participation: A Causal Study of AI Coding Agent Adoption in OSS. Авторы исследования попытались проверить один из самых популярных тезисов вокруг агентной разработки: если ИИ берет на себя простые задачи, то у новичков остается меньше шансов войти в проект через багфиксы, мелкие улучшения и те самые beginner-friendly issues.
Дальше начинается то, чего обычно не хватает в спорах про ИИ: цифры вместо интуиций. Исследователи с помощью GitHub code search нашли 1888 проектов, где появление ИИ-агента можно было зафиксировать по первому коммиту с конфигурационным файлом такого инструмента. Для основного анализа они сузили выборку до 603 репозиториев, у которых был корректный период «до внедрения», и применили difference-in-differences в сравнении с похожими проектами без признаков использования агентов. Главный вывод: статистически значимого падения притока новичков после внедрения ИИ не обнаружено.
Это важная деталь, потому что опасение выглядело вполне правдоподобно. Логика у него простая: open source держится на притоке новых участников, а первые шаги в проекте обычно делаются не через сложную архитектурную работу, а через мелкие и понятные задачи. Если такие задачи начинают массово закрывать Claude Code, Cursor или другие агенты, то воронка входа вроде бы должна схлопнуться. Но исследование говорит, что в реальных репозиториях эта цепочка не срабатывает так прямолинейно.
При этом авторы не утверждают, что ИИ ничего не меняет. Меняет, и довольно предсказуемо. После внедрения агентов код становится сложнее: для Python рост составил около 11% по одной из когнитивных метрик, а по цикломатической сложности во всех языках прибавка оказалась на уровне 3-4%. То есть тревога насчет читаемости и общей «толщины» кода не взялась из воздуха. Просто следующий шаг в этой страшилке не подтвердился: даже в подмножествах, где сложность действительно выросла, участия новичков меньше не стало.
Почему это важно не только для мейнтейнеров
Для разработчиков вывод довольно практичный. Сам по себе рост сложности кода не означает, что проект автоматически закрывается для новых людей. У open source-онбординга больше переменных, чем набор задач с меткой good first issue. Новичков притягивают документация, скорость ревью, дружелюбие мейнтейнеров, понятный CI, предсказуемый release-процесс и ощущение, что их вклад вообще кому-то нужен. ИИ может откусить часть рутинных задач, но это не равносильно исчезновению точек входа.
Для бизнеса здесь тоже есть полезный вывод. Многие компании уже разрешают командам использовать агентные инструменты в публичных и внутренних репозиториях, но опасаются побочного эффекта: вырастет скорость сейчас, а через год получим меньше новых контрибьюторов, меньше внешний кадровый резерв и более хрупкую экосистему. По крайней мере в established open source projects, которые смотрели авторы, такой размен не материализовался. Это не значит, что можно забыть о качестве кода, зато означает, что аргумент «ИИ убьет приток людей в open source» уже не выглядит железобетонным.
Есть и ограничения, о которых лучше помнить, чтобы не превратить исследование в новый мем. Во-первых, авторы фиксировали внедрение агентов по конфигурационным файлам, а значит часть использования могла остаться за кадром. Во-вторых, метрика beginner tasks через good-first-issue у них описана как разреженная и корреляционная: падения не видно, но это не самая сильная часть дизайна. В-третьих, речь идет не обо всем open source сразу, а о проектах, где удалось аккуратно построить причинное сравнение. Иными словами, работа сильнее бьет по панике, чем дает индульгенцию любому сценарию внедрения ИИ.
Контекст здесь тоже показательный. За последний год разговор об ИИ в разработке заметно сместился: если раньше спорили в основном о производительности одного инженера, то теперь все чаще обсуждают структуру самой инженерной среды. Кто будет делать первые коммиты? Кто будет разбираться в кодовой базе без помощи модели? Не получится ли, что open source превратится в клуб людей, которые только проверяют патчи от агентов? На этом фоне исследование выглядит неприятным для алармистов: да, кодовые агенты меняют механику работы, но социальная ткань проектов пока оказывается устойчивее, чем казалось.
Что дальше
Самый интересный вопрос теперь не в том, вытесняют ли ИИ-агенты новичков напрямую, а в том, как именно меняется роль новичка в open source. Возможно, вход в проект будет реже начинаться с «поправил опечатку в тесте» и чаще с умения проверить, уточнить и довести до ума то, что нагенерировал агент. Если эта гипотеза верна, индустрии придется меньше спорить о конце open source и больше думать о новых правилах онбординга, ревью и ответственности за код. Подробнее об исследовании пишет .