AI-агенты в разработке уже заметно ускоряют часть инженерной рутины: в одном из исследований 4 867 разработчиков закрывали с AI-ассистентом примерно на 26% больше задач. Но главный сдвиг неприятнее для тех, кто привык мерить уровень инженера строками кода: сама реализация всё хуже доказывает, что человек сделал хорошую инженерную работу.
Об этом пишет Habr / Карьера в материале о том, что делает разработчика ценным, когда код всё чаще генерируют агенты. Автор описывает собственный опыт: за последний год он стал меньше писать код руками и чаще отдавать AI исследование кодовой базы, варианты архитектуры, тесты, миграции, план реализации и часть анализа. Инженерной работы при этом не стало меньше. Просто она сместилась туда, где автодополнение уже не спасает: постановка задачи, выбор компромиссов, проверка результата и ответственность за последствия.
Цифры выглядят бодро, но не складываются в удобный лозунг «AI ускоряет всех на треть». В 2026 году в Management Science вышли результаты трёх полевых экспериментов с участием 4 867 разработчиков из Microsoft, Accenture и компании из Fortune 100. В объединённых данных группа с AI-ассистентом завершала примерно на 26% больше задач. В другом исследовании 2026 года участвовал 151 человек, 95% из них были профессиональными разработчиками: на первой Java-задаче участники с AI справились на 30,7% быстрее по медиане.
Но есть и менее рекламная сторона. METR в эксперименте на данных начала 2025 года наблюдал 16 опытных open-source разработчиков, которые решали реальные задачи в знакомых репозиториях. С AI они потратили примерно на 19% больше времени. Позже METR признал, что картина быстро устаревает: инструменты меняются, разработчики учатся выбирать задачи под AI, а новые оценки на уровне отдельных задач оказываются смещёнными. Вывод получается не глянцевый, зато полезный: ускорение зависит от задачи, кодовой базы, опыта инженера, качества инструмента и процесса вокруг него.
Самое важное начинается после того, как код уже появился. DORA в 2026 году описывал эффект, при котором часть времени, сэкономленного на генерации, возвращается в виде аудита и проверки. METR приводил ещё более жёсткий пример: мейнтейнеры трёх open-source проектов проверяли 296 pull request'ов, созданных с AI и проходивших тесты SWE-bench. Примерно половину они всё равно не стали бы вливать в основную ветку. Формальные проверки были зелёными, но в контексте живой кодовой базы этого оказалось мало.
Для команд это болезненный, но знакомый урок. Тесты подтверждают, что проверенный сценарий работает. Они не доказывают, что изменение готово к продакшену, не ломает обратную совместимость, не ухудшает наблюдаемость и не создаёт странный долг на соседнем сервисе. AI может написать аккуратный код, который решает не ту задачу. Может выбрать локально красивое решение, которое плохо ложится в архитектуру. Может не увидеть сценарий частичного отказа, если человек сам не понял, где там тонкое место.
Поэтому AI-агенты в разработке меняют не только скорость, но и критерии зрелости инженера. Раньше реализация часто была главным видимым артефактом: написал фичу, починил баг, добавил тесты. Теперь реализацию всё проще получить как черновик. Вес набирает другое: насколько разработчик понял проблему, какие предположения проверил, какие риски вынес в обсуждение, где поставил границу ответственности и как подготовил изменение к эксплуатации.
Отсюда и более трезвый взгляд на Senior-уровень. Умение работать с неопределённостью важно, но оно слишком широкое, чтобы объяснить разницу между Middle и Senior. Почти любая задача в продуктовой разработке в той или иной степени неопределённа. Отличие скорее в качестве инженерного суждения: Senior быстрее понимает, какой контекст критичен, какие варианты вообще допустимы, где компромисс временный, а где команда закладывает проблему на год вперёд.
Фундаментальные знания при этом не превращаются в музейный экспонат. Да, агент может перечислить варианты решения, напомнить про паттерны, найти похожий код и даже поспорить с архитектурной идеей. Но решение всё равно принимает человек. Ему нужно понимать, как работают сеть, базы данных, очереди, транзакции, консистентность, отказоустойчивость, безопасность и стоимость сопровождения. Не ради собеседования с доской, а чтобы отличить правдоподобный ответ модели от решения, которое выдержит продакшен.
Для бизнеса вывод тоже не про магическое сокращение команды. Если код становится дешевле, дороже становятся контекст и ответственность. Компании, которые просто нарастят поток AI-сгенерированных pull request'ов, быстро упрются в review, интеграцию, инциденты и усталость мейнтейнеров. Компании, которые перестроят процесс вокруг постановки задач, проверки гипотез, архитектурных решений и наблюдаемости, получат больше пользы от тех же инструментов.
AI-агенты в разработке не отменяют инженеров, но сдвигают центр тяжести профессии. В ближайшие годы сильнее всего подорожают не те, кто быстрее всех принимает сгенерированный код, а те, кто умеет задать агенту правильную работу, вовремя усомниться в красивом ответе и довести изменение до состояния, за которое не стыдно отвечать после релиза.