Генерация кода за два года превратилась из игрушки для демо в фактор, который меняет экономику разработки: по оценке автора, объём кода может вырасти в разы, а Cloudflare уже показывала эксперимент с воссозданием сложного фреймворка за $1200 вычислений. Для русскоязычной IT-аудитории главный вывод неприятно практичный: программисты не исчезают, но их работа всё меньше похожа на спокойное написание функций по тикетам.
Об этом пишет Habr / Карьера в колонке о том, почему модели не делают IT «лёгким и дешёвым для всех», а скорее открывают новый слой тяжёлого энтерпрайза. На поверхности всё выглядит как праздник no-code: фаундеры без технического бэкграунда собирают продукты с помощью Claude или ChatGPT, руководители ИИ-компаний рассуждают, что учить программирование уже не обязательно, а рынок радуется дешевому бойлерплейту. Но источник спорит с этой картинкой: как только сгенерированный код попадает в продакшен, начинается скучная взрослая часть — безопасность, право, архитектура, сопровождение, регуляторика и ответственность.
Ключевой тезис простой: моделей станет больше, кода станет больше, а вот людей, которые понимают, что именно этот код делает, внезапно может не хватить. Автор приводит грубую оценку: если раньше команда писала условный объём X, то теперь часть ядра системы по-прежнему будут проектировать и рефакторить инженеры, а вокруг него модели нагенерируют ещё несколько таких объёмов служебного, интеграционного и прикладного кода. В итоге разработчик превращается не только в автора, но и в редактора, аудитора, археолога и иногда в человека, который объясняет бизнесу, почему «оно же уже работает в демке» — не критерий готовности.
Самый полезный эффект ИИ здесь не в замене сильных инженеров, а в удешевлении маленьких задач, которые раньше экономически не сходились. Локальная CRM для небольшой клиники, приложение для клуба на 100 человек, миграционный скрипт, внутренняя автоматизация отдела — всё это часто не доходило до разработки, потому что бюджет был меньше стоимости нормальной команды. Генерация кода снижает входной билет: модель может быстро собрать черновой продукт, который раньше вообще не появился бы. Но дальше начинается зона, где «собрала модель» уже не аргумент: кто отвечает за персональные данные, кто чинит ошибки в бизнес-логике, кто проверяет права доступа, кто обновляет зависимости?
На этом месте миф о дешёвом IT упирается в энтерпрайз. Крупные компании не хотят отправлять проприетарный код в облачные сервисы без контроля, особенно если речь о банках, медицине, промышленности или госсекторе. Отсюда интерес к локальному запуску моделей, закрытым контурам, отдельной инфраструктуре и новым процессам проверки. Экономия на генерации может быстро раствориться в расходах на GPU-серверы, MLOps, ИБ-аудит, юридические заключения и разработку внутренних правил. Машина пишет дешевле человека, но ответственность за результат по-прежнему выставляется по взрослому тарифу.
Отдельная боль — безопасность. В источнике приводится пример, когда создатели продукта на Claude показывали рабочий процесс, а в кадре оказался боевой токен доступа. Другой кейс касается обхода песочницы Claude Code через особенности окружения Node.js и переменных среды. Детали здесь важны не как страшилка про конкретный инструмент, а как симптом: люди без базовой инженерной гигиены получают мощные средства автоматизации и начинают быстро масштабировать собственные ошибки. Раньше плохая архитектура росла месяцами. Теперь её можно нагенерировать за выходные, красиво задеплоить и только потом узнать, что внутри лежит открытая дверь.
Для рынка труда это не похороны разработчиков, а переразметка профессии. Автор напоминает, что даже Anthropic, на фоне громких разговоров о будущем без программирования, продолжает нанимать разработчиков-людей и, по данным источника, открывает около 1500 вакансий. Нужны не просто исполнители, а инженеры, которые держат в голове архитектуру, ограничения бизнеса, безопасность и качество кода, произведённого машиной. Спрос смещается к тем, кто умеет формулировать задачу модели, проверять результат, строить аналоги CI/CD для ИИ-разработки и не путать прототип с продуктом.
Джунам тоже рано готовить траурные аватарки. Да, часть простых задач заберут модели: CRUD, типовые формы, миграции, тестовые наброски, регулярки, учебные примеры. Но именно на этом уровне появится новая работа: разбирать сгенерированный код, учиться отличать рабочее от опасного, писать тесты, документировать поведение, чинить интеграции. Проблема в том, что вход в профессию станет менее линейным. Раньше джун учился на маленьких задачах, теперь многие маленькие задачи уже закрывает модель, а человеку нужно быстрее добираться до понимания системы целиком.
Для бизнеса главный урок ещё приземлённее: купить доступ к модели — не значит купить разработку. Генерация кода полезна там, где есть инженерная рамка: требования, ревью, тесты, контроль зависимостей, политика секретов, понимание закона и владельцы решений. Без этого компания получает не ускорение, а фабрику технического долга с приятным интерфейсом. Следующий конкурентный разрыв пройдёт не между теми, кто использует ИИ и кто не использует, а между командами, которые умеют управлять машинным кодом, и командами, которые просто нажали кнопку «сгенерировать».