Иллюзия свободы
Почему внедрение ИИ не сокращает объем работы
Генеративный ИИ ускоряет создание кода, текстов и документов, однако не всегда приводит к ожидаемой экономии времени. По мере распространения AI-инструментов все больше ресурсов уходит на проверку и контроль результатов работы моделей. В итоге ИИ не столько сокращает объем интеллектуальной деятельности, сколько меняет ее структуру.
Фото: Александр Миридонов, Коммерсантъ
Фото: Александр Миридонов, Коммерсантъ
Куда уходит ресурс
За последние два года искусственный интеллект стал одной из главных тем в дискуссиях о производительности труда. Разработчики используют AI-ассистентов для написания кода, маркетологи — для создания текстов и презентаций, офисные сотрудники — для подготовки документов, поиска информации и анализа данных. Многие ожидания, связанные с экономией времени и ускорением работы, действительно подтверждаются исследованиями. В частности, согласно данным, опубликованным в 2025 году Национальным бюро экономических исследований США (NBER), AI-ассистенты в среднем повышали производительность сотрудников служб поддержки примерно на 14%. Наиболее заметный результат наблюдался у менее опытных специалистов, выполнявших типовые и повторяющиеся операции. По данным технологической компании «Рексофт», ускорение задач с использованием ИИ сегодня варьируется от 5% до 30% в зависимости от зрелости процессов в команде, уровня подготовки разработчиков и степени интеграции AI-инструментов в рабочий процесс.
Однако наряду с ростом скорости в использовании ИИ появился побочный эффект: часть сэкономленного времени уходит на анализ и исправление результатов работы моделей. «ИИ-ассистенты действительно снижают время написания кода, но не отменяют контроль качества. В ряде случаев экспертная проверка может занять столько же времени, так как оценивать приходится все, что сгенерировано»,— говорит директор по управлению проектами направления генеративного ИИ компании «Рексофт» Юрий Шевченко.
«Нагрузка на команду не исчезла, а перераспределилась,— рассказывает директор по науке и ИИ, член правления группы “Астра” Владимир Нелюб.— Сегодня от разработчика все чаще требуется не просто написать код, а правильно поставить задачу модели, разобраться в полученном результате и понять, насколько он соответствует общему устройству системы и требованиям безопасности».
Ассистент-кодировщик
Особенно активно ИИ сегодня используется в разработке программного обеспечения. AI-ассистенты помогают писать типовой код, создавать тесты, готовить документацию, искать ошибки и разбираться в чужих или устаревших фрагментах проекта.
Лучше всего AI-инструменты работают там, где задачу можно разбить на понятные и повторяющиеся действия.
Однако сами разработчики все чаще говорят о том, что ускорение отдельных операций не всегда означает ускорение всей работы целиком. Чем сложнее система и выше требования к безопасности и архитектуре продукта, тем больше времени тратится на проверку результата и исправление ошибок.
По словам Владимира Нелюба, максимально выгодны AI-инструменты сегодня в генерации шаблонного кода, документации, тестов и рефакторинге небольших фрагментов. «На практике преимущества ИИ снижаются там, где задача требует глубокого понимания предметной области, нестандартной логики или строгих требований к безопасности. Здесь ИИ скорее инструмент ускорения отдельных этапов работы, чем полноценная замена инженерной экспертизе»,— добавляет Владимир Нелюб.
При развитии AI-кодинга нагрузка все чаще ложится на senior-разработчиков, тимлидов и специалистов по безопасности, которым приходится проверять корректность решений, искать скрытые ошибки и оценивать долгосрочные последствия изменений. Как отмечает Владимир Нелюб, опытные специалисты становятся ответственными за проверку того, «не нарушена ли архитектура, нет ли уязвимостей, не появились ли неочевидные зависимости и технический долг».
Осторожное отношение к AI-инструментам подтверждают и данные ежегодного опроса разработчиков Stack Overflow (одного из крупнейших профессиональных сообществ программистов) за 2025 год: 46% респондентов заявили, что не доверяют точности таких систем, тогда как положительно их надежность оценивают около 33%.
Поэтому сегодня корректнее говорить не о замещении кадров, а о росте производительности инженерных команд при условии зрелых процессов разработки. «ИИ хорошо масштабирует сильную команду, но плохо компенсирует отсутствие архитектуры, тестирования, проверки кода и инженерной дисциплины»,— говорит Владимир Нелюб.
Ситуация на российском ИТ-рынке осложняется тем, что внедрение ИИ происходит одновременно с импортозамещением, дефицитом кадров и перестройкой инфраструктуры.
В этих условиях AI-инструменты часто не заменяют существующие процессы тестирования и контроля безопасности, а добавляются к ним. Отдельной проблемой эксперты называют риск роста технического долга (накопления проблем в коде, которые со временем усложняют поддержку и развитие системы) при массовом использовании AI-кодинга.
«Основная опасность — быстрый прирост кода без достаточного понимания того, как он встроен в систему и соответствует ли долгосрочной архитектуре продукта»,— поясняет Владимир Нелюб. По его словам, ИИ может генерировать рабочие фрагменты кода, которые проходят базовую проверку, но при этом дублируют существующую логику, нарушают внутренние стандарты или усложняют дальнейшее сопровождение системы.
В результате краткосрочное ускорение разработки может оборачиваться ростом стоимости изменений, увеличением объема исследований и более сложно управляемой кодовой базой. Чтобы этого избежать, AI-кодинг, по мнению Владимира Нелюба, должен быть встроен в промышленный контур разработки — с обязательным code review, тестированием и политиками безопасного использования.
Специалист по рутине
Похожие проблемы в использовании AI-инструментов обнаруживаются и в маркетинге, контенте и корпоративных коммуникациях. ИИ резко ускорил производство текстов, изображений, презентаций и других материалов. «ИИ уже заметно сократил объем рутинной работы, например при подготовке дайджестов, обработке брифов и создании черновиков контента. Меньше тратим времени на операционку, больше — на креатив, стратегию и работу с клиентами»,— говорит руководитель группы проектов digital-агентства Support Agency Лана Сенина.
По словам руководителя агентства Raketa Digital Святослава Пеунина, маркетологи фактически получили «дополнительного сотрудника, который не спит и не просит отпуск». Однако одновременно вырос и объем информационного шума.
Если раньше основной проблемой было быстро создать контент, то теперь — выделиться в общем потоке и удержать внимание аудитории.
Контента стало значительно больше, но количество качественного медиапродукта не выросло, говорит эксперт. «Сейчас главная проблема не как быстро сделать, а как не выглядеть как все»,— отмечает господин Пеунин.
Для маркетинговых и digital-команд это означает рост времени на отбор, проверку и адаптацию материалов. Как уточняет Лана Сенина, конкурировать за внимание пользователя становится сложнее не только из-за роста объемов контента, но и из-за появления новых AI-инструментов и связанных с ними трендов.
С ростом объемов AI-контента усиливается и проблема доверия. В этих условиях важным становится уже не само производство материалов, а способность проверять их качество и практическую ценность. Именно поэтому даже при широком использовании ИИ бренды и авторы не хотят, чтобы их уличили в «ненатуральности» контента. «Люди начали сильнее ценить реальный опыт, кейсы, личную подачу, юмор, мнение и даже небольшую “шероховатость” в контенте. На фоне AI-шаблонов человеческий стиль стал конкурентным преимуществом»,— считает Святослав Пеунин.
Распространение искусственного интеллекта меняет и требования к специалистам, говорят участники рынка. Если раньше ценность сотрудника часто определялась скоростью производства материалов, то теперь все большую роль играют навыки отбора, интерпретации, редактирования и оценки качества результата.
Глаз да глаз
Чем глубже внедряются технологии искусственного интеллекта, тем чаще компании начинают выстраивать вокруг ИИ процессы контроля и проверки.
На мировом рынке все большее распространение получает подход, при котором финальная ответственность за результат остается за человеком.
Владимир Нелюба полагает, что рынок постепенно переходит от стихийного использования ИИ к управляемой модели, где он становится частью инженерного контура, а не заменой разработчика.
«Наиболее результативный подход — заранее определить допустимые сценарии применения ИИ: генерация типового кода, тестов, документации, рефакторинг небольших фрагментов, анализ ошибок. Для критичных зон — безопасности, обработки персональных данных, финансовой логики и инфраструктурного кода — должны действовать дополнительные ограничения и обязательная экспертная проверка»,— говорит господин Нелюб.
Кроме того, в инженерных командах появляются внутренние правила работы с AI-кодингом: ограничения на передачу закрытого кода во внешние сервисы, требования к проверке сгенерированных изменений и другие меры контроля. Реальная польза от ИИ появляется только тогда, когда он встроен в рабочий процесс, считают в «Рексофте». «Для снижения рисков мы применяем механизмы стандартизации кода и код-стайл. Автоматические линтеры и форматтеры (инструменты автоматической проверки и стандартизации кода.— “Ъ-Review”), настроенные на проекте, снижают порог ошибок, которые может допустить ИИ. Это базовая, но эффективная практика. Человек остается финальным контролером в обязательном порядке»,— говорит Юрий Шевченко.
Тем не менее универсального решения проблемы пока нет. Чем сложнее задача и выше цена ошибки, тем сильнее компании зависят от человеческой экспертизы и зрелости внутренних процессов. Если раньше главным дефицитом были информация и скорость ее обработки, то теперь все большую ценность приобретают экспертиза, критическое мышление и способность быстро отличать качественный результат от автоматически сгенерированного. Поэтому сегодня вопрос уже не в том, способен ли ИИ создавать код, тексты или документы. Значительно важнее — кто и каким образом будет отвечать за качество, достоверность и последствия этих решений.