«Кодят роботы, а не человек»: как нейросети конкурируют с разработчиками

Марк Цукерберг недавно заявил, что в 2025 году ИИ уже сможет кодить на уровне миддл-программистов. Утверждение не совсем беспочвенное: нейросети уже способны писать код, тестировать его, оптимизировать DevOps-процессы. Закономерный вопрос: не заберет ли на самом деле искусственный интеллект работу у разработчиков? Конкурент ли он человеку — или скорее гибкий инструмент для повышения эффективности?

Давайте разберемся, в каких задачах нейросети уже действительно сильны, а в чем они еще проигрывают человеку — и как все это использовать во благо разработки.

Машины становятся все умнее

ИИ-сфера развивается невероятными темпами, выходя на новый виток каждые полгода. Казалось бы, только недавно появилась нейросеть ChatGPT — а сегодня ее уже можно назвать классикой.

Представленная в марте 2023 статистика GitHub показывала, что уже на тот момент более 40 % всего кода генерировал ИИ. Комментируя эти данные, гендиректор компании Stability AI, разработавшей Text-to-Image-модель Stable Diffusion, сказал, что через 5 лет (то есть к 2028 году — прим. ред.) программистов вообще не останется.

Заявление, пожалуй, излишне громкое. Да и статистика «ГитХаба» не была подкреплена фактами. Но сам тренд на ИИ в разработке мобильных и веб-приложений нельзя отрицать. К тому же с момента заявлений GitHub прошло полтора года. Для AI-сферы срок немалый. И нейросети за это время стали еще умнее.

Что нейросети уже умеют: задачи, которые можно поручить ИИ

Итак, давайте более подробно рассмотрим, что уже можно отдавать на исполнение AI-системам.

Генерация кода

Нейросети неплохо справляются с написанием нетворческого кода, разгружая разработчиков и позволяя им сконцентрироваться на более сложных задачах. Нетворческий код — это стандартные, повторяющиеся фрагменты, которые требуют минимальной креативности и пишутся по готовым алгоритмам. Но их написание, пусть даже шаблонное, все равно требует времени.

Вот примеры такого кода:

• CRUD-операции — базовые функции для работы с базами данных;

• обработка данных;

• работа с API;

• настройка конфигураций;

• составление конфигурационных файлов и т. д.

Сила ИИ здесь в том, что он обучается на огромных объемах кода, отлично понимает закономерности, усваивает правила. И может генерировать шаблонный код быстро и точно.

Качество же такой работы нейросетей существенно зависит от того, на какой информации они обучались, — из-за этого они могут предлагать устаревшие или не лучшие решения, допускать уязвимости. Например, нейросеть DeepSeek прямо говорит, что предоставляемые сведения могут быть неактуальными:

Поэтому нельзя сказать, что нейросети здесь безупречны.

Тестирование и отладка

За счет способности четко усваивать правила и строго им следовать ИИ может использоваться для автотестирования разрабатываемых продуктов. Современные нейросети умеют анализировать код и автоматически создавать юнит-тесты для отдельных блоков, проводить интеграционное тестирование всех модулей в сборе. Например, AI-сервисы Diffblue и Testim генерируют тестовые случаи, покрывающие различные ветви кода. А технологии наподобие Google’s CI/CD умеют определять, какие тесты нужны после тех или иных изменений в коде.

Преимущества использования ИИ в тестировании те же, что и при написании кода: экономия времени, автоматизация типовых задач и исключение человеческого фактора.

А еще ИИ-инструменты не боятся масштабирования и могут действовать проактивно, предсказывая сбои.

Но, опять же, эффективность искусственного интеллекта зависит от качества и полноты базы, по которой он обучался. Кроме того, для корректной работы его нужно правильно интегрировать в проект и настроить. Не исключены и ложные срабатывания.

Дизайн и прототипирование

Нейросетевые технологии можно использовать как «умную кисточку» в дизайне и проектировании интерфейсов. Мы уже рассказывали, как можно эффективно использовать искусственный интеллект в UI и UX, здесь же предлагаем взглянуть на его дизайнерские способности шире:

• генерация дизайна по текстовому описанию — можно создавать в том числе и полноценные макеты;

• прототипирование интерфейсов — ИИ-плагины можно подключать к популярным редакторам Figma и Sketch;

• персонализация дизайна — например, Dynamic Yield и Optimizely используют AI для адаптации интерфейсов под индивидуальные требования;

• прокачка пользовательского опыта — системы вроде Hotjar и Crazy Egg научены анализировать поведение пользователей и предлагать улучшения интерфейса.

AI-системам можно отдать задачи по верстке, генерации типового контента и дизайн-идей. Но в основе любого предлагаемого решения будет лежать уже имеющийся опыт. Да и качество генерации пока оставляет желать лучшего.

Документирование процесса разработки

Подробная и понятная документация к проекту облегчает его дальнейшее обслуживание и развитие. В особенности если с ним работают разные команды. Задачи составления документации может взять на себя ИИ.

Эффективный подход к такой задаче — анализ составляющих кода для понимания их логики и назначения. Так работают, например, GitHub Copilot и OpenAI Codex. Некоторые ИИ-модели опираются на контекст — на имена переменных, комментарии, вызовы функций. Например, имеется функция calculate_discount:

ИИ может составить описание «Вычисляет итоговую цену после применения скидки»:

Содержание генерируемой документации может быть весьма обширным:

• описание функций и методов;

• примеры использования;

• параметры и возвращаемые значения;

• общее описание модулей или классов.

А после внесения правок в код ИИ может автоматически актуализировать документацию.

Но если, например, код плохо структурирован, документация может быть неточной. Плюс нейросети не всегда способны проследить логику кода. Так что необходимость ручной проверки и тут не исключается полностью.

DevOps

Здесь разработчики, специалисты поддержки, администраторы взаимодействуют в рамках единой системы. Находится тут применение и искусственному интеллекту. Например, он активно внедряется в процессы CI/CD, помогающие внедрять обновления в продукт чаще, проще и надежнее. Вот в чем здесь польза ИИ:

• интеллектуальное управление сборками — AI-системы анализируют изменения в коде и определяют, какие части системы нужно пересобрать;

• автоматизация тестирования — ИИ может писать и запускать тесты для обновлений, анализировать их результаты и составлять подробные отчеты;

• оптимизация развертывания — прогнозирование сбоев, постепенное развертывание обновлений, A/B-тестирование новых версий;

• мониторинг и сбор ОС после развертывания нововведений;

• управление совместимостью конфигураций.

При правильном подходе привлечение ИИ к DevOps-процессам упрощает внедрение обновлений, снижает вероятность ошибок, облегчает масштабирование новых решений. Основными барьерами же здесь являются сложность настройки, зависимость от качества данных, возможность ложной тревоги.

Что имеем в итоге

ИИ в сфере разработки может уже многое. Некоторые задачи можно спокойно делегировать ему — трудолюбивый, не знающий усталости и выгорания машинный интеллект выполнит их быстро и точно.

Но AI нельзя назвать полностью самостоятельным. Во-первых, ставить задачи приходится человеку. Во-вторых, всегда нужен контроль — а нередко и корректировка результата. В-третьих, ИИ-технологии еще не способны к самообучению и действуют в границах тех сведений, на которых обучены. Вообще же можно назвать немало аспектов, указывающих на то, что замена человека-разработчика искусственным интеллектом в обозримой перспективе не случится.

Ограничения нейросетей: и все-таки разработчики пока незаменимы

ИИ хорош тем, что четко следует установленным правилам. Но в этом и его основная слабость. Да, веб-разработка — не самая креативная деятельность, но без умения смотреть шире заданных условий, без способности задавать вопросы «А что, если?..» тут сложно. Вот лишь основные трудности, которые здесь испытывает любая искусственная нейронная сеть.

Неспособность глубоко понимать контекст

Нейросети обучаются на больших объемах данных, но тут отсутствует семантическое понимание: ИИ воспринимает форму данных, но не их глубинный смысл. И потому не осознает контекст как человек. А если данные некорректны, то и формальное восприятие будет неверным.

Например, при разработке мобильного приложения нейросеть сможет сгенерировать код для отдельных функций, предложить улучшения для неидеально написанных модулей, найти ошибки в синтаксисе. Но не примет во внимание долгосрочные цели бизнеса, не сможет составить архитектуру для масштабирования, не учтет пользовательские требования, не прописанные в ТЗ явно.

Боязнь экспериментов

ИИ — это прилежный, ответственный работник. Дайте ему задачу с конкретными вводными — и он предложит вариант решения. Работающий и в целом хороший. Но не выходящий за пределы заданных условий.

Искусственный интеллект не умеет строить гипотезы, просчитывать риски. Поэтому найти новое решение для уже существующей задачи не сможет. А в сфере разработки это важное умение. Поэтому в этом контексте человек опережает машину.

Работа только в режиме «Здесь и сейчас»

Если при разработке нужно учесть возможности дальнейшего развития проекта, изменения внешних условий, то человек с этим справится. А вот ИИ будет решать конкретную задачу с четко обозначенными вводными.

Например, ведется работа над EdTech-стартапом. Машина качественно проанализирует данные с учетом текущих трендов в образовании, составит прогнозы, предложит некоторые идеи развития. А вот чего она не сможет учесть:

• долгосрочные изменения — от технологических до демографических;

• потенциальные финансовые риски, изменения конкурентной среды, возможные выгодные партнерства;

• возможности инновационных способов использовать имеющиеся технологии — блокчейн для верификации сертификатов, создание образовательных комьюнити в соцсетях и т. д.

Так что для долгосрочного планирования развития обязательно нужен человек.

Безответственность

Если нейросеть допустила ошибки, ее никак не привлечь к ответственности. У нее нет сознания и воли, она просто выполняет на основе известных ей алгоритмов задачи, поставленные человеком.

Предположим, разработчик использовал нейросеть для автоматического тестирования веб-приложения, и она пропустила критическую уязвимость в коде, что привело к утечке данных пользователей. Ответственность за это ляжет на компанию, которая разработала или внедрила нейросеть, либо на команду разработки, которая не проверила результат.

Отсутствие эмпатии

У ИИ нет обратного взгляда на задачу. Поставить себя на место пользователя, понять, что нужно ему, он не может.

Например, этого требует концепция Jobs-to-Be-Done, о которой мы подробно рассказывали ранее. Ее суть в том, что разработчик ставит во главу угла задачи, которые человек будет решать с помощью продукта. Не широкий функционал, не стильный дизайн, а конкретные задачи. Нейросети без помощи человека на такое не способны.

Примеры командной работы разработчиков и машинного интеллекта

Совмещая человеческие и ИИ-способности, можно рационально распределить ресурсы и обязанности:

• Нейросети берут на себя механические задачи от написания шаблонного кода до тестирования, аналитики и рефакторинга.

• Человек направляет освободившееся время на решение более сложных задач, требующих креативности и поиска нестандартных подходов.

В результате обеспечивается и высокая производительность за счет «неутомимости» ИИ, и потенциал для инновационного развития проекта, поскольку у разработчиков будет больше времени на апробацию гипотез и поиск лучших решений.

Эффективность связки «Разработчики + ИИ» уже неоднократно подтверждена на крупных реальных проектах. Вот лишь некоторые примеры:

• GitHub Copilot и разработка ПО. Система Copilot от GitHub по заданным вводным генерирует фрагменты кода, предлагает варианты автодополнения, исправляет ошибки — разработчики меньше пишут код сами, но контролируют и дорабатывают предложения ИИ. В результате скорость разработки возрастает на 30-40 %.

• Netflix и рекомендательная система. AI-модели анализируют поведение подписчиков сервиса и составляют персонализированные рекомендации — разработчики создают алгоритмы и интерфейсы для интеграции этих рекомендаций в платформу. В результате более 80 % просмотров происходят по рекомендациям.

• Amazon и оптимизация логистики. ИИ прогнозирует спрос, оптимизирует маршруты доставки, управляет складскими запасами, а программисты разрабатывают системы, превращающие плоды трудов ИИ в практические инструменты. Они, в свою очередь, снижают затраты на логистику, сокращают время доставки, повышают удовлетворенность клиентов.

• Google DeepMind и оптимизация энергопотребления. Google использовал ИИ-модель DeepMind для анализа данных о нагрузке и климатических условиях, чтобы оптимизировать охлаждение и энергопотребление своих подразделений. Далее IT-инженеры компании интегрировали предложенные решения в системы управления дата-центрами, что дало 40-процентную экономию энергии.

Так что польза ИИ шире, чем просто избавление разработчиков от рутинных задач. Правильное применение таких технологий помогает повышать удовлетворенность клиентов, предугадывать желания и интересы, сокращать издержки. А это все — слагаемые рыночного успеха. В то же время ИИ — это, прежде всего, инструмент, который требует контроля и корректировки со стороны человека.

Что нам готовит будущее

Так все-таки: заменят ли нейросети программистов полностью в обозримом будущем? Делимся нашими прогнозами по этому вопросу.

В перспективе на 1-3 года искусственный интеллект будет крепнуть в роли рабочего инструмента. Он сможет выполнять все больше рядовых функций, эффективнее работать с DevOps, облегчая развертывание новшеств. Еще одни перспективные, на наш взгляд, векторы развития ИИ на этом временном отрезке — персонализация разработки и общее повышение качества кода.

На среднесрочном горизонте (3-5 лет) вероятно более глубокое и «умное» проникновение ИИ-технологий в сферу разработки. Они могут стать самостоятельным инструментом для проектирования архитектуры и даже для создания MVP. Будет расти значимость нейромоделей и во взаимодействии с пользователями. Чат-боты и виртуальные ассистенты на базе ИИ будут становиться все умнее, не только автоматизируя работу с обращениями, но и, возможно, адаптируя продукт в реальном времени под пользовательские запросы. Ожидаем, что AI-решения будут все лучше справляться и с задачами проект-менеджмента: прогнозировать риски, предлагать решения для оптимизации, распределять задачи и ресурсы.

На перспективу от 5 лет и дальше предполагаем следующие изменения:

• Автоматизация разработки. ИИ сможет самостоятельно создавать и поддерживать сложные продукты, человеку же будет достаточно описать требования и проконтролировать качество.

• Интеграция с другими технологиями. Использование ИИ перспективно в квантовых вычислениях и разработке нейроинтерфейсов. Но это уже весьма отдаленная перспектива.

• Оптимизация взаимодействия в системе «Человек — Машина». ИИ будет все лучше понимать человека в его «естественной среде». Ожидаемо появление эмоционального интеллекта, который будет способен проявлять эмпатию и тоньше чувствовать мысли и желания.

С большой вероятностью будет нивелирована зависимость ИИ от качества обучения человеком. Нейросети станут самообучаемыми, смогут расширять базу знаний автоматически. А это уже откроет дорогу к формированию коллективного искусственного интеллекта.

Однозначно, ИИ будет по всем направлениям менять сферу разработки. Начав с повышения производительности и качества кодинга, AI-технологии со временем могут кардинально изменить саму парадигму разработки, сделав ее более автоматизированной, интеллектуальной и инновационной.

Но это не значит, что разработчики станут невостребованными. Это будет скорее переход от исполнительских ролей к менеджменту. Уже сегодня искусственный интеллект и нейросети помогают создавать IT-продукты быстрее, точнее и более гибко, чем вчера. Но роль человека все равно остается ведущей во всех процессах разработки. Именно такой подход используем мы: стратегами и исполнителями всегда остаются наши разработчики, чьи идеи, опыт и креативность задают вектор развития и определяют успех всех проектов Machineheads.