Что происходит с профессией разработчика: мой опыт и данные индустрии
Как это началось у нас
Я работаю в команде разработки примерно из двух десятков человек: разработчики на 1С и смежных стеках, несколько тестировщиков и аналитиков. Этот текст — не теория, а то, через что мы с коллегами прошли сами за последние месяцы, пока готовили план внедрения ИИ на ближайшие несколько лет.
Началось всё без всякого плана. Весной 2026 часть команды уже баловалась с ИИ-агентами в личных проектах — просто из интереса. Летом это превратилось в рабочую практику: ручное написание кода у разработчиков сократилось в разы, зато сильно выросла нагрузка на код-ревью и архитектурные решения — ровно то смещение фокуса, о котором сейчас говорят все аналитики.
К концу лета мы начали эксперименты с локальной генерацией на собственном железе и завели общую базу знаний — сначала по всем стекам, с которыми работали, а потом из неё выделилась отдельная база по 1С и смежным технологиям. Запустили регулярные внутренние встречи по обмену опытом с ИИ-инструментами — раз в неделю, без них было бы сложно держать темп.
Осенью подключили облачного ИИ-агента (с соблюдением требований к обработке данных) как основной рабочий инструмент для всей команды, а перед этим вычистили код от учётных данных и другой чувствительной информации, чтобы можно было безопасно работать с облачными агентами. Отдельно начали пилот spec-driven development (SDD) — сначала на аналитиках и разработчиках, и наткнулись на отраслевой бенчмаркинг-проект PRISM, который стали использовать, чтобы не верить рекламным обещаниям моделей на слово, а проверять их на своих собственных задачах.
Есть и менее приятная находка: часть команды отметила ухудшение сна и общего самочувствия на фоне резкого погружения в новую технологию. Я считаю честным сказать об этом — ускорение редко даётся бесплатно, и это стоит закладывать в темп внедрения, а не замалчивать.
Что показывает индустрия
Когда мы с коллегами стали собирать план на бумаге, я сверил наш опыт с тем, что пишет отрасль. Вот что нашёл.
Роль разработчика смещается от написания кода к надзору за агентами. Gartner прогнозирует, что большинство кода будет писаться ИИ-агентами и проверяться опытными разработчиками; 80% инженеров потребуется переобучить навыки до 2027 года. IDC описывает это как сдвиг в надзор: постановка задач, проверка результата, доработка вывода агента вместо самостоятельного кодинга. Но McKinsey холодно добавляет: средний прирост продуктивности от ИИ — всего около 3%, а у 30% команд продуктивность даже упала: главный эффект даёт не сам инструмент, а перестройка ролей и процессов вокруг него.
Spec-driven development становится стандартом, а не нишевой практикой. Идея проста: спецификация — основной артефакт, код — производная от неё. Как формулируют на DEV Community, агенты хорошо пишут код, но плохо угадывают, что имелось в виду — спецификация это закрывает. Обзор на Medium насчитывает уже 30+ фреймворков под SDD. Есть и оговорка: Augment Code ссылается на исследование о 41% росте багов в pull request’ах при ИИ-кодинге без спецификации — это аргумент за точки ревью, а не против SDD как такового.
Локальные и открытые-весовые модели растут быстрее, чем кажется. По опросу 200 компаний, их доля в токен-трафике корпоративного ИИ выросла с 23% до 34% за год; Vercel видит рост с 11% до 36% всего за три месяца на своём шлюзе. При этом self-managed хостинг в облаке и on-premises делят рынок примерно пополам (46% против 42%) — свой сервер далеко не единственный вариант, но и не нишевая ставка.
Общие бенчмарки не гарантируют результат на реальных задачах. BlueOptima показал, что на реальных enterprise-задачах ИИ-инструменты успешны менее чем в 23% случаев, а Sourcegraph CodeScaleBench объясняет почему: стандартные бенчмарки вроде SWE-bench тестируют небольшие самостоятельные репозитории, а не крупные продакшн-кодовые базы. Это особенно важно для нишевых платформ вроде 1С: общий рейтинг модели ничего не говорит о том, насколько хорошо она знает вашу конкретную кодовую базу.
Стоимость растёт быстрее пользы. Gartner прогнозирует, что без управления расходы на токены превысят среднюю зарплату разработчика уже к 2028 году. Цифры по теме вообще сильно расходятся между источниками — от 59% до 90%+ по разным оценкам адопции, так что к большинству конкретных процентов стоит относиться настороженно.
Что совпало, а что нет
Совпадений оказалось больше, чем я ожидал:
-
Смещение фокуса с кодинга на ревью/архитектуру, которое я заметил у нас в команде ещё до того, как мы начали читать аналитику, точно совпадает с тремя крупными аналитическими фирмами сразу.
-
Наш пилот SDD попал ровно в момент, когда практика становится массовой, а не нишевой.
-
Ставка на локальные/открытые-весовые модели совпадает с реальным, быстро растущим сегментом, а не с нишевой ставкой.
-
Собственный бенчмаркинг решает ровно ту проблему, которую описывают BlueOptima и Sourcegraph — общие рейтинги не отражают реальную работу команды.
А вот что заставило нас пересмотреть часть плана:
-
McKinsey настаивает: главный эффект даёт не сам инструмент, а перестройка процесса вокруг него. Первая версия нашего плана была больше про инструменты и инфраструктуру, чем про сам процесс ревью — пришлось отдельно прописать, как именно меняется работа с кодом, а не только кто чем пользуется.
-
Прогноз Gartner про стоимость токенов к 2028 году заставил нас задуматься: в наших метриках пока нет явного потолка расходов на человека.
-
Распределение хостинга напоминает: чисто свой сервер — не единственный валидный путь; если свой сервер не успеет подняться по плану, управляемый open-weight хостинг — рабочий запасной вариант, а не провал.
-
64% компаний внедряют ИИ-агенты, но только 33% из них измеряют ROI. У нас есть квартальная самооценка — оказалось, это уже ставит нас в меньшинство тех, кто вообще считает.
Что дальше
В середине следующего года тимлиды получат по одному NVIDIA DGX Spark в личное пользование — не как рабочую нагрузку, а как песочницу для экспериментов: держать руку на пульсе индустрии локальной генерации. К концу года, на основе этого опыта, планируется развернуть общий сервер команды, способный держать многопоток и одновременную работу всей команды с моделью класса 400B+. Песочницы явно задуманы как предтеча сервера, а не альтернатива ему: точную спецификацию сервера мы сознательно не фиксируем заранее, а откладываем до чекпойнта после нескольких месяцев работы с песочницами.
Отдельно мы решили явно прописать, как меняется сам процесс ревью — ведь именно это, по McKinsey, даёт реальный эффект, а не сами инструменты. Три вещи:
-
Ревью сдвигается до кода, а не только после него: с SDD архитектурное ревью происходит на уровне спецификации/плана, до генерации кода.
-
Отдельный чек-лист под ИИ-код, а не общий: соответствие внутренним конвенциям, граничные случаи бизнес-логики, отсутствие “галлюцинаций” в сгенерированном.
-
Явный гейт перед мерджем для ИИ-кода: конкретный человек подписывается под мердж, а не “по умолчанию ок” — особенно пока работаем на облачном инструменте, до появления своего сервера.
Выводы для других команд
Если вы только начинаете свой путь, вот что я бы вынес из этого опыта:
-
ИИ ускоряет, а не заменяет — но это стоит заявлять явно, а не считать само собой разумеющимся: избежать соблазна сократить штат на волне эйфории легче, когда принцип произнесён вслух, чем когда руководство уже решило сокращать.
-
Стройте свой бенчмаркинг, особенно на нишевых платформах — общий рейтинг модели ничего не говорит о том, как она поведёт себя на вашей кодовой базе.
-
Процесс важнее инструмента — распишите, как меняется ревью, а не только какой инструмент купить: именно это, по McKinsey, даёт реальный эффект.
-
Ускорение не бесплатно — самочувствие команды в период резкого погружения — это часть плана, а не мелочь, о которой можно умолчать.
-
Измеряйте результат — большинство компаний внедряет ИИ-агенты, но не считает ROI — хотя бы простую квартальную самооценку уже ставит вас в меньшинство тех, кто вообще пытается понять, что происходит.
Автор: DmNep


