Разработка программного обеспечения представляет собой сложный процесс, в котором непосредственное написание программного кода является лишь одной из составляющих. Создание полноценного продукта предполагает определение требований, проектирование, реализацию, проверку работоспособности, интеграцию отдельных компонентов и последующее сопровождение. Развитие генеративного искусственного интеллекта (ИИ) существенно расширило возможности автоматизации программирования, позволив получать исходный код на основе текстовых описаний, существующих примеров и контекста проекта. В результате сократились затраты времени на выполнение ряда типовых операций, ранее требовавших непосредственного участия разработчика. Однако повышение скорости формирования программного кода не обязательно сопровождается аналогичным ускорением всего процесса создания программного продукта. Возникает необходимость определить, на каких этапах генеративный ИИ действительно обеспечивает экономию времени и какие ограничения препятствуют её преобразованию в повышение общей производительности. Цель настоящей статьи заключается в сравнительном анализе возможностей и ограничений ускорения разработки программного обеспечения при использовании генеративного ИИ. Исследование основано на сопоставлении результатов опубликованных научных работ и анализе взаимосвязей между скоростью реализации, качеством программного кода и продолжительностью последующих этапов разработки.
Традиционно одним из существенных ограничений скорости программирования выступали затраты времени на непосредственное написание и отладку исходного кода. Даже при наличии готовой архитектуры разработчику необходимо было реализовать отдельные функции, описать взаимодействие компонентов, обработать исключительные ситуации и проверить корректность используемых конструкций. Современные средства разработки уже предоставляли возможности автоматического дополнения кода, применения шаблонов и повторного использования библиотек. Генеративный ИИ расширил эти возможности благодаря способности формировать более крупные и содержательно связанные фрагменты программ на основе поставленной задачи. При этом техническая реализация может занимать значительно меньше времени, чем самостоятельное создание аналогичного решения. Особенно заметным такой эффект может быть при разработке стандартных компонентов, преобразовании данных и выполнении повторяющихся операций.
Одним из наиболее очевидных преимуществ является ускорение создания первоначального прототипа. На ранней стадии разработки необходимо проверить реализуемость идеи, представить основные функции и получить основу для дальнейшего обсуждения. Генеративная модель способна подготовить черновой вариант программного компонента, предложить структуру интерфейса или реализовать пример взаимодействия с внешней системой. Это потенциально позволяет быстрее переходить от описания требований к демонстрации работающего решения. Однако прототип и готовый программный продукт имеют различные критерии качества. В первом случае допускаются временные упрощения, тогда как во втором необходимо обеспечивать устойчивость, безопасность и возможность дальнейшего сопровождения. Поэтому сокращение времени прототипирования не следует автоматически считать сокращением полного производственного цикла.
Эмпирические исследования подтверждают возможность существенного ускорения отдельных задач программирования. В эксперименте С. Пэна и соавторов разработчики, использовавшие GitHub Copilot, выполнили задание по созданию сервера на JavaScript на 55,8% быстрее участников контрольной группы [5, с. 1]. Полученный результат показывает, что генеративный инструмент способен заметно уменьшать время технической реализации конкретной задачи. Вместе с тем исследование было организовано вокруг ограниченного задания с заранее определённой функциональностью. Создание коммерческого программного продукта предполагает дополнительные требования, которые не могут быть непосредственно оценены только по скорости написания первоначального кода.
Более широкие данные представлены в исследовании К. Цуя и соавторов, основанном на трёх полевых экспериментах с участием 4867 разработчиков. Авторы установили увеличение количества выполненных задач примерно на 26% среди специалистов, получивших доступ к интеллектуальному помощнику программирования [2, с. 9408]. Важное отличие данного исследования заключается в рассмотрении профессиональной деятельности в организационной среде. Однако даже рост числа завершённых задач не равнозначен увеличению скорости выпуска готовых продуктов на ту же величину. Отдельные задачи могут существенно различаться по объёму, сложности и влиянию на работоспособность системы. Кроме того, количество выполненных операций не отражает всех затрат на последующее сопровождение созданных решений.
Противоположные результаты получены Дж. Беккером и соавторами при изучении работы опытных разработчиков в знакомых им проектах с открытым исходным кодом. В эксперименте с участием 16 специалистов, выполнявших 246 реальных задач, использование доступных на начало 2025 года инструментов ИИ сопровождалось увеличением фактического времени выполнения работы примерно на 19%. При этом сами участники предполагали, что технология ускоряет их деятельность [1, с. 1]. Данный результат не доказывает неэффективности генеративного ИИ в целом, поскольку исследование охватывало определённые инструменты, профессиональные условия и типы задач. Тем не менее он показывает, что субъективное ощущение ускорения может не совпадать с объективной продолжительностью работы.
Сопоставление рассмотренных исследований позволяет сделать важный вывод: влияние генеративного ИИ на производительность существенно зависит от содержания задачи и условий её выполнения. Отдельная функция, создаваемая в относительно изолированной среде, может быть реализована значительно быстрее, чем без интеллектуального помощника. Напротив, изменение сложной существующей системы предполагает необходимость учитывать большое количество взаимосвязей, ограничений и ранее принятых технических решений. В подобных ситуациях затраты времени на изучение предложенного кода, его исправление и согласование с архитектурой способны уменьшать первоначальную экономию. Следовательно, оценка скорости должна учитывать не только факт использования ИИ, но и характер выполняемой работы.
Особого внимания заслуживает различие между скоростью генерации и скоростью проверки программного кода. Генеративная модель способна сформировать несколько функций или значительный объём программного текста за короткий промежуток времени. Однако полученный результат необходимо прочитать, сопоставить с требованиями и проверить на наличие ошибок. Скорость человеческого анализа при этом не увеличивается автоматически пропорционально производительности генеративной системы. Более того, внешне корректный код может содержать скрытые логические недостатки, которые требуют внимательного изучения. В результате ускорение одного этапа способно сопровождаться увеличением нагрузки на следующий.
Проблема особенно заметна при росте объёма автоматически создаваемых изменений. Если разработчик самостоятельно пишет небольшую функцию, он, как правило, понимает последовательность принятых решений и причины использования конкретных конструкций. При получении крупного фрагмента от генеративной модели такое понимание не всегда возникает непосредственно в момент его создания. Для последующей проверки необходимо восстановить логику работы программы, определить назначение отдельных частей и установить соответствие требованиям. Поэтому увеличение количества строк кода не следует рассматривать как самостоятельный показатель эффективности. Больший объём реализации может отражать как расширение функциональности, так и появление избыточных конструкций, усложняющих сопровождение.
Дополнительную нагрузку создаёт необходимость тестирования. Программный продукт должен правильно функционировать не только при типовых входных данных, но и при нестандартных ситуациях, ошибочных действиях пользователей и изменении внешних условий. Генеративный ИИ способен помогать создавать автоматизированные тесты, однако их наличие не гарантирует полноты проверки. Система может предложить тестовые сценарии, соответствующие собственному представлению о правильной работе программы, но не учитывающие фактические требования заказчика. В обзоре Я. Лу, обобщающем исследования генерации кода, тестирования и обеспечения качества, отмечается, что проблемы семантической корректности, надёжности и проверяемости автоматически созданных решений сохраняются даже при существенном развитии интеллектуальных инструментов [3, с. 1–2].
Следует учитывать, что увеличение скорости создания функциональных возможностей может сопровождаться ростом абсолютного объёма проверочной работы. Если команда получает возможность реализовывать больше изменений за тот же период, специалистам по тестированию и проверке кода приходится обрабатывать более интенсивный поток результатов. При неизменных ресурсах контрольных этапов возникает вероятность накопления задач, ожидающих проверки. Таким образом, первоначально положительный эффект автоматизации может создавать новый организационный дисбаланс: реализация ускоряется, но общая скорость продвижения изменений ограничивается пропускной способностью последующих процессов.
Данная зависимость имеет существенное значение для профессиональной разработки. Программный продукт создаётся последовательностью взаимосвязанных операций, и ускорение одного элемента не обязательно приводит к сопоставимому сокращению итогового срока. Если написание кода перестаёт быть наиболее продолжительным этапом, ограничение может переместиться на проведение тестов, рассмотрение изменений, согласование требований или подготовку выпуска. При этом дальнейшее ускорение генерации будет приносить всё меньшую пользу, пока сохраняется недостаточная производительность других процессов. Поэтому рациональное внедрение ИИ требует оценки всего технологического цикла, а не только отдельных операций программиста.
Наряду с тестированием важной составляющей разработки остаётся рассмотрение изменений другими специалистами. Такая проверка позволяет обнаруживать недостатки реализации, поддерживать единые архитектурные принципы и обеспечивать понятность программного кода для участников команды. Автоматическое создание функций не устраняет необходимости оценивать их влияние на существующую систему. Вместе с тем зависимость между использованием ИИ и продолжительностью проверки не является однозначной. В исследовании А. Мокуса и соавторов на материалах компании Meta, включавших более 400 тысяч наборов изменений, обнаружены различия во времени рассмотрения кода с участием ИИ. Однако авторы подчёркивают, что наблюдаемые связи зависят от характера изменяемых компонентов и других условий работы, поэтому не могут трактоваться как простой причинный эффект технологии [4, с. 93:1–93:2].
Отдельным ограничением становится интеграция новых функций. Даже корректно работающий программный компонент должен быть совместим с остальными частями продукта. При увеличении количества параллельно реализуемых изменений возрастает значение контроля зависимостей и согласования взаимодействия между компонентами. Проблема заключается в том, что отдельные решения могут быть технически правильными, но противоречить общей архитектуре или нарушать ранее реализованные возможности. Исправление подобных несоответствий требует дополнительного времени и не всегда поддаётся полной автоматизации. Следовательно, ускоренное создание отдельных частей продукта может сопровождаться повышением сложности их объединения в единую систему.
Важным фактором выступает поддерживаемость программного обеспечения. Код, созданный за короткое время, может успешно выполнять первоначальную задачу, но оказаться неудобным для дальнейшего развития. Причинами становятся избыточное дублирование, недостаточно понятные зависимости и отсутствие единообразия в технических решениях. Если подобные недостатки систематически сохраняются, организация получает краткосрочное ускорение ценой увеличения будущих затрат. Возникает риск накопления технического долга, под которым понимаются дополнительные издержки, связанные с ранее принятыми упрощениями и необходимостью их последующего исправления. Поэтому экономия времени на реализации должна сопоставляться с возможными расходами на сопровождение.
С экономической точки зрения распространение генеративного ИИ представляет интерес благодаря потенциальному сокращению трудозатрат и ускорению вывода новых функций на рынок. Для бизнеса возможность быстрее проверить продуктовую гипотезу, подготовить демонстрационную версию или реализовать относительно стандартное улучшение имеет самостоятельную ценность. Уменьшение времени ожидания первоначального результата позволяет раньше получить обратную связь от пользователей и скорректировать направление дальнейшей работы. Однако коммерческая выгода возникает не в момент генерации кода, а при создании результата, который соответствует потребностям заказчика и может использоваться с приемлемыми затратами и рисками.
Особенно важно различать скорость внедрения новой функциональности и устойчивость качества продукта. Организация может стремиться увеличить частоту обновлений, поскольку это позволяет быстрее реагировать на потребности рынка. Но чрезмерное ускорение выпуска без достаточной проверки способно приводить к росту числа ошибок, ухудшению пользовательского опыта и увеличению нагрузки на техническую поддержку. В подобных условиях экономия времени на этапе реализации частично компенсируется затратами на устранение недостатков после внедрения. Поэтому управление скоростью разработки должно включать оценку последствий ошибок, а не только контроль сроков выполнения задач.
Использование генеративного ИИ также изменяет распределение времени между участниками проекта. Разработчики могут быстрее завершать первоначальные варианты реализации, но одновременно уделять больше внимания оценке автоматически созданных изменений. Специалисты по тестированию получают больше материалов для проверки, а руководители проектов должны учитывать возможные колебания качества и сроков. При этом нельзя заранее утверждать, что нагрузка на контрольные функции обязательно будет расти в каждой организации: интеллектуальные системы способны помогать и на этих этапах. Однако полезный эффект возникает лишь тогда, когда автоматизация проверки обеспечивает достаточно надёжный результат и не создаёт дополнительных непроверенных предположений.
Для объективной оценки целесообразно использовать показатели, отражающие несколько сторон производственного процесса. К ним относятся продолжительность выполнения задачи от постановки до принятия результата, количество исправлений после проверки, частота ошибок после выпуска, время восстановления работоспособности и затраты на сопровождение. Объём созданного кода и количество обращений к интеллектуальной системе могут использоваться как дополнительные характеристики, но не должны подменять оценку конечной результативности. Такой подход позволяет учитывать ситуации, когда генеративный ИИ ускоряет написание функций, но увеличивает время их проверки, а также случаи, когда технология действительно сокращает общий цикл разработки.
При анализе эффективности необходимо учитывать различия между типами программных продуктов. Для небольшого прототипа, создаваемого с целью предварительной проверки идеи, сокращение времени реализации может быть главным преимуществом. Для банковской системы, медицинского программного обеспечения или другого продукта с высокими требованиями к надёжности скорость не может рассматриваться отдельно от безопасности и корректности. Чем значительнее возможные последствия ошибки, тем выше требования к независимой проверке. Следовательно, оптимальный уровень автоматизации определяется не только возможностями генеративной модели, но и критичностью выполняемых системой функций.
Сохраняется и проблема зависимости результатов от профессиональной квалификации разработчика. Опытный специалист способен быстрее оценивать предложенные решения, обнаруживать архитектурные недостатки и определять необходимость дополнительного тестирования. Менее подготовленный пользователь может принимать внешне убедительный код без достаточного анализа. При этом различия в эффективности использования ИИ не сводятся исключительно к профессиональному стажу: важны знакомство с проектом, характер задачи, качество доступного контекста и условия взаимодействия с системой. Поэтому внедрение технологии требует развития навыков проверки результатов и формирования понятных организационных правил её использования.
Дальнейшее совершенствование генеративного ИИ может повысить скорость не только написания кода, но и подготовки тестов, обнаружения ошибок и анализа изменений. Однако даже при расширении автоматизации сохраняется необходимость устанавливать требования к качеству и принимать решения о допустимости технических рисков. Кроме того, повышение скорости создания новых возможностей потенциально увеличивает ожидания заказчиков и пользователей, что может приводить к дальнейшему росту объёма разрабатываемой функциональности. Таким образом, технологическое ускорение не обязательно означает уменьшение общего количества работы: часть высвобождаемых ресурсов может направляться на решение новых задач.
Проведённый анализ позволяет заключить, что генеративный искусственный интеллект способен существенно ускорять отдельные операции программирования, но его влияние на общий срок создания программного продукта неоднозначно. Наибольшая экономия времени вероятна при выполнении сравнительно ограниченных и хорошо определённых задач, тогда как работа со сложными существующими системами требует значительных затрат на анализ, проверку и интеграцию. Увеличение скорости генерации кода может приводить к перемещению основного ограничения производительности на последующие этапы разработки. Поэтому эффективность применения ИИ следует оценивать по времени получения проверенного и пригодного к эксплуатации результата, а не по скорости появления программного текста.
Таким образом, ключевое преимущество генеративного ИИ заключается в расширении возможностей ускоренного создания и изменения программного обеспечения. Однако реализация данного преимущества требует согласованного развития процессов контроля качества, тестирования и сопровождения. Для бизнеса наиболее значимым результатом является не максимальное количество быстро созданных функций, а возможность быстрее предоставлять пользователям надёжный и полезный программный продукт. В этих условиях генеративный ИИ следует рассматривать как средство повышения производительности всей системы разработки, эффективность которого зависит от правильного распределения ресурсов между созданием, проверкой и внедрением программных решений.
.png&w=384&q=75)
.png&w=640&q=75)