ИИ-конвейер: кто будет проверять работу машин?

В октябре 2026 года GitHub открыл доступ к Copilot Fusion — инструменту, который сам подбирает и комбинирует нейросети для написания кода. В тот же день площадка обновила настройки для владельцев проектов, сняв ограничения на подачу замечаний для тех участников, чьи правки принимались ранее. Оба решения отражают новую реальность программирования: чем проще генерировать код, тем больше ресурсов уходит на его проверку.

Даже когда созданное с помощью ИИ решение выглядит рабочим, его (со)авторам зачастую не хватает понимания архитектуры проекта, чтобы объяснить логику изменений или доработать их. И если разработчикам проекта новые меры помогают сдержать наплыв "мусорного кода", то начинающим программистам они закрывают один из главных путей в профессию — возможность получить совет от опытного коллеги и улучшить свой проект.

Усталость контролера

Схожая проблема возникает и среди разработчиков: сегодня один специалист может параллельно запустить 6-7 ИИ-агентов и за вечер сделать квартальный объем работы, но если все сэкономленное благодаря ИИ время выделить под новые задачи, программисты рискуют не справиться с объемом проверок.

В этой связи профессиональное сообщество в последнее время радикально упрощает процедуру проверки кода, что заметно сказывается на его качестве. На это указывает и статистика открытых проектов на GitHub: анализ 11 429 проверок, проведенных 400 разработчиками, показал: со временем одни и те же специалисты стали чаще одобрять правки от ИИ-агентов — 36,8% против 30,1% ранее, а комментировать спорные строки — на 22% реже. Иными словами, тестировщики начали пропускать больше ошибок.

Примечательно, что при этом медианное время от подачи правки до отзыва выросло с 3,9 до 13,5 часа: хотя правки стали одобрять чаще, ответа на них приходилось ждать дольше.

Ловушка готовых ответов

Упрощение проверок и отсев новичков негативно сказываются на качестве экспертизы профессионального сообщества. Распознать скрытые проблемы в сгенерированном ИИ коде может лишь тот, кто имеет достаточный опыт самостоятельного разбора таких ошибок, — если же начинающий разработчик с первых дней оперирует готовыми ответами, такой опыт ему неоткуда взять.

Это подтверждает и эксперимент Anthropic, в котором 52 преимущественно начинающих разработчика решали задачи с незнакомой библиотекой Python. На проверочном тесте группа, использовавшая ИИ, набрала в среднем 50% баллов против 67% у тех, кто писал код самостоятельно, — причем статистически значимого выигрыша по времени нейросети не дали.

Показательно, что среди пользователей ИИ материал хорошо усвоили только те, кто просил объяснить незнакомые им места или задавал уточняющие вопросы по собственному коду.

Эрозия субъектности

Прежние технологические революции — от изобретения письменности до создания поисковиков — отдавали на аутсорс лишь "сырье" для мыслительного процесса. Нынешний когнитивный сдвиг впервые позволяет делегировать само мышление: когда сотрудник, не вникая в задачу, пересылает вопрос чат-боту, а сгенерированный ответ — заказчику, он теряет свою субъектность.

Однако понимание ИИ инструментально, а не экзистенциально: машина способна обработать все данные мира, но не может наделить их смыслом. Автоматизация удешевляет рутинные навыки исполнителя, при этом повышая ценность специалиста, способного корректно поставить задачу и обосновать свое решение.

Сама по себе технология не снижает ценность человека, но если ради иллюзии эффективности бизнес променяет человеческую экспертизу на готовые ответы, очень скоро проверять работу машин будет некому.