🛠 ИИ эффективнее помогает при разработке новых систем, чем при модернизации старых Когда разработчик начинает с чистого репозитория, AI-ассистенты впечатляют: контролируемый эксперимент 2023 года с 95 участниками показал, что GitHub Copilot сократил время создания веб-сервера на 55,8%. Модель уверенно генерирует каркас, типовые операции создания, чтения, обновления и удаления данных и тесты — ей хватает примеров из обучающей выборки. Но как только задача превращается во внедрение функциональности в десятилетнюю систему, эффект сдувается. Метаанализ 23 исследований, опубликованный в 2026 году, даёт средний размер эффекта AI на продуктивность разработки g=0,33 — умеренный, но далеко не революционный. Причина — в природе модернизации существующего кода. По данным Habr, AI отлично пишет код, но не умеет восстанавливать неявные ограничения: почему странный обходной путь существует восемь лет, какой контракт публичен, как конфигурация боевой системы отличается от тестовой. Модель можно загрузить всем репозиторием, но критичные зависимости часто живут вне кода — в документации, мониторинге и памяти сотрудников. Без этого AI генерирует синтаксически верные, но опасные изменения, ломающие то, что работает годами. Иллюзия скорости разработки с нуля особенно коварна: прототип нового сервиса выглядит готовым уже на первых коммитах, хотя команда ещё не проверила модель данных, безопасность и отказоустойчивость. AI ускоряет первый шаг, а не общее время до честной готовности к боевой эксплуатации, где главные затраты — не написание строк, а чтение, тестирование и отладка. Измерять продуктивность разработчика через скорость написания кода — всё равно что оценивать писателя по числу нажатий на клавиши. AI ускоряет набор, но не понимание сюжета, который компания плела десятилетиями. Пока модели не научатся читать инфраструктуру и историю инцидентов, выигрыш в проектах модернизации останется скромным — может быть, навсегда. #AI #продуктивность #GitHubCopilot #brownfield #greenfield