Почему план «заменить разработчиков ИИ» превращается в техдолг и кадровый кризис

Статья: компиляция нескольких исследований, на них ведут ссылки

Преамбула

В 2023–2024 годах менеджерам в корпорациях активно продавали идею, что большие языковые модели вот‑вот заменят кучу разработчиков и резко повысят производительность команд.

На практике 2025–2026 годы показывают иную картину: большинство MVP и пилотов не даёт измеримой отдачи, техдолг растёт, уязвимостей становится больше, а рынок труда входит в “спираль смерти джунов (junior death spiral)” (хотя некоторые именитые авторы с этим не согласны).

В статье пробежимся по трендам. Какие именно данные сейчас есть по влиянию GenAI‑инструментов на разработку, почему “бесплатный” ИИ‑код оказывается дорогим, и какие выводы из этого могут сделать компании и сами инженеры.

ROI от GenAI: где обещанная производительность?

*ROI – возврат инвестиций

Один из ключевых тезисов хайпа 2023–2024 годов: GenAI радикально повысит эффективность разработки, а значит, компании смогут тратить меньше на людей. Уже к концу 2025 года отчёты показывают гораздо более трезвую картину.

• В обзоре MIT Nandanda Center «The Gen AI Divide» утверждается, что 95% корпоративных пилотов GenAI не дали ни доллара измеримого ROI.

• По данным Forrester и BCG, лишь 5–15% топ‑менеджеров в крупных компаниях сообщают о заметном росте маржинальности бизнеса за счёт GenAI‑инициатив.

• Отдельные пилоты на уровне офисных задач действительно дают экономию времени – например, в британском пилоте Google сотрудники с помощью GenAI экономили в среднем 122 часа в год на рутинных административных операциях. Но это далеко от обещаний “-50% от команды разработки”

Локальная ускоренная работа над простыми задачами (boilerplate, документация, …) с одной стороны, провал в создании постоянной и измеряемой бизнес‑ценности с другой.

“Vibe‑coding” и рост техдолга: от ускорения задач к “slop layer”

Даже там, где GenAI помогает закрывать задачи быстрее, возникает другая проблема — качество и структура кода.

Особенности ИИ‑кода

Часто цитируемые исследования от Stanford Digital Economy Lab и Git Code Clear показывают несколько устойчивых свойств ИИ‑генерируемого кода:

• Код проще по структуре и менее разнообразен.

• Появляется 4х‑кратный рост “code cloning”: модель склонна копировать и чуть менять уже увиденные блоки, вместо того чтобы выделять абстракции и переиспользуемые компоненты.

• Поддерживаемость и модифицируемость таких решений резко снижаются, особенно на горизонте >1 года.

В результате формируется так называемый slop layer — слой кода, который «как‑то работает», но никто не понимает, почему именно, и не может безопасно менять его без регрессий.

Техдолг в цифрах

По данным анализа компании CAST Software (примерно 10 млрд строк кода – и я в целом советую его почитать – он очень драматичный), чтобы разобраться с накопленным глобальным техдолгом в текущей кодовой базе, потребуется 61 млрд человеко‑дней работы. Очевидно, это не “быстрый” технический долг, а системный долг десятилетий, на который GenAI накладывает ещё один слой.

При этом локальное ускорение действительно фиксируется: эксперименты показывают, что ИИ в среднем позволяет джуниору решить простую задачу на ~35% быстрее. Однако итоговый продукт при этом оказывается хуже поддерживаемым, а значит — дороже в долгую.

Инфобез: Veracode и OWASP Top 10

На уровне безопасности картина тоже не радужная.

Отчёт Veracode GenAI 2025 показывает, что:

• 45% кода, сгенерированного GenAI‑инструментами, содержат уязвимости из OWASP Top 10.

• В экосистеме Java уровень провалов проверок на безопасность превысил 72% — то есть почти три четверти проверяемого кода не проходят security‑гейты.

Дополнительно накапливается ещё один вид скрытого долга: senior‑инженеры вынуждены “нянчить” ИИ, тратя время на ревью и исправление галлюцинаций. В ряде обзоров сообщается, что опытные разработчики тратят до 11 часов в неделю на проверку ИИ‑кода и при этом в среднем работают на ~19% медленнее, чем без таких инструментов, из‑за дополнительной проверки.

Отдельные метрики качества кода (по данным CodeRabbit и др.) показывают, что pull‑request, созданный с помощью GenAI, содержит в среднем 10,8 замечаний против 6,4 у PR, написанного человеком без ИИ‑ассистента. Тем самым скорость в коротком спринте оборачивается ростом количества дефектов и перегрузкой код‑ревью в следующем.

Рынок труда: “junior death spiral” и влияние на зарплаты

Побочный эффект попытки “заменить джунов ИИ” ведет к структурному разрыву в цепочке подготовки кадров.

Спираль смерти джунов

Согласно данным, цитируемым в обзоре MIT и Stanford:

• Набор на начальные позиции в ИТ упал примерно на 50% в 2023–2025 годах.

• В, назовем это “подверженных заменой через AI” ролях занятость младших специалистов существенно сократилась. Занятость работников старше 35 лет, наоборот, выросла.

Компании всё равно нуждаются в опытных инженерах, но одновременно “рубят под собой сук”: если нет джунов, то и сеньоры не появятся внутри компании через 5–7 лет.

Дополнительная проблема: исчезают “учебные” задачи. Раньше джуны набивали руку на boilerplate-коде, сейчас эта работа делегируется AI-ассистенту, а от джуна ждут решения архитектурных задач без достаточной базы.

Зарплаты и переговорная позиция

На рынках (США, Великобритания и др.) аналитика показывает:

• Медианные зарплаты для regular-ролей разработчиков просели примерно на 9% год к году на отдельных рынках (по данным вакансий и отчётов вроде ITJobsWatch).

• При этом количество сотрудников в индустрии в целом не падает также резко: многие компании переходят в режим “low‑hire, low‑fire” — нанимают мало, увольняют тоже осторожно, пользуясь избытком кандидатов после волн сокращений 2022–2024.

Аргументация компаний “ИИ делает 40% работы” активно используется в переговорах о зарплатах: аргумент “мы не можем платить как в 2022‑м, ведь часть нагрузки берёт на себя ИИ” стал стандартным ответом для “продавливания” кандидата на более низкие запросы. Это создаёт постоянное психологическое давление на специалистов.

Скандалы и аварии: от AI‑washing* до продовых аварий

*когда прикрываются AI

История с заменой людей ИИ усугубляется тем, что некоторые громкие кейсов оказались либо маркетинговой стратегией, либо откровенным AI‑washing.

• Кейс стартапа Builder.ai, привлёкшего 1,5 млрд долларов прогремел в 2025. Полностью автономная AI‑разработка в их случае под капотом состояла из сотни инженеров в индийском офисе, вручную выполнявших значительную часть работы.

• В 2025 году широко обсуждался случай, когда Google Antigravity по ошибке выполнил рекурсивное удаление на проде в 2 ТБ (потому что неправильно интерпретировал флаг).

У ИИ нет ответственности, и любые полномочия по “самостоятельным действиям” в проде должны опираться на жёсткие технические и организационные барьеры (в том числе инженер, использующий ассистентов полностью ответственен за его результат).

Что с этим делать: подходы для компаний и разработчиков

Ключевой вывод из текущих данных – проблема в организационных моделях его использования.

Для компаний сейчас важно

1. Перенести фокус с “замены людей” на усиление архитекторов.

   Высокая отдача появляется там, где GenAI встроен в работу опытных инженеров, а не подменяет их.

2. Ввести явные политики качества для ИИ‑кода.

   Обязательный security‑скан (с учётом данных Veracode), лимиты на auto‑merge ИИ‑PR, правила рефакторинга прямо в agents.md.

3. Сохранить и переизобрести путь джуна.

   Нужны “учебные” треки: фичи с мягкими SLA, песочницы, внутренние pet‑проекты, где джуниор сам пишет и ломает код, а ИИ выступает наставником.

4. Честно считать ROI.

   Никто в своих отчетах не говорит что ИИ – это тупиковая ветвь. Если 95% пилотов не дают возврата инвестиций: проблема в том, как мы измеряем эффекты и какие гипотезы за этим стоят. 

Для разработчиков сейчас актуально

1. Прокачивать навыки архитектуры и ревью ИИ‑кода.

   ИИ генерирует “сырьё”. Ценность смещается в сторону людей, которые умеют формировать хорошую архитектуру и превращать сырой код в поддерживаемую систему.

2. Относиться к ИИ как к коллеге-джуну.

   По факту ИИ сейчас похож на часто ошибающегося джуна. Ему можно делегировать рутину, но всё равно придётся проверять всё критичное.

3. Следить за метриками качества и скорости лично.

   Если вам приходится тратить 10+ часов в неделю на исправление галлюцинаций, возможно, конкретный сценарий использования ассистента стоит пересмотреть.

И где мы сейчас, в феврале 2026?

На основании доступных данных можно сказать, что GenAI не уничтожил разработку, а разбил (мне кажется в РФ пока в процессе разбивания) иллюзию “разработка – это просто набор промтов и можно всех сокращать” (как минимум для менеджеров).

Те компании, которые сейчас перестраивают процессы вокруг сильных “белковых” архитекторов, строгих практик качества и осмысленной интеграции ИИ, скорее всего, выиграют. Но только тогда, когда хайп уляжется и рынок научится отличать “AI‑washing” от реальной ценности.

Больше подобных обзоров, практики внедрения ИИ и менеджменте в командах разработки в моем ТГ-канале.