Как AI изменил стоимость разработки: взгляд команды, которая использует нейросети каждый день

Где AI реально ускоряет работу

По данным Stanford AI Index 2026, уже 46% нового кода на GitHub написано с помощью AI-ассистентов. Gartner прогнозирует, что к концу года эта доля вырастет до 60%. Это не значит, что AI пишет половину софта в мире. Это значит, что разработчик всё чаще работает в связке с ассистентом, как хирург работает с навигационной системой: руки и решения по-прежнему его, но инструментарий стал мощнее.

Вот где мы видим реальное ускорение в своих проектах.

Генерация бойлерплейта. CRUD-операции, формы, стандартные API-эндпоинты. То, что раньше занимало два дня, сейчас делается за полдня. AI генерирует каркас, инженер адаптирует его под конкретную бизнес-логику.

Прототипирование. От идеи до кликабельного прототипа в разы быстрее. Мы активно используем это на этапе PoC: proof of concept, который раньше занимал месяц, сейчас делаем за две недели.

Документация. API-docs, README, комментарии к коду. Раньше документация была вечной жертвой дедлайнов. Сейчас AI генерирует первую версию за минуты, инженер дорабатывает.

Unit-тесты. AI покрывает типовые кейсы, разработчик дописывает edge cases. Покрытие растёт быстрее, и это реально снижает количество багов в production.

Наша оценка по итогам последних проектов: на типовых задачах внутри сложных проектов экономия 20–35% времени. На целиком типовых проектах (лендинг, простое приложение) до 40%. McKinsey фиксирует рост продуктивности разработчиков на 26%. Это совпадает с тем, что мы видим у себя.

Честно, это потребовало пересмотра процессов. Не все в команде приняли AI-инструменты сразу. Были случаи, когда AI-сгенерированный код выглядел отлично, проходил ревью, и мы находили проблемы только в production. Мы научились на этом, но путь не был гладким.

Агенты и оркестрация: как это работает в 2026

AI-ассистент, который подсказывает следующую строку кода, это уже вчерашний день. Индустрия перешла к агентным системам. Один AI анализирует требования, другой пишет код, третий ревьюит, четвёртый прогоняет тесты. Всё это координируется оркестратором, а инженер управляет процессом на уровне задач, а не строк кода.

Это не теория. По данным Anthropic (2026 Agentic Coding Trends Report), 57% организаций уже развернули мультиагентные workflow. Gartner фиксирует рост запросов по мультиагентным системам на 1445% за год. VS Code с февраля 2026 года поддерживает параллельную работу Claude, Codex и Copilot в одном редакторе.

Мы в Платформе Качества используем агентные подходы в нескольких сценариях: автоматизация рутинных задач в CI/CD, мультиагентное ревью кода перед мержем, автогенерация и прогон тестовых сценариев. На определённых этапах это реально меняет скорость.

Но без ложки дёгтя не обошлось. Агент сгенерировал retry-логику, которая при определённой комбинации таймаутов уходила в бесконечный цикл. Тесты это не поймали, потому что были написаны тем же агентом и проверяли только основной сценарий. Нашли на этапе ручного ревью. Починили за час, но если бы пропустили в production, клиент бы получил зависший сервис. Вывод: агенты сэкономили три дня, но без инженера, который понимает, что проверять, экономия обернулась бы убытком.

Но вот важный нюанс. По данным того же отчёта Anthropic, разработчики используют AI примерно в 60% рабочего времени, однако полностью делегируют только 0–20% задач. Даже в знаменитом кейсе Rakuten, где AI обработал 12,5 миллионов строк кода с точностью 99,9%, процесс шёл под контролем инженеров.

Агенты не замена команды. Это новый уровень инструментария. Инженер, который умеет выстроить мультиагентный workflow, кратно продуктивнее. Инженер, который просто нажал «сгенерировать» и не проверил результат, получает 45% кода с уязвимостями из OWASP Top 10 (данные Veracode 2025).

Как изменилась структура стоимости проекта

Возьмём типичный проект сложной заказной разработки. По нашему опыту, написание кода занимает 30–40% бюджета. Остальное — аналитика и требования, архитектура, тестирование, управление проектом, DevOps. AI ускоряет в основном этап кодирования. Даже если на нём экономия 30%, в масштабе всего проекта это 10–14%. Ощутимо, но далеко от обещаний «в 10 раз дешевле».

Аналитика и исследование предметной области не изменились. AI не проведёт глубинное интервью с вашими пользователями и не разберётся в бизнес-логике конкретной отрасли. Этот этап занимает столько же времени, и от его качества по-прежнему зависит всё остальное.

Архитектура стала важнее. Чем проще генерировать код, тем критичнее вопрос «что именно генерировать». По данным Gartner, senior-разработчики уже тратят 60% времени на архитектуру и ревью, 30% на менторинг, и только 10% на написание кода. Роль инженера смещается от кодера к проектировщику и оркестратору.

Код стал дешевле. На типовых задачах экономия 20–35%. AI-ассистенты берут на себя рутину, и это объективно снижает стоимость этого этапа.

Тестирование в сложных системах не изменилось. AI генерирует unit-тесты, но не заменяет нагрузочное тестирование в реальных условиях с реальными паттернами нагрузки.

Ревью и контроль качества выросли. Это новая статья расходов. По данным Stanford AI Index 2026, 76% компаний внедрили процессы human-in-the-loop для проверки AI-результатов. Кто-то должен смотреть на то, что нагенерировал AI, и принимать решение: в production или в корзину.

Временное окно: почему AI-инструменты сейчас дешевле, чем будут

Есть один факт, о котором мало кто говорит в контексте стоимости разработки. Текущие цены на AI-инструменты субсидируются.

OpenAI прогнозирует 14 миллиардов долларов убытков в 2026 году (рост с 8–9 миллиардов в 2025). Маржинальность упала с 40% до 33%, потому что расходы на inference растут быстрее выручки. Anthropic вырос с одного миллиарда до примерно 14–20 миллиардов годовой выручки за 14 месяцев, но инфраструктурные расходы по-прежнему давят на маржу. По сути, каждый сложный запрос к API означает, что лаборатория теряет деньги на этой транзакции.

Мы видели этот паттерн раньше. AWS с 2008 по 2015 год субсидировал стартапы агрессивными скидками на облако, а потом построил самый прибыльный облачный бизнес в истории. Uber семь лет возил пассажиров ниже себестоимости. Стриминговые сервисы работали в минус до 2022 года, набирая базу подписчиков.

AI сейчас на третьем-четвёртом году этого цикла. И OpenAI, и Anthropic планируют выход на биржу до конца 2026 года. Когда это произойдёт, публичные инвесторы потребуют растущую маржу. Субсидирование закончится, цены нормализуются.

Для заказчиков это значит следующее. Экономия на AI-инструментах в 2026 году реальна, и ей стоит пользоваться. Но закладывать текущую дешевизну в долгосрочную экономику проекта на три-пять лет рискованно. Мы рекомендуем проектировать архитектуру так, чтобы она не была жёстко привязана к конкретному AI-провайдеру. Сегодняшний бесплатный тарифный план может через полтора года стать платным, а платный может вырасти в цене вдвое.

Где мы сознательно полагаемся на людей

Мы не из тех, кто говорит «AI не работает». AI работает отлично, и мы используем его каждый день. Но за 13 лет и 40 с лишним проектов мы научились видеть, где инструмент помогает, а где создаёт иллюзию скорости.

Архитектура highload-систем. Выбор между микросервисами и монолитом зависит не от best practices из интернета, а от конкретных паттернов нагрузки конкретного клиента. Наш проект с Ростелекомом длится уже 9 лет. Мы тестируем Oracle EBS и знаем эту систему изнутри. Это понимание невозможно передать промптом.

Отладка в production. В одном из наших IoT-проектов прошивка BLE-адаптера для медицинского устройства прошла все лабораторные тесты идеально. В реальных условиях 30% измерений пропадали. Мы проанализировали 470 000 строк логов с устройства, развёрнутого за сотни километров от нашего офиса. Причина оказалась в радиопомехах. AI видит код, но не чувствует радиоэфир конкретного помещения.

Безопасность и compliance. Для MedTech-проектов (мы работаем с платформой Грань.рф и проектом Brainify) требования к безопасности не допускают «вероятно правильного» кода. При том что 45% AI-сгенерированного кода содержит уязвимости из OWASP Top 10, каждый фрагмент проходит через ревью инженера с опытом в безопасности.

Интеграция с legacy-системами. AI не знает ваше внутреннее API, написанное в 2010 году, с недокументированными особенностями. Здесь нужен человек, который сядет, прочитает код, поговорит с людьми, которые его писали, и поймёт, зачем этот if был добавлен восемь лет назад.

Что это значит для стоимости вашего проекта

Если ваш проект типовой (MVP, мобильное приложение, лендинг с бэкендом), он стал дешевле на 25–40%. AI ускоряет рутинные задачи, которые составляют основную часть работы. Рынок стал доступнее, и это хорошо. Для части наших клиентов AI реально снизил бюджет. Не на словах, а в деньгах. И мы сами рекомендовали им более простой вариант, когда задача это позволяла.

Если ваш проект сложный (highload, IoT, MedTech, enterprise-система), стоимость изменилась в структуре, но не в сумме. Код дешевле, зато архитектура, тестирование и отладка по-прежнему стоят столько же. Для проекта стоимостью 5–10 миллионов экономия на генерации кода составит 500 000 – 1 000 000 рублей. Существенно, но не революция.

Если вам нужен R&D или proof of concept, то здесь AI помогает больше всего. Проверить гипотезу, собрать прототип, протестировать идею можно в два-три раза быстрее. Мы используем это активно.

Главный сдвиг 2026 года не в том, что «разработка подешевела». Разделение углубилось. Типовая разработка превращается в commodity. Сложная инженерная работа становится ещё ценнее, потому что AI её не заменил, а спрос на сложные системы продолжает расти.

Практический вывод

Если подрядчик говорит «AI сделает всё за копейки», он либо делает типовой проект (и тогда, возможно, прав), либо недооценивает сложность (и тогда вы заплатите дважды).

Если подрядчик говорит «мы не используем AI», он отстал от рынка на два года.

Правильный вопрос подрядчику: «Где конкретно в моём проекте вы будете использовать AI, а где нет, и почему?» Если ответ чёткий и обоснованный, перед вами команда, которая понимает инструмент.