Основная проблема агентной разработки сместилась с генерации кода на его проверку и сопровождение. Согласно данным 2026 года, 96% разработчиков не доверяют функциональной корректности AI-кода, а 39,5% считают безопасность главным препятствием для полной автономии агентов. При этом 58% специалистов используют AI для критически важных сервисов.
Телеметрия Faros AI показывает, что при активном внедрении AI показатель churn вырос на 861%, а количество инцидентов на PR увеличилось на 242,7%. Время на ревью AI-вывода выросло на 91%, при этом доля PR без ревью составила 31,3%. Исследование Harvard подтверждает: несмотря на рост объема кода на 30%, скорость закрытия задач не выросла, а время до слияния PR увеличилось на 49%.
Для работы агентов требуется инженерная обвязка — harness, включающий ограничения, логирование и точки контроля. Использование файлов правил типа AGENTS.md часто неэффективно, так как они не гарантируют исполнение ограничений. Исследования показывают, что избыточные контекстные файлы могут увеличивать стоимость инференса более чем на 20% и снижать успех выполнения задач.
Для контроля качества применяются защищенные тесты, мутационное тестирование и независимые судьи. В июле 2026 года OpenAI отозвала рекомендацию использовать SWE-Bench Pro после аудита, выявившего около 30% некорректных задач. Эксперименты NL2Repo-Bench демонстрируют, что при генерации целых репозиториев средний показатель прохождения тестов не превышает 40,5% из-за потери архитектурной согласованности.
