AI-агенты эффективно справляются с рутинными задачами: навигацией по репозиторию, миграциями и созданием шаблонного кода. Однако в сложных backend-системах с распределенными транзакциями и внешними API агенты часто делают неверные предположения, что приводит к ошибкам, которые сложно обнаружить при проверке.
Эксперимент METR 2025 года с участием 16 разработчиков показал, что задачи с использованием AI занимали в среднем на 19% больше времени, хотя участники ожидали ускорения на 24%. Обновления 2026 года указывают на прогресс моделей, но исследователи отмечают сложности с объективной оценкой из-за предвзятости выборки.
Отчеты DORA за 2024–2026 годы подтверждают смещение «узких мест» в разработке. Рост внедрения AI связан с улучшением документации, но также с падением скорости доставки на 1,5% и снижением стабильности системы на 7,2%. Разработчики стали создавать более крупные изменения, которые сложнее ревьюить.
Главная проблема заключается в том, что AI удешевляет написание кода, но не его сопровождение. Время, сэкономленное на написании, перераспределяется на проверку результата, чтение кода и поиск логических ошибок. Тесты, написанные агентом, часто подтверждают неверную бизнес-логику, создавая иллюзию корректности.
Для работы со сложными задачами рекомендуется менять подход: сначала просить агента изучить контекст системы и перечислить сделанные предположения, и только потом писать код. Это правило позволяет снизить количество крупных переделок и лучше контролировать риски при автоматизации процессов.
