METR в 2025 году провела эксперимент: 16 опытных разработчиков, 246 задач в знакомых им open-source-проектах. С доступом к AI задачи занимали на 19% больше времени, хотя участникам казалось, что они ускорились. Использовали преимущественно Cursor и Claude 3.5/3.7. Первичная работа (https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/). Обязательная оговорка: в феврале 2026 METR опубликовала продолжение. Новые оценки склонялись к ускорению, но авторы признали серьёзные проблемы отбора участников и задач. Старые 19% нельзя выдавать за оценку сегодняшних агентов. Обновление METR (https://metr.org/blog/2026-02-24-uplift-update/). 4. Есть и крупные эксперименты, где AI помогает. Три рандомизированных полевых эксперимента в Microsoft, Accenture и ещё одной компании охватили 4 867 разработчиков. Объединённая оценка показала примерно 26% прироста выполненных задач при использовании помощника; результаты отдельных экспериментов различались. Это исследование помощника с автодополнением кода. Оно показывает пользу в изученных условиях, но не измеряет, стало ли людям психологически легче работать, и не является тестом нынешних автономных агентов. Работа Cui и соавторов (https://www.microsoft.com/en-us/research/publication/the-effects-of-generative-ai-on-high-skilled-work-evidence-from-three-field-experiments-with-software-developers/). 5. Меняется содержание умственной работы. В исследовании Microsoft Research для CHI 2025 опросили 319 работников умственного труда, собрав 936 примеров использования AI. В ответах проявился сдвиг к проверке информации, интеграции результата и контролю задачи. Это самоотчёты людей разных профессий. Они помогают описать изменение работы, но не доказывают увеличение нагрузки или потерю способности мыслить. Исследование (https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/).

Немного похоливарим. Как кодинг агенты влияют на разработку?) Саймон Уиллисон (Сооснователь Django) недавно написал в своем блоге, что кодинг агенты делают разработку сложнее: чтобы использовать их возможности, нужны серьёзные знания и дисциплина. Это его наблюдение. Но есть исследование, которое показывает один из возможных механизмов. Авторы работы AI Writes Faster Than Humans Can Review изучили одну компанию, поставившую цель удвоить выпуск изменений с помощью AI. В данных – 802 разработчика и около 196 тысяч пул реквестов. За время внедрения число создаваемых PR на активного разработчика примерно удвоилось. Одновременно примерно удвоился объём PR на одного ревьюера. Компания стала больше полагаться на автоматическую проверку. Здесь нужно различать количество изменений и время работы: исследование не говорит, что проверяющие стали работать вдвое дольше или вдвое сильнее уставать. Оно показывает, что поток изменений вырос быстрее числа людей, которые их проверяют. В работе Speed at the Cost of Quality исследователи сравнили open-source-проекты, внедрившие Cursor, с похожими проектами без него. Они обнаружили временный рост темпа разработки и более устойчивый рост сложности кода и предупреждений статического анализатора. Предупреждение анализатора не обязательно означает ошибку в работе программы. Это может быть неиспользуемый код, нарушение соглашений или конструкция, которую трудно сопровождать. Исследование наблюдательное, поэтому его выводы зависят от качества сравнения проектов. Геометрического роста багов эта работа не доказывает. Зато она даёт повод смотреть дальше первой успешной реализации. Изменение может проходить сегодняшние тесты и при этом усложнять завтрашнюю доработку. Например, если новое поведение добавили ещё одной веткой в уже перегруженную функцию. Отсюда интересный критерий для coding agents: насколько легко продолжать менять созданный ими код? Можно поручить агенту реализовать функцию, затем несколько раз изменить требования. Следить за корректностью, дублированием и тем, сколько существующего кода приходится переделывать. Такой тест покажет больше, чем одна демонстрация «приложение за вечер». Скорость первой версии видна сразу. Стоимость её развития проявляется позже – когда приходит следующая задача. . Больше кода может означать больше нагрузки на проверяющих. Самое близкое к нашей теме. В препринте июля 2026 года исследователи разобрали данные одной компании: 802 разработчика, около 196 тысяч pull requests за январь 2024 – апрель 2026. Во время внедрения AI число PR на активного разработчика примерно удвоилось. Одновременно примерно удвоился объём PR на одного ревьюера; компания расширила автоматическую проверку. Это наблюдательное исследование одной организации, где руководство прямо поставило цель удвоить выпуск. Оно не измеряет усталость и не доказывает, что весь рост вызван AI. Но показывает конкретный механизм: ускорение создания изменений увеличивает поток работы на проверке. Исследование и методология (https://arxiv.org/html/2607.01904v1). 2. Выполнить задачу с AI и разобраться в ней — разные результаты. В рандомизированном эксперименте Anthropic 52 участника осваивали незнакомую Python-библиотеку Trio. Группа с AI хуже прошла последующий тест на понимание; статистически значимого ускорения выполнения задания не обнаружили. Здесь использовали чат-помощника на GPT-4o, а не современного автономного агента. Проверяли понимание сразу после задания, поэтому говорить о долгосрочной «деградации навыков» нельзя. Для поста полезен более узкий вывод: готовое решение не гарантирует, что человек научился его проверять. Статья (https://arxiv.org/html/2601.20245v1). 3. Работа действительно может становиться медленнее — в определённых условиях.