Эта глава подготовлена при участии
Derek DeBellis — исследователь количественного пользовательского опыта, Google Cloud
{{cta}}
ИИ стал новой нормой в разработке программного обеспечения
Всего за три года применение ИИ в разработке прошло через радикальный сдвиг.
Если в 2022 году разработчик, использующий ИИ, казался чем-то необычным, то сегодня 90% технических специалистов применяют ИИ в работе. Глава «Внедрение и применение ИИ» показывает: распространение ИИ стало почти повсеместным — и эта тенденция подтверждается далеко за пределами данных DORA.
По данным Stack Overflow Developer Survey 2025, 84% разработчиков уже используют или планируют использовать ИИ в процессе разработки — рост по сравнению с 76% годом ранее.
Повседневное использование тоже стало нормой: 47% респондентов применяют ИИ ежедневно.
Эту динамику подтверждает и Atlassian State of DevEx 2025: 99% разработчиков экономят время благодаря инструментам ИИ.
Рост индивидуального использования отражается и в корпоративных стратегиях.
Согласно отчёту LinkedIn Corporate Communications (2025), 88% бизнес-лидеров считают ускорение внедрения ИИ приоритетом.
Исследование McKinsey показывает, что 78% организаций регулярно используют ИИ хотя бы в одной бизнес-функции.
Приоритеты проявляются и в бюджете: AI Index 2025 (Stanford HAI) сообщает, что в 2024 году глобальные корпоративные инвестиции в ИИ достигли $252,3 млрд, что на 26% выше, чем годом ранее.
Но, возможно, ярче всего новую реальность отражает ситуация на рынке труда:
количество вакансий в США, упоминающих навыки работы с генеративным ИИ, выросло на 323% только за 2023 год.
Каков реальный эффект от внедрения ИИ?
На фоне стремительного роста интереса к ИИ важно понять:идут ли выгоды вслед за внедрением с той же скоростью?
Широкое распространение ИИ не означает автоматически, что ценность также становится массовой. Нужно учитывать, что внедрение часто бывает хаотичным:
его нередко движут ажиотаж и страх упустить возможности (FOMO), а не продуманная стратегия.
Кроме того, внедрение может быть ограничено и заторможено внутренними системами и структурой организации. Об этом говорилось и в DORA Report 2024, где показано: ИИ дает многообещающие результаты, но одновременно повышает нестабильность доставки ПО и снижает пропускную способность процессов разработки.⁷
То же исследование выявило: 1,5% снижение скорости поставки ПО и 7,2% рост нестабильности поставки ПО на каждые 25% роста использования ИИ.
Наши выводы не уникальны — похожие результаты появляются и в других исследованиях.
Например, недавняя работа Model Evaluation & Threat Research (METR) показала резкий разрыв между ощущениями разработчиков и реальностью: разработчики, чья работа замедлилась на 19% из-за ИИ-инструментов, были уверены, что эти инструменты сделали их на 20% продуктивнее. Это подчеркивает, насколько субъективными могут быть оценки эффективности ИИ.
Похожие результаты дают и другие независимые исследования: они указывают на возможное влияние ИИ на мышление, концентрацию и общее состояние разработчиков. То есть индустрия всё ещё только начинает понимать, как ИИ на самом деле влияет на специалистов и рабочие процессы.
Тем не менее, когда разработчиков попросили оценить влияние ИИ по каждому аспекту модели SPACE, они сообщили в основном о позитивных эффектах и лишь о небольшом числе негативных.Большинство участников нашей главы AI adoption and use также отметили, что ИИ улучшил качество их кода и повысил личную продуктивность.
Эти противоречивые сигналы показывают: нужно больше исследований, основанных на данных, чтобы действительно понять влияние ИИ на разработку продуктов — особенно с учётом масштабов инвестиций и скорости внедрения.
Мы считаем, что сообщество разработчиков и работодатели должны сформировать реалистичные ожидания. А первый шаг к этому — получить чёткое, объективное понимание того, как ИИ влияет на процесс разработки на самом деле. Только так можно управлять ожиданиями ответственно и принимать взвешенные решения о внедрении ИИ.
Измерение уровня внедрения ИИ
Чтобы понять, как ключевые результаты разработки зависят от уровня использования ИИ, необходимо уметь корректно измерять само внедрение ИИ.
В этом году мы разработали метрику, которая опирается на несколько простых принципов:
Включенность
Метрика не должна быть предвзятой в пользу какой-то одной роли или функции. Например, разработчик не должен автоматически получать более высокий балл только потому, что использует ИИ для написания кода. Показатель должен отражать общую ориентацию на использование ИИ, независимо от должности или типа задач — только реальное, значимое применение ИИ.
Основанность на данных
Как и каждый год, мы позволяем данным определять направление, даже если у нас есть сильные гипотезы. Процесс включает эксплораторный факторный анализ¹⁴ — метод, который меньше зависит от предварительных ожиданий и позволяет выявлять реальные структуры в данных.
Теоретическая обоснованность
Подход к определению и измерению внедрения ИИ должен согласовываться с признанными подходами к изучению ИИ и соответствовать нашим качественным наблюдениям.
Результатом стал фактор, состоящий из трех тесно связанных переменных:
Зависимость
Насколько вы полагались на ИИ в работе за последние три месяца?
Доверие
Насколько за последние три месяца вы доверяли качеству результатов, сгенерированных ИИ в рабочем процессе?
Рефлексивное использование
Как часто за последние три месяца вы автоматически обращались к ИИ при возникновении рабочей задачи или проблемы?
Анализ показал, что ответы на эти три вопроса в опросе дают очень похожие паттерны.
Это говорит о том, что существует единая скрытая характеристика, которая заставляет эти переменные изменяются согласованно.
Мы считаем, что этот фактор отражает три взаимосвязанных концептуальных измерения:
- поведенческое — как часто человек использует ИИ,
- операционная зависимость — насколько глубоко ИИ встроен в рабочие процессы,
- установки и доверие — какое отношение человек имеет к качеству ИИ и насколько ему доверяет.
Такое объединение полностью соответствует как исследовательской литературе, так и нашим качественным наблюдениям.
Вероятнее всего, за этой взаимосвязью стоит петля обратной связи.
Доверие является предпосылкой для использования, но именно использование становится механизмом формирования доверия.
Так возникает сильный цикл: когда пользователи начинают доверять системе настолько, чтобы использовать её, само использование усиливает зависимость от нее и повышает доверие еще больше — формируется спираль внедрения.
Именно эта цикличность делает объединение переменных в единый фактор логичным, особенно учитывая, что опрос фиксирует лишь момент времени, а не показывает весь динамический процесс. Внедрение ИИ — это психологический процесс, включающий убеждения, намерения и действия.
Как эти измерения связаны с ключевыми результатами
Когда у нас есть корректная метрика уровня внедрения ИИ, мы можем определить, изменяются ли ключевые результаты в зависимости от того, насколько активно человек использует ИИ.
Базовая логика анализа выглядит так:
Если сравнить двух людей с одинаковыми характеристиками, условиями и процессами, то человек с более высоким уровнем внедрения ИИ будет в среднем показывать на {число} больше или меньше по показателю {результат}.
Конечно, почти ни один человек, команда или организация не являются «среднестатистическими», но анализ усредненных эффектов помогает выявить общие закономерности. Эти закономерности создают контекст для более глубокого анализа в главе DORA AI Capabilities Model, где мы изучаем, при каких условиях внедрение ИИ дает наибольшую (или наименьшую) пользу.
Каждый год мы выбираем и формируем набор результатов, которые отражают реальные цели и интересы специалистов, читающих этот отчёт. Иными словами, мы оцениваем практики с точки зрения того, что действительно важно для профессионалов в сфере технологий.
Вот какие результаты мы изучали в этом году:
Организационная эффективность
Высокоуровневый показатель общего успеха организации, включающий такие характеристики, как прибыльность, доля рынка и удовлетворенность клиентов.
Эффективность команды
Показатель, отражающий воспринимаемую результативность команды и ее способность эффективно взаимодействовать и сотрудничать.
Эффективность продукта
Показатель, оценивающий успех и качество продукта или сервиса, над которым работает команда.
Учитываются такие характеристики, как:
- способность продукта помогать пользователям выполнять важные задачи,
- безопасность данных,
- показатели производительности (например, задержки/latency).
Пропускная способность поставки ПО
Показатель, отражающий скорость и эффективность процесса доставки программного обеспечения.
Подробнее этот аспект описан в во второй части исследования.
Нестабильность поставки ПО
Показатель, отражающий качество и надежность процесса поставки программного обеспечения.
Подробнее этот аспект описан в во второй части исследования.
Качество кода
Отражает личную оценку разработчика качества кода, лежащего в основе основного приложения или сервиса, над которым он работает.
Индивидуальная эффективность
Фиксирует, насколько человек чувствует себя результативным в работе и насколько высоко оценивает свои рабочие достижения.
Ценность работы
Измеряет, какую долю времени, по самооценке, человек проводит за задачами, которые считает полезными, значимыми и достойными усилий.
Трение / помехи
Оценивает, насколько сильно различные препятствия мешают работе. Чем ниже уровень трения — тем лучше.
Профессиональное выгорание
Измеряет уровень усталости, истощения и цинизма, связанного с работой. Низкие значения считаются позитивным результатом.
Результаты этого года
На графике ниже показано, как уровень внедрения ИИ соотносится с ключевыми итогами работы — от качества кода и эффективности до производительности команд и устойчивости поставки.
Мы оцениваем, что при прочих равных — одинаковых условиях, среде и процессах — человек с более высоким уровнем внедрения ИИ будет показывать:
- более высокую индивидуальную эффективность;
- более высокую нестабильность поставки;
- более высокие показатели общей результативности организации;
- больший процент времени, потраченного на действительно ценную работу;
- более высокое качество кода;
- более высокую результативность продукта;
- более высокую скорость и эффективность поставки;
- более высокие показатели командной работы;
- сопоставимый уровень выгорания;
- сопоставимый уровень фрикции.
Дальнейшие разделы главы помогут разобраться, почему возникает именно такая картина. Мы формируем гипотезы, опираясь на исследования, интервью, мнения экспертов и опыт сообщества DORA.
Позитивные эффекты, которые сохранились с 2024 года
С прошлого года ряд показателей по-прежнему демонстрирует устойчивую положительную связь с уровнем внедрения ИИ. Это:
- более высокая индивидуальная эффективность;
- более высокое качество кода;
- более сильная командная работа;
- более высокая результативность организации.
Эти эффекты уже можно считать базовыми: они повторяются второй год подряд и совпадают с тем, что наблюдают многие практики. Причины могут сильно различаться в зависимости от компании, команды и контекста.
ИИ помогает разработчикам за счет автоматизации шаблонных действий, быстрого подбора вариантов решения, генерации контекстных подсказок, суммирования больших объемов информации и выполнения задач более высокого уровня — от проектирования до анализа. Такие точечные улучшения складываются и усиливаются, давая командам и организациям ощутимый прирост.
{{cta}}
Почему часть показателей не меняется даже при росте использования ИИ
Некоторые показатели второй год подряд демонстрируют стабильные, но не самые радужные закономерности:
- нет связи с уровнем фрустрации в работе;
- нет связи с уровнем выгорания;
- рост применения ИИ связан с увеличением нестабильности доставки.
Эти эффекты связаны не с самим ИИ, а с тем, в какой системе он работает. Сегодня ИИ помогает в основном «на клавиатуре» — ускоряет написание кода, улучшает качество и повышает личную эффективность. Но фрустрация, выгорание и сбои в поставке зависят от процессов, коммуникации, ритуалов команды, способа принятия решений — всего того, что выходит за рамки индивидуальной работы разработчика.
Эти показатели — свойства социотехнической системы. ИИ сам по себе не меняет культуру и процессы. Поэтому, несмотря на рост продуктивности, уровень фрустрации не падает, выгорание не исчезает, а нестабильность доставки увеличивается — пока сама система не адаптирована под работу с ИИ.
Фрикция (рабочие препятствия)
Хотя может показаться, что инструмент, снимающий рутинные задачи, автоматически уменьшает трение в работе, данные показывают: фрикция — это намного более сложное явление, чем простая автоматизация повторяющихся действий. Ряд исследований указывает, что значительная часть фрикции возникает из процессов, которые лежат за пределами контроля отдельного разработчика.
Исследование Microsoft 2019 года выделило ключевые источники фрикции в рабочем дне:
• нестабильная и медленная инфраструктура;
• устаревшая документация;
• избыточная административная нагрузка;
• дефицит времени;
• повторяющиеся задачи.
Одним из выводов исследования стало: руководителям стоит в первую очередь улучшать процессы и инструменты.
Даже если ИИ снижает фрикцию на уровне индивидуальной работы (например, ускоряет написание кода), неэффективные процессы могут полностью нивелировать этот эффект — особенно если система не готова к росту числа изменений и новым способам работы.
Например, увеличение объема изменений без обновленных правил, ролей и «золотых путей» повышает затраты на верификацию и координацию.
При этом фрикция не исчезает полностью — она смещается. Раньше она проявлялась как ручная рутина, теперь — как необходимость принимать решения, проверять результаты, уточнять запросы и разбираться в коде, который выглядит почти правильным. В итоге общий уровень фрикции может не снижаться, даже если ИИ помогает выполнять более значимую работу и автоматизировать часть повторяющихся задач.
«Мы поняли, что ИИ работает лучше всего, когда усиливает навыки сильных инженеров. Автоматизируя однообразные и повторяющиеся задачи, ИИ освобождает разработчиков для стратегических задач и настоящих инноваций».
Exabeam
Выгорание
Может показаться, что инструмент, который повышает продуктивность, должен снижать выгорание. Однако результаты показывают: выгорание почти не поддаётся технологическому влиянию. На него сильнее всего влияет рабочая культура, в которой человек находится.
Мы видим это и в собственных данных за разные годы: выгорание тесно связано с качеством лидерства, стабильностью приоритетов и зрелостью культуры. Метаанализ 2017 года выделяет устойчивые факторы, ведущие к выгоранию: слабая поддержка со стороны коллег и руководства, ощущение несправедливости, низкие вознаграждения, неуверенность в завтрашнем дне. Даже если ИИ мог бы снижать выгорание, эффект легко «поглощается» давлением культуры.
Есть и дополнительные сигналы из нашего качественного исследования. Они совпадают с литературой по теме «интенсификации труда». Суть: рост производительности, который даёт ИИ, в ряде компаний привёл к увеличению ожиданий от сотрудников. То есть ИИ повышает индивидуальную эффективность, но баланс между требованиями и доступными ресурсами остается прежним — и выгорание никуда не исчезает.
«Разработка программного обеспечения определённо изменилась из-за ИИ, и я действительно ощутил это именно в этом году. В прошлом — нет. Думаю, с появлением MCP-серверов (Model Context Protocol) и возможностью писать код вместе с моделью многое изменилось: выпуск функций, сроки, объем работы, который можно выполнить за определенный период.
Стейкхолдеры теперь ожидают, что в продукте будет сделано больше и быстрее. Дедлайны и проекты находятся под более жестким временным давлением, и это определенно меняет то, как я работаю. И это немного волнует: руководству и продуктовому менеджменту задали довольно жесткий срок для выпуска продукта.»
Нестабильность поставки ПО
За 11 лет исследований DORA стало ясно: технические практики и процессы организации напрямую связаны с эффективностью поставки ПО. Если этих базовых возможностей нет, они полностью обнуляют выгоду от внедрения ИИ.
Так, команда может активно использовать ИИ, но при этом сталкиваться с высокой нестабильностью, если у неё нет надёжного пайплайна поставки и она зависит от других команд. Наши данные показывают: ИИ не исправляет нестабильность — сегодня его внедрение даже связано с ее ростом.
Возможно, классические технические практики стали ещё важнее и требуют более строгого соблюдения. Но может оказаться, что этого уже недостаточно. Всё указывает на более радикальный вывод: существующие технические практики и метрики должны эволюционировать, быть дополнены или заменены, чтобы соответствовать эпохе ИИ.
Иногда звучит аргумент, что рост нестабильности — приемлемая плата за ускорение разработки, которое обеспечивает ИИ. Логика такова: если поставка ускоряется настолько, что ошибки исправляются почти мгновенно, негативный эффект нестабильности может быть сглажен.
Однако данные эту гипотезу не подтверждают. Чтобы проверить её, мы посмотрели, ослабляет ли высокий уровень внедрения ИИ вред нестабильности на те результаты, которые исторически от нее страдали.
Мы не нашли ни одного признака такого эффекта. Напротив, нестабильность по-прежнему приводит к ухудшению ключевых показателей — таких как качество продукта и уровень выгорания. Эти последствия способны полностью перечеркнуть любые выигрыши в скорости поставки.
Изменения по сравнению с прошлым годом говорят об адаптации
Мы зафиксировали несколько заметных сдвигов по сравнению с результатами 2024 года:
- связь ИИ с долей ценного рабочего времени сменилась с отрицательной на положительную;
- влияние ИИ на скорость поставки стало положительным (ранее было отрицательным);
- влияние ИИ на качество продукта перешло от нейтрального к положительному.
Эти изменения показывают: люди, команды и инструменты адаптировались. У разработчиков появился дополнительный год, чтобы освоить ИИ; у организаций — чтобы перестроить процессы; у вендоров — чтобы улучшить модели и пользовательский опыт.
Инструменты стали лучше. По многим тестам качество ИИ-решений выросло. Настройка моделей на собственных данных больше не требует глубокой ML-экспертизы — платформы сделали этот процесс доступным.
Облачные провайдеры предложили безопасные механизмы подключения внутренних данных (клиентские БД, документация, репозитории) к процессу дообучения без передачи их во внешние сервисы.
Организации начали использовать ИИ более осмысленно. ИИ получает новые роли и правила работы: автоматизированный код-ревью, генерация тестов, поиск ошибок, рефакторинг, документация. Такие контуры уменьшают риски и помогают инструментам работать стабильнее.
Команды тоже адаптируются. Разработчики лучше понимают, где ИИ приносит пользу. Рутинные и повторяющиеся задачи передаются ИИ, а люди концентрируются на анализе, проектировании и решении проблем. Это объясняет, почему доля ценного рабочего времени выросла, а производительность поставки — ускорилась.
Когда ИИ берёт на себя техническую «черновую» работу — шаблоны, вспомогательный код, типовые преобразования — у разработчиков освобождается время на релизы, что повышает пропускную способность и улучшает работу продукта.
Параллельно организационные системы становятся более «дружелюбными» к ИИ:
команды корректируют процессы, выстраивают новые протоколы и создают условия, в которых выгоды от ИИ распространяются не только на отдельных сотрудников, но и на продукт и компанию в целом. Эти ограничения и точки роста мы также рассматриваем в главах AI Capabilities Model и AI Mirror.
Почему одни показатели улучшились, а другие — нет (например, нестабильность поставки)? Данных недостаточно для точного объяснения. Вероятно, дело в том, куда команды направляют усилия, какие системные ограничения наиболее заметны и насколько сложны отдельные проблемы. У каждой метрики — своя кривая обучения.
«Если ИИ делает за меня работу за 30 минут, на которую у меня ушло бы два часа или больше — это хорошо. У меня появляется свободное время, и я могу заняться чем-то еще, взять другую задачу, успеть больше. Это ускоряет развитие в профессии: я учусь быстрее и двигаюсь вперед быстрее.»
В заключение
ИИ положительно влияет на большинство ключевых показателей, но есть важные исключения: он не снижает выгорание и фрикцию, а также по-прежнему связан с ростом нестабильности поставки ПО.
Если сравнить результаты 2025 года с прошлым годом, становится видно, что модели, инструменты и рабочие процессы адаптируются вместе с людьми и организациями. Специалисты нашли способы использовать ИИ так, чтобы высвобождать время для более ценной работы, и мы начинаем видеть, как внедрение ИИ помогает повышать скорость поставки и качество продукта.
Но ИИ не решил всех проблем. Устойчивость таких эффектов, как рост нестабильности, отсутствие прогресса в снижении фрикции и выгорания, говорит о другом: дело не только в инструментах, но и в том, как устроена сама рабочая система. Если организация не меняет процессы и практики, возможности ИИ упираются в существующие ограничения.
С нашей точки зрения, ценность ИИ раскрывается не столько за счёт самих моделей, сколько за счёт изменений в системе работы, в которую эти модели встроены. Этот вывод дальше раскрывается в следующих частях.
Социокогнитивное влияние ИИ на разработчиков
В центре внимания DORA — люди, которые создают программное обеспечение. Среда, в которой работают разработчики, напрямую определяет то, как они воспринимают свою работу и как чувствуют себя в профессии. ИИ меняет эту среду: компании пересматривают приоритеты, руководители ищут новые возможности для инноваций, а ИИ глубже встраивается в рабочие процессы. Это постепенно меняет и сами задачи, и характер работы разработчиков.
История показывает: технологические сдвиги способны менять наши представления о норме. До появления Uber идея сесть в личную машину незнакомца за деньги казалась невозможной. Сегодня 31 млн человек в США и Канаде делают это регулярно.
Разработчики — на переднем крае аналогичного сдвига, связанного с ИИ, и наша задача — зафиксировать эти изменения в момент, когда они происходят.
В исследовании мы сфокусировались на шести социокогнитивных аспектах, которые раскрывают, как разработчики воспринимают себя и свою работу:
- Подлинная профессиональная гордость
- Смысл, вложенный в работу
- Потребность в когнитивной нагрузке (интерес к сложным задачам)
- Экзистенциальная связь с профессией
- Психологическая причастность к продукту
- Перераспределение значимости навыков
Подлинная профессиональная гордость
Гордость — базовая эмоция, которая появляется, когда человек приписывает достижение собственным усилиям. Как бегун, который чувствует удовлетворение после марафона, зная, сколько тренировок за этим стояло. Мы испытываем подъем, когда осваиваем сложную задачу или достигаем прогресса.
Почему важно измерять гордость в контексте ИИ? Есть два противоположных предположения. Первое: если человек слишком сильно опирается на ИИ и автоматизирует значительную часть работы, то пространство для достижения через собственные усилия может сокращаться. Второе: ИИ освобождает время, позволяя заниматься более содержательными задачами — теми, которыми человек действительно может гордиться.
Данные подтверждают второе. Более высокий уровень использования ИИ связан с более сильным ощущением подлинной гордости. Механизм тоже ясен: чем выше внедрение ИИ, тем больше времени у человека на задачи, которые он считает ценными. А чем больше доля такой работы, тем выше уровень профессиональной гордости.
Это показывает важный эффект: когда разработчики передают ИИ рутинные обязанности, они выигрывают самое ценное — время — и могут вкладываться в проекты и идеи, которые для них действительно значимы.
Смысл, вложенный в работу
Осмысленная работа — это стремление человека заниматься тем, что кажется важным и значимым. Исследования показывают: когда люди находят смысл в своей работе, растут их благополучие и удовлетворенность.
Мы хотели понять, влияет ли внедрение ИИ на то, насколько разработчики считают свою работу осмысленной. Возможны были два сценария:
ИИ берёт на себя утомительные рутинные задачи и увеличивает долю действительно ценной работы — тогда чувство смысла растёт.
ИИ вмешивается в ключевые элементы профессии — тогда ощущение значимости падает.
Результаты не выявили какого-либо влияния. Разработчики не стали считать свою работу ни более, ни менее осмысленной. Вероятно, мы ещё слишком рано пытаемся зафиксировать такие сдвиги — трансформация только начинается.
Потребность в когнитивной нагрузке
Появление ИИ дало людям простой способ снизить когнитивную нагрузку. Исследования показывают, что студенты-разработчики иногда используют ИИ, чтобы буквально «выключить мозг». И хотя многим нравится разбираться в сложных задачах, есть риск, что легкий доступ к готовым ответам снизит удовольствие от умственного усилия: теперь даже сложные проблемы решаются мгновенно.
Но данные исследования показали: внедрение ИИ не изменило потребность разработчиков в умственной работе.
Экзистенциальная связь с профессией
Экзистенциальная связь — это ощущение, что между вашим внутренним миром и переживаниями другого человека существует мост. Философ Уильям Джеймс отмечал: именно разрыв между внутренними переживаниями людей делает их понимание друг друга таким трудным. Это чувство отражает нашу способность устанавливать глубокие человеческие связи и меньше ощущать одиночество в своих взглядах.
Мы исследовали этот фактор, потому что рост использования ИИ может менять характер рабочих взаимодействий. ИИ дает быстрые и персонализированные ответы — и тем самым уменьшает необходимость обращаться к коллегам за помощью. Это ускоряет работу, но может уменьшать количество живых разговоров и совместного поиска решений.
Мы предположили, что чем больше разработчики полагаются на ИИ, тем слабее могут становиться их связи с коллегами. Однако данные не показали никакой связи между уровнем внедрения ИИ и ощущением экзистенциальной связи.
Возможны два объяснения. Либо мы находимся слишком рано в цикле внедрения, чтобы увидеть эффект. Либо ИИ, даже заменяя часть коммуникации, одновременно создаёт новые точки соприкосновения — помогая делиться знаниями, ускорять обсуждения и расширять общую базу опыта.
Психологическая причастность к продукту (владение)
Психологическое владение — это ощущение, что что-то «принадлежит тебе», даже если юридически это не так. Такое чувство может возникать как в отношении материальных объектов, так и по поводу нематериальных вещей — например, собственных идей. Многие разработчики испытывают чувство владения кодом, который они пишут, поэтому мы предположили: может ли использование ИИ ослаблять это ощущение?
Наши результаты показывают с вероятностью 78%, что внедрение ИИ не снижает чувство личной причастности к результату. Проще говоря, разработчики не воспринимают код как «менее свой», даже если он написан при помощи ИИ. Это подтверждает интерпретацию, что современные ИИ-инструменты воспринимаются скорее как продвинутые помощники, а не как автономные соавторы.
Разработчики психологически относят ИИ к категории инструментов — вроде компилятора или линтера. Они используют его, но не делят с ним авторство.
Тем не менее существует небольшая, но заметная вероятность (21%), что ИИ может снижать чувство владения. Когда разработчик пишет код полностью вручную, роль автора очевидна. Но если в процесс включается ИИ, для некоторых границы авторства становятся размытыми: снижается чувство личного вложения и контроля — а именно они формируют ощущение владения задачей или результатом.
Перераспределение значимости навыков
По мере того как разработчики всё активнее работают в паре с ИИ, усиливается обсуждение того, как это может изменить ценность разных навыков. Мы решили проверить: влияет ли внедрение ИИ на то, какие навыки разработчики считают более или менее важными для своей работы.
Мы предположили, что на фоне ИИ могут вырасти в важности навыки, связанные с взаимодействием с людьми и самим ИИ, а навыки, связанные с написанием кода, — наоборот снизиться.
Мы попросили участников ранжировать восемь навыков по важности:
- Создание технической документации
- Навыки решения проблем
- Промпт-инжиниринг
- Запоминание синтаксиса языков программирования
- Чтение и ревью кода
- Командная работа
- Понимание кодовой базы своей команды
- Написание кода
Как и ожидалось, внедрение ИИ повысило значимость промпт-инжиниринга.
Неожиданно — повысило и важность запоминания синтаксиса. Это интересное наблюдение: казалось бы, именно синтаксис первым должен уйти на второй план в эпоху ИИ.
Самое удивительное — ИИ не повлиял на восприятие важности остальных навыков.
Пока рано делать окончательные выводы. Возможных объяснений много: разработчики могут находиться в фазе адаптации к новым инструментам, а возможно — считают, что их профессиональная экспертиза всё равно останется незаменимой.
Выводы
Совокупность результатов показывает: внедрение ИИ пока не оказало заметного влияния на то, как разработчики воспринимают свою работу. Мы продолжим внимательно отслеживать возможные изменения.
А пока организациям стоит давать разработчикам больше пространства для работы, которую они считают ценной. Полезно создавать условия, в которых они могут учиться эффективно использовать ИИ — избавляться от рутинных задач и высвобождать время для действительно важной работы.
Чтобы избежать снижения чувства причастности к результату, важно относиться к ИИ как к инструменту, который работает на разработчика. Даже если технологии становятся всё более автономными, именно человек должен оставаться за рулем.
Чтобы понять, как именно организации могут раскрыть реальную ценность ИИ — и какие технические и культурные механизмы усиливают или, наоборот, ослабляют его влияние — переходите к пятой части исследования. В ней представлена первая модель AI-возможностей DORA. Она показывает, что эффект ИИ зависит не от самих инструментов, а от среды, в которой они работают, и объясняет, какие элементы системы разработки нужно перестроить, чтобы ИИ давал устойчивые результаты.
{{cta}}
