ИИ в разработке: инструменты для работы и навыки для выживания
Объясняем, как и какие нейросети использовать в работе с кодом. Рассказываем о перспективах нейросетей и как программисту остаться востребованным среди работодателей.
Как часто разработчики используют ИИ-инструменты
Сегодня искусственный интеллект входит в повседневную практику большинства разработчиков. По данным Stack Overflow Developer Survey, с каждым годом растёт доля программистов, которые применяют нейросети и AI-помощников в работе. Опрос охватил более 49 000 разработчиков из 177 стран, из которых 84% респондентов уже используют или планируют использовать ИИ-инструменты — против 76% годом ранее.
Среди профессиональных программистов 47,1% применяют ИИ-инструменты ежедневно, ещё 17,7% — еженедельно.
Однако несмотря на регулярное использование, специалисты не уверены в ответах нейросетей на 100%. Менее трети разработчиков доверяют точности результатов ИИ-инструментов, тогда как почти половина активно им не доверяет. Положительные оценки ИИ-инструментов снизились с более чем 70% в предыдущие годы до 60% в 2025 году. При этом 66% разработчиков сообщают, что тратят на отладку сгенерированного кода больше времени, чем ожидали.
По прогнозам, рынок генерации кода достигнет 30,1 млрд к 2032 году при среднегодовом темпе роста 27,1%. Разработка ПО входит в тройку отраслей с наибольшими инвестициями в ИИ — наряду с маркетингом и клиентским сервисом.
Михаил Вассер, Lead Android Engineer в Incard, наставник и автор в Яндекс Практикуме, создатель Телеграм-канала «IT-Бибизьяны»:
«Экономический эффект объясняется тем, что рутинная часть разработки перекладывается на ИИ, и команда быстрее выводит функционал на рынок. Сокращение цикла разработки напрямую влияет на продуктовые метрики и стоимость итерации. Именно поэтому компании продолжают наращивать использование ИИ-инструментов даже на фоне сдержанных оценок их надёжности»
Освоить ИИ-инструменты системно, а не методом проб и ошибок, помогает курс «Нейросети для работы» от Яндекс Практикума. За два месяца можно научиться применять нейросети для решения рутинных задач — от анализа данных и составления документации до автоматизации повторяющихся операций. Курс подходит специалистам из разных областей: программа построена на практических заданиях, приближённых к реальным рабочим ситуациям.
Сценарии использования ИИ в разработке
Нейросети охватывают весь цикл работы разработчика — от первичного погружения в задачу до финальной проверки кода перед коммитом. Инструменты используют и джуниоры, которые только осваивают стек, и опытные специалисты, которые оптимизируют производительность зрелых систем. Сценарии применения при этом сильно различаются по характеру и глубине вовлечённости ИИ.
По данным Stack Overflow Developer Survey, чаще всего ИИ используют для поиска информации, генерации и синтеза контента и изучения новых технологий.
Если смотреть конкретно на разработку, например, написание, проверку и улучшение кода, то нейросети для этих задач используют 16,9% разработчиков. Здесь выделяются три сценария, которые дают наибольший практический эффект.
- Автодополнение кода. Программист набирает фрагмент, модель считывает накопленный контекст (структуру проекта, паттерны написания, логику текущей задачи) и достраивает код. Результат можно принять или скорректировать. Среди инструментов под этот сценарий заточен GitHub Copilot. Похожий способ реализован в Cursor AI.
Михаил Вассер:
«Фактически это переосмысление парного программирования: раньше один разработчик дополнял другого, теперь эту роль берёт на себя модель»
- Генерация кода по заданию. Разработчик формулирует задачу в промпте на выходе готовый фрагмент реализации.
Михаил Вассер:
«Скриншот из Figma или текст ТЗ достаточно закинуть в ChatGPT с запросом на написание нужного решения. Модель генерирует работающий код, его нужно перенести в рабочую среду и при необходимости адаптировать. Сценарий одинаково применим и для фронтенда — по макету, и для бэкенда — по спецификации»
- Разбор кода. Программист отправляет написанный код в ИИ-чат и запрашивает оценку: где ошибка, что стоит поправить, почему решение не оптимально по скорости. Модель, обученная на огромном количестве проектов, указывает на конкретные проблемы и объясняет решения. Этот же сценарий работает для самообучения: получить развёрнутый ответ о принципах устройства фреймворка или библиотеки можно значительно быстрее, чем через документацию.
Михаил Вассер:
«При выборе любого инструмента необходимо учитывать корпоративную политику компании в части доступа к данным: нейросети работают с кодовой базой и документацией, утечка которых несёт финансовые и репутационные риски»
Все три сценария снижают трудозатраты на воспроизводимые операции и перераспределяют время разработчика в пользу задач, требующих проектного мышления.
Какие нейросети используют разработчики
Рынок ИИ-инструментов для разработки разделился на два типа: универсальные языковые модели, которые встраиваются в любой рабочий процесс, и специализированные среды разработки с ИИ «под капотом». Выбор конкретного инструмента зависит от задачи, стека и требований к безопасности данных.
Рейтинг LLM-моделей среди разработчиков: OpenAI GPT используют 81% респондентов, Claude Sonnet — 43%, Gemini Flash — 35%.
Разберём популярные нейросети для разработки.
ChatGPT решает широкий спектр задач: пишет и разбирает код, предлагает варианты алгоритмов, помогает разобраться в чужом коде и объясняет принципы работы технологий. Для работы с репозиторием у OpenAI есть отдельный агентский инструмент — Codex: пишет фичи, исправляет баги, запускает тесты и формирует pull request для ревью.
Codex получает баг-репорт, самостоятельно разворачивает окружение, находит проблемное место в коде и устраняет ошибку.
Claude работает с кодом на любом языке: пишет с нуля, находит и устраняет ошибки, разбирает логику алгоритмов и даёт развёрнутый анализ готового решения.
Claude пишет юнит-тесты для класса DataProcessor: принимает исходные файлы, формирует тестовую логику и выдаёт результат.
Gemini (с июня 2026 года переходит в платформу Antigravity) генерирует код, позволяет разобраться в незнакомой кодовой базе и подключается напрямую к Visual Studio Code, GitHub и JetBrains.
Gemini Code Assist в VS Code: чат-панель объясняет изменения и показывает, какие файлы нужно отредактировать.
GitHub Copilot — ИИ-помощник для Visual Studio Code, Visual Studio, Neovim и JetBrains, обращается напрямую к репозиторию: читает контекст проекта, создаёт и разбирает код, советует конкретные корректировки, выявляет узкие места и прогоняет проверки.
При проверке GitHub Copilot нашёл опечатку в имени переменной и сформировал конкретное предложение по правке.
Cursor AI — среда разработки со встроенным ИИ-ассистентом, который участвует в написании кода, прототипировании, тестировании, ревью и рефакторинге. При этом он учитывает соглашения и стилевые правила конкретного проекта.
Cursor Tab автоматически предлагает следующее изменение в коде исходя из контекста.
В России также используют инструменты, которые могут закрыть базовые задачи кодинга без обращения к зарубежным сервисам.
GigaChat — при корректно сформулированном промпте генерирует и комментирует код, объясняет нюансы работы библиотек и фреймворков.
GigaChat по текстовому промпту генерирует метод на Java и объясняет логику каждого блока кода.
Алиса AI — нейросеть от Яндекса, способна генерировать фрагменты кода и отвечать на вопросы по синтаксису и логике программ.
Алиса AI по одному запросу генерирует несколько вариантов реализации middleware и объясняет, когда применять каждый
Перспективы ИИ в программировании
Полная замена разработчиков нейросетями — сценарий маловероятный, но трансформация рынка труда неизбежна. ИИ справляется с прототипированием и сборкой MVP, однако масштабировать сгенерированный код без участия человека пока не получается. Это требует команды разработчиков или слаженной работы нескольких моделей, что на практике остаётся сложной задачей. Симулировать работу полноценной продуктовой команды силами ИИ сегодня практически невозможно.
При этом часть рабочих мест, вероятно, сократится, прежде всего на уровне джунов. Это не новая ситуация: технологические сдвиги всегда перераспределяли спрос на профессии. Одновременно сформируется устойчивый спрос на тех, кто умеет работать с нейросетями и встраивать их в производственные процессы.
Чтобы сохранять ценность на рынке труда, разработчику стоит прокачивать четыре направления:
- Работа с промптами — навык точной постановки задачи: чем конкретнее запрос, тем предсказуемее и полезнее результат.
- Умение мыслить критически — способность оценивать и проверять выдачу ИИ, а не принимать её по умолчанию.
- Технические навыки — глубокое знание своего стека — будь то iOS, Android, Python или любое другое направление. Проверить, насколько корректно сработала модель, можно только при условии, что задачу умеешь решить самостоятельно.
- Продуктовый подход — понимание того, как работает продукт, какие метрики на него влияют, как устроены воронки и почему дизайн принимает те или иные решения.
Востребованными останутся те, кто умеет оперативно выводить продукт в рабочее состояние, тестировать гипотезы и давать бизнесу конкретный измеримый результат.
Михаил Вассер:
«Нейросети ускоряют работу, но не компенсируют отсутствие знаний. Отправить тестовое задание в модель и забрать готовое решение технически просто, но принцип тот же, что у решебников: результат есть, понимания нет. Рынок труда оплачивает именно понимание. Вероятно, уже в ближайшее время умение работать с ИИ-инструментами и составлять эффективные промпты станет стандартным вопросом на техническом интервью наравне со знанием языка или фреймворка»
Рассказываем, чем отличаются UX и UI, в чём заключается работа специалиста, который разбирается в обоих направлениях и как получить профессию. Что такое интерфейс Любой цифровой продукт состоит из двух частей: набора функций и внешнего облик...
Аналитик 1С — одна из немногих IT-профессий, куда берут без знаний разработки. Разбираем, как устроена специальность и какой доход может принести. Что такое платформа 1С и кто с ней работает Большинство российских компаний ведут операционный...
За любым фильтром, рекомендацией или банковской транзакцией стоит SQL. Объясняем, как он устроен и как его освоить. Почему SQL незаменим SQL появился ещё в конце 80-х годов ХХ века. По возможностям он тогда напоминал обычные табличные фильтр...
Специалист, который переводит модели машинного обучения из исследовательской среды в работающие сервисы. Разбираем, чем занимается один из самых востребованных и высокооплачиваемых людей в IT. В чём состоит роль ML-инженера ML-инженер — спец...
Разбираем специальность на стыке бизнеса и разработки. Рассказываем, что делает системный аналитик, что требуют от него работодатели и как войти в профессию. Зона ответственности специалиста Системный аналитик — связующее звено между бизнесо...
Аналитики работают с данными, процессами, интерфейсами и финансами. Разбираем, чем отличаются специализации и какая подойдёт под конкретные навыки. Что делает аналитик Аналитик — специалист, чья работа начинается с данных и заканчивается рек...