Автор: Денис Аветисян
Новое исследование показывает, что профессиональные программисты не полагаются на интуитивное взаимодействие с ИИ, а предпочитают тщательно планировать и контролировать его работу для повышения эффективности и качества кода.
Анализ использования ИИ-агентов опытными разработчиками программного обеспечения в 2025 году демонстрирует, что стратегическое управление важнее, чем спонтанное взаимодействие.
Несмотря на ожидания о полной автоматизации разработки программного обеспечения с помощью ИИ, реальная картина использования агентов профессиональными разработчиками оказалась сложнее. В своей работе ‘Professional Software Developers Don’t Vibe, They Control: AI Agent Use for Coding in 2025’ мы исследовали, как опытные программисты внедряют ИИ-агентов в свою работу, и выяснили, что они не полагаются на интуитивное взаимодействие, а сознательно контролируют их поведение для повышения продуктивности и поддержания качества кода. Полученные результаты подчеркивают важность проверенных практик разработки при эффективном использовании агентов, но также ставят вопрос о том, какие интерфейсы и руководства необходимы для оптимального взаимодействия человека и ИИ в будущем.
Эволюция Кодирования: Рождение Агентивных Систем
Программирование переживает значительную трансформацию благодаря появлению агентивных инструментов, работающих на базе больших языковых моделей. Эти инструменты, способные самостоятельно генерировать, анализировать и модифицировать код, открывают новые возможности для автоматизации рутинных задач и повышения производительности разработчиков. Вместо того, чтобы просто следовать инструкциям, агентивные системы стремятся к самостоятельному решению проблем, что принципиально отличает их от традиционных инструментов разработки. Появление подобных систем знаменует переход от пассивного использования кода к активному взаимодействию с ним, позволяя разработчикам сосредоточиться на более сложных и творческих аспектах своей работы. Ожидается, что агентивные инструменты изменят сам процесс разработки программного обеспечения, сделав его более эффективным и доступным.
Несмотря на обещания значительной автоматизации рутинных задач, эффективное внедрение инструментов на базе больших языковых моделей в профессиональные рабочие процессы остается предметом активных исследований. Хотя потенциал для ускорения разработки и снижения вероятности ошибок очевиден, пока не до конца понятно, как эти агенты встраиваются в существующие практики программирования и какие изменения потребуются для оптимизации совместной работы человека и машины. Вопрос заключается не только в технической возможности, но и в адаптации рабочих процессов, обучении разработчиков и преодолении потенциальных препятствий, связанных с доверием к автоматизированным решениям и контролем качества генерируемого кода. Оптимизация взаимодействия между человеком и агентом представляется ключевым фактором успешного внедрения этой новой парадигмы.
Исследование текущего использования инструментов на базе больших языковых моделей, так называемых «агентов», показывает, что лишь около 25% профессиональных разработчиков применяют их хотя бы еженедельно. Это подчеркивает необходимость глубокого понимания того, как именно эти инструменты интегрируются в существующие рабочие процессы. Анализ реальных сценариев использования, а также выявление преимуществ и ограничений, позволит не только раскрыть потенциал автоматизации, предлагаемый такими агентами, но и своевременно выявить и смягчить возможные риски, связанные с их внедрением. Успешная интеграция требует не просто технической реализации, но и адаптации к существующим практикам разработки и потребностям специалистов.
Методы Изучения Практики Разработчиков
В рамках исследования для получения всестороннего понимания рабочих процессов разработчиков были использованы два основных метода: полевые наблюдения и качественный опрос. Полевые наблюдения проводились дистанционно, через платформу Zoom, и включали в себя анализ взаимодействия 13 опытных разработчиков с инструментами, основанными на принципах агентного программирования, непосредственно в их рабочей среде. Качественный опрос охватил 99 опытных разработчиков и позволил собрать дополнительную информацию, дополняющую данные, полученные в ходе наблюдений. Комбинация этих методов обеспечила получение как качественных, так и количественных данных, необходимых для всестороннего анализа.
Для изучения взаимодействия разработчиков с инструментами на основе ИИ, были проведены удаленные сессии с использованием платформы Zoom. Наблюдения охватили 13 опытных разработчиков, работающих в их обычной рабочей среде. Этот подход позволил зафиксировать естественные рабочие процессы и паттерны использования инструментов ИИ без вмешательства в повседневную практику разработчиков. Записи сессий и заметки наблюдателей стали основой для последующего анализа и выявления ключевых аспектов взаимодействия человека и ИИ в процессе разработки программного обеспечения.
Перед началом сбора данных протокол исследования был подвергнут тщательной экспертизе и получил одобрение Институционального совета по этике (Institutional Review Board), что гарантировало соблюдение этических норм при проведении исследования. В опросе приняли участие 99 опытных разработчиков, что позволило собрать достаточное количество данных для анализа и формирования обоснованных выводов о практике разработки.
Стратегии Эффективного Агентивного Кодирования
Опытные разработчики в своей работе с кодом, сгенерированным искусственным интеллектом, преимущественно используют стратегию “Планирование и Контроль”, заключающуюся в тщательной проверке и валидации предложенного кода. Данный подход подтверждается нашими данными, демонстрирующими, что приоритетом для разработчиков является повышение производительности и обеспечение качества программного обеспечения, а не слепое доверие к результатам, выдаваемым ИИ. В рамках данной стратегии разработчики формулируют задачу, анализируют предложенное решение, выявляют потенциальные ошибки и неточности, а также вносят необходимые корректировки для соответствия требованиям и стандартам качества.
Наблюдаемая стратегия опытных разработчиков при использовании инструментов автоматической генерации кода подчеркивает приоритет обеспечения высокого качества программного обеспечения над скоростью разработки. Данный подход демонстрирует прагматичность в отношении автоматизации, где основное внимание уделяется тщательной проверке и валидации сгенерированного кода, а не слепому доверию к нему. Это указывает на осознанное стремление избежать потенциальных ошибок и обеспечить надежность и стабильность конечного продукта, даже если это требует дополнительных временных затрат. Фокус на качестве позволяет разработчикам эффективно интегрировать автоматизацию в существующие рабочие процессы, сохраняя при этом контроль над результатом.
В отличие от стратегии «Планирование и контроль», стиль, получивший нами название «Vibe Coding», характеризуется минимальной проверкой сгенерированного ИИ кода. Разработчики, использующие данный подход, склонны полагаться на результат работы ИИ без детального анализа и валидации. Наше исследование показало, что данная практика встречается реже и потенциально может привести к снижению качества программного обеспечения, поскольку отсутствует этап критической оценки и исправления возможных ошибок или несоответствий требованиям.
Сложность Задач и Пределы Автоматизации
Автоматизированные инструменты кодирования демонстрируют впечатляющую эффективность при выполнении рутинных задач, существенно повышая производительность разработчиков. Исследования показывают, что такие инструменты успешно справляются с предсказуемыми операциями, такими как рефакторинг кода, автоматическое исправление простых ошибок и генерация шаблонного кода. Это позволяет программистам высвободить время для более сложных и творческих аспектов разработки, концентрируясь на архитектуре, алгоритмах и инновационных решениях. Ускорение при работе с типовыми задачами позволяет значительно оптимизировать процесс разработки и сократить сроки реализации проектов, особенно в областях, где преобладают повторяющиеся операции.
Исследования показали, что производительность инструментов на основе искусственного интеллекта заметно снижается при решении сложных задач по программированию, что требует значительного вмешательства и контроля со стороны опытных разработчиков. В ходе анализа работы сопровождающих проекты с открытым исходным кодом было выявлено, что использование ИИ-помощников привело к снижению скорости работы на 19%. Это указывает на то, что, несмотря на потенциал автоматизации рутинных операций, сложные задачи, требующие критического мышления и глубокого понимания контекста, по-прежнему остаются областью, где человеческий опыт играет решающую роль. Таким образом, текущие возможности ИИ в программировании лучше всего рассматривать как дополнение к навыкам разработчика, а не как полную замену.
Исследование показало, что лишь в 8% случаев обращения к системам на основе агентов достигается полный успех — а именно, успешное слияние запроса на изменение кода. Этот показатель наглядно демонстрирует, что современные инструменты автоматизации, несмотря на свой потенциал, не способны полностью заменить квалифицированных разработчиков. Вместо этого, они наиболее эффективно проявляют себя в роли помощников, способных облегчить рутинные задачи и ускорить процесс разработки, но требующих постоянного контроля и вмешательства опытного специалиста для решения сложных и нестандартных проблем. Таким образом, текущий уровень развития технологий предполагает синергию между человеком и машиной, где автоматизация дополняет, а не исключает человеческий интеллект.
Исследование показывает, что опытные разработчики не полагаются на интуитивное взаимодействие с ИИ-агентами, а предпочитают осознанно контролировать их работу, планируя и осуществляя надзор. Этот подход направлен на повышение производительности без ущерба для качества программного обеспечения. В контексте этого, слова Роберта Таряна, «Каждая абстракция несёт груз прошлого», особенно актуальны. Разработчики, стремясь к устойчивости системы, вынуждены учитывать ограничения и предвзятости, заложенные в базовых моделях, и тщательно контролировать процесс, чтобы избежать накопления технических долгов и обеспечить долгосрочную поддержку кода. Подобный контроль — это не ограничение, а способ обеспечить достойное старение системы.
Что Дальше?
Представленная работа, словно зафиксированный момент в быстротечном процессе, указывает на то, что взаимодействие опытных разработчиков с агентами искусственного интеллекта — это не танец, не «вайб», а скорее, инженерное управление. Однако, за этой констатацией кроется множество вопросов, требующих дальнейшего изучения. В частности, необходимо понять, как долговечны эти паттерны контроля. Не приведет ли постоянная необходимость в планировании и надзоре к новому виду профессионального выгорания, когда даже самый совершенный инструмент требует излишних усилий для поддержания порядка?
Представляется важным исследовать не только эффективность, но и эргономику такого взаимодействия. Какова цена этой «контролируемой» продуктивности? Какие когнитивные ресурсы тратятся на поддержание системы в рабочем состоянии? Каждый сбой — это сигнал времени, напоминание о неизбежной энтропии. Необходимо искать способы, позволяющие агентам адаптироваться к меняющимся условиям и снижать нагрузку на человека-оператора.
Рефакторинг — это диалог с прошлым, попытка исправить ошибки и улучшить структуру. Будущие исследования должны сосредоточиться на создании систем, способных к саморефакторингу, к самостоятельному выявлению и устранению потенциальных проблем. Иначе, мы рискуем создать инструменты, которые лишь усложняют процесс разработки, перекладывая бремя ответственности за качество на плечи человека, вместо того, чтобы разделить его с машиной.
Оригинал статьи: https://arxiv.org/pdf/2512.14012.pdf
Связаться с автором: https://www.linkedin.com/in/avetisyan/
Смотрите также:
- Искусственный интеллект: расшифровка паттернов инноваций
- Точность симуляций: Как правильно оценить истинные значения в причинно-следственных исследованиях
- Искусственный исследователь: Новые горизонты автономных агентов
- Время видеть: как агенты раскрывают многомерное мышление в языковых моделях.
- Квантовые игры: поиск равновесия на нейтральных атомах
- Адаптация моделей к новым данным: квантильная коррекция для нейросетей
- Где «смотрят» большие языковые модели: новый взгляд на визуальное понимание
- Сердце музыки: открытые модели для создания композиций
- Доказательство устойчивости веб-агента: проактивное свертывание контекста для задач с горизонтом в бесконечность.
- Игры без модели: новый подход к управлению в условиях неопределенности
2025-12-17 11:38