51% говорят, что ИИ для инженеров — это как вторая работа
ИИ для инженеров обещал освободить от рутины, но сделал задачи сложнее. Исследование показывает парадокс: 51% чувствуют себя более перегруженными
Обещание против счёта
Презентация звучала красиво: ИИ-ассистенты возьмут на себя шаблонный код, сгенерируют тесты, набросают миграции и освободят инженеров для размышлений над интересными задачами. Прошло два года — и квитанции рассказывают другую историю. Шаблонный код пишется быстрее. Интересные задачи стали значительно сложнее.
В нашей работе, где мы помогаем продуктовым командам выпускать ПО, мы постоянно видим один и тот же паттерн. Скорость на лёгких 60% проекта — CRUD-эндпоинтах, валидации форм, базовых состояниях UI — резко выросла. Скорость на сложных 40% — архитектурных решениях, отладке легаси-систем, ревью кода, которым никто полноценно не владеет — упала или осталась прежней. Чистый результат для многих команд: больше выпускаемого кода и более измотанные инженеры.
Если коротко: ИИ не сгладил кривую сложности. Он сделал её круче.
Что на самом деле говорят исследования
Данные подтверждают то, что команды и так чувствовали. Согласно исследованию Boston Consulting Group, освещённому CBS News, исследователи опросили около 1500 работников и обнаружили, что люди, постоянно переключающиеся между несколькими ИИ-инструментами, сообщают о большей усталости от принятия решений и большем количестве ошибок. Примерно один из семи работников сказал, что испытывал ментальную усталость от жонглирования ИИ-инструментами на работе — феномен, который сами работники сейчас называют «AI brain fry» (мозговое выгорание от ИИ).
Джули Бедар, управляющий директор BCG, соавтор исследования, сформулировала проблему прямо: «ИИ может убежать далеко вперёд, но у нас всё тот же мозг, что и вчера». Она добавила, что интенсивный надзор за ИИ «вызывает огромное когнитивное истощение».
Аспект идентичности звучит не менее громко. В глобальном опросе LinkedIn/Censuswide 2025 года, охватившем более 19 000 профессионалов, 51% сказали, что освоение ИИ ощущается как ещё одна работа, а 41% — что текущий темп изменений в ИИ сказывается на их благополучии. Анализ Martian Chronicles от Evil Martians формулирует это прямо: «Программирование с ИИ-ассистентом увеличивает нагрузку экспоненциально — растёт и количество задач, и интенсивность работы».
Реальные цифры: там, где инженер без ИИ может выполнить один устойчивый блок работы за четырёхчасовую сессию, его коллега с ИИ-ассистентом способен выпускать примерно вдвое больше — при примерно вдвое большей когнитивной интенсивности. На дашборде математика выглядит впечатляюще. В календаре — жестоко.
Почему сложные части стали ещё сложнее
«Сложные части» инженерной разработки никогда не сводились к скорости печати. Это всегда было три вещи: удержание правильной ментальной модели, принятие корректных компромиссов в условиях неопределённости и проверка того, что выпущенное действительно делает то, что должно. ИИ изменил то, как ощущается каждая из них.
Ментальная модель теперь принадлежит машине
Когда инженер пишет фичу с нуля, он строит ментальную модель, печатая её. К моменту открытия pull request он понимает каждую ветвь. Когда ИИ пишет ту же фичу за 90 секунд, код существует — но модели в голове инженера нет. Теперь ему приходится реверс-инжинирить собственный pull request. Это принципиально более тяжёлая когнитивная задача, чем написание кода: примерно как читать чужое эссе и ставить ему оценку сложнее, чем написать своё.
Именно поэтому команды описывают то, о чём один разработчик рассказал CBS News: соблазн продолжать итерации, потому что «возможно ещё лучше», приводит к тому, что больше времени уходит на написание идеального промпта, чем на написание идеального кода. Работа по принятию решений сместилась выше по стеку, а стек стал шумнее.
Переключение контекста умножилось
Инженерная разработка уже проигрывала переключению контекста ещё до ИИ. Исследование Калифорнийского университета, цитируемое MindspaceX, показало, что в среднем требуется 23 минуты и 15 секунд, чтобы полностью восстановить фокус после прерывания. Анализ Reclaim добавляет: каждое переключение контекста стоит примерно 20% когнитивной мощности.
Теперь добавьте три или четыре параллельных ИИ-агента, каждому из которых нужны контроль, доработка промптов и проверка вывода. Инженер больше не работает над одной фичей с эпизодическими прерываниями — он управляет небольшой командой ненадёжных джуниоров, которые никогда не устают и никогда не перестают генерировать работу. Традиционный «блок глубокой работы» становится почти невозможно защитить.
По нашему опыту работы с инженерными командами, именно здесь история про скорость разваливается. Графики выпуска кода идут вверх. Уровень багов тоже идёт вверх. Команда выпускает больше кода и доверяет ему меньше.
Идентичность, а не только нагрузка
Честно говоря: выгорание, которое создаёт ИИ, — это не выгорание от слишком большого количества тикетов. Это более тихая, более разъедающая разновидность, описанная в анализе на LinkedIn от Хенрика Верделина — инженеры сравнивают себя с машинами, которые не устают, не чувствуют и не делают пауз. У Всемирного экономического форума есть для этого термин: FOBO, Fear of Becoming Obsolete (страх стать устаревшим). Он проявляется как тревога, раздражительность и постоянное ощущение «я делаю недостаточно» — даже в дни, когда выпуск кода значительно вырос.
Для технических руководителей это важно, потому что первыми замирают именно высокопроизводительные сотрудники. Инженеры, чья идентичность была построена на том, чтобы быть тем, кто решает невозможный баг, — это те, кого больше всего дезориентирует ИИ, решающий приемлемую версию этого бага до обеда.
Парадокс продуктивности в одном предложении
Исследование BCG чётко уловило этот парадокс: ИИ может одновременно снижать выгорание и создавать его. Когда работники используют ИИ, чтобы переложить на него рутинные задачи, стресс падает. Когда работникам приходится контролировать несколько ИИ-систем или жонглировать несколькими инструментами одновременно, ментальная нагрузка резко растёт.
Разделительная линия — это не «сколько ИИ», а «что ИИ заменяет». Замените скучную часть работы — шаблонный код, повторяющиеся рефакторинги, каркасы тестов — и инженеры чувствуют облегчение. Замените то, что было когнитивным отдыхом между сложными задачами, и вы убираете время на восстановление, не убирая сами сложные задачи.
Это ловушка, которая больнее всего бьёт по амбициозным командам. В анализе истощения от ИИ от Visier используется фраза из здравоохранения: «работать на верхнем пределе своей лицензии». Когда ИИ берёт на себя каждую лёгкую задачу, инженеры постоянно работают на пике когнитивной нагрузки. Больше нет неспешного пятничного дня, потраченного на переименование переменных. Каждый час — это тяжёлый час.
Альтернативы и компромиссы
Не существует версии ближайших пяти лет, в которой инженерные команды откатят назад использование ИИ-инструментов. Честный вопрос — какую форму примет рабочий процесс. На практике мы видим три паттерна, у каждого свои компромиссы.
Паттерн 1: Максимальная скорость
Команда внедряет все доступные ИИ-инструменты, запускает параллельных агентов и оптимизирует под максимальный вывод. Пропускная способность значительно растёт. Очереди код-ревью разрастаются. Сеньор-инженеры становятся фултайм-ревьюерами вывода ИИ и сами перестают писать код. Уровень багов часто растёт, потому что ревьюеры не могут удерживать ментальные модели для кода, который они не писали. Выгорание проявляется примерно к шестому месяцу.
Это работает для коротких рывков — MVP, прототипов, проектов в стиле хакатона. Это не масштабируется на долгоживущие продукты.
Паттерн 2: ИИ как строгий ассистент
Команда использует ИИ только для чётко ограниченных задач: генерация тестов под существующую спецификацию, написание одноразовых скриптов, черновики документации, перевод между языками или фреймворками. Инженеры сохраняют авторство архитектуры и основной логики. Прирост скорости меньше — возможно, 15–30% на лёгких частях — но когнитивная нагрузка остаётся управляемой, а качество кода держится.
Это наиболее устойчивый паттерн, который мы видим у команд, поддерживающих продакшен-системы с реальными клиентами.
Паттерн 3: Async-first с практиками закрытия
Заимствуя у GitLab, который управляет распределённой командой из 1300 человек, этот паттерн сочетает ИИ-инструменты со строгой асинхронной коммуникацией, заблокированными по времени блоками глубокой работы и тем, что MindspaceX называет «практиками закрытия» — потратить 2–3 минуты перед переключением на другую задачу, чтобы зафиксировать текущий статус и следующие шаги. Команда соглашается на чуть более низкую сырую скорость в обмен на защиту блоков фокуса, которых требуют сложные инженерные задачи.
Что это значит для вашего проекта: если вы строите что-то, что должно проработать дольше 18 месяцев, паттерн 2 или 3 в сумме обойдётся дешевле, чем паттерн 1. Экономия проявляется в уровне багов, удержании сотрудников и в отсутствии необходимости переписывать архитектуру на втором году.
Вот что мы рекомендуем
Три конкретных шага для технических руководителей, которые пытаются сохранить прирост скорости, не платя налог выгорания.
Отделите генерацию от суждения. Дайте ИИ агрессивно генерировать в ограниченных областях — тесты, фикстуры, каркасы, документация. Работу по суждению — архитектуру, ревью безопасности, изменения модели данных — оставьте в руках человека, без ИИ в роли первого черновика. Это защищает самые важные ментальные модели.
Закладывайте время не только на генерацию, но и на ревью. Разумное правило, которым мы пользуемся: если ИИ выдаёт фичу за 30 минут, заложите минимум 30 минут на то, чтобы инженер прочитал, понял и проверил её перед мёрджем. Команды, которые пропускают этот шаг, выпускают быстрее два месяца, а потом полгода отлаживают код, которым никто не владеет.
Защитите хотя бы один блок глубокой работы в день. При том, что переключение контекста стоит 23 минут на одно прерывание, инженер с пятью прерываниями уже потерял два часа эффективного фокуса ещё до учёта реальной работы. Сделайте один четырёхчасовой блок в день неприкосновенным. Никаких ИИ-агентов под надзором, никакого Slack, никакой очереди ревью. Именно здесь действительно происходит сложная 40% часть работы.
Главный вывод для бизнеса
Три вывода для технических руководителей, принимающих решения в ближайшем квартале.
Во-первых, прирост продуктивности от ИИ реален, но он сконцентрирован в тех частях инженерной работы, которые и так были дешёвыми. Дорогие части — суждение, отладка, проектирование систем — стали ещё дороже, а не дешевле. Планируйте бюджеты соответственно.
Во-вторых, «AI brain fry» — это не мягкая, размытая проблема. При том, что один из семи работников сообщает о когнитивной усталости, а 51% называет ИИ второй работой, риск удержания сеньоров-инженеров вполне материальный. Стоимость замены сеньор-инженера, который выгорел, значительно выше стоимости чуть более медленного цикла релизов.
В-третьих, побеждать в ближайшие два года будут не те команды, которые внедрят больше всего ИИ. Это будут те, кто внедрит ИИ наиболее осознанно — выбирая, что автоматизировать, что защитить и куда намеренно вернуть человека в петлю принятия решений.
Если коротко: ИИ сделал печать дешёвой, а мышление — дорогим. Закладывайте цену проектов исходя из мышления.
Часто задаваемые вопросы
Как разработчики отлаживают и модифицируют код, который они не писали и до конца не понимают?
Честный ответ: медленно и с большим количеством багов, чем в коде, который они написали сами. Стандартная практика — относиться к сгенерированному ИИ коду как к коду от неизвестного подрядчика: читать его построчно, писать тесты ещё до изменений и полагаться на observability, чтобы поймать поведение, которое ревьюер упустил. Правило «30 минут на ревью», упомянутое выше, существует именно по этой причине.
Как командам предотвратить «vibe coding», когда разработчики итерируют промптами, пока вывод не «выглядит правильно», без проверки логики?
Помогают две практики. Во-первых, требовать письменную спецификацию или тест-кейс до любой генерации ИИ — если инженер не может описать, как выглядит правильный вывод, он не сможет валидировать то, что вернётся. Во-вторых, обязательное код-ревью кем-то, кроме автора промпта. Vibe coding выживает за счёт самопроверки, потому что автор промпта уже верит в вывод. Вторая пара глаз разрушает это заблуждение.
Требует ли сгенерированный ИИ код больше времени на доработку, чем код, написанный вручную, несмотря на то что он создаётся быстрее?
Во многих случаях — да. ИИ-инструменты оптимизируют под правдоподобный вывод, а не под корректный. Код, который компилируется и проходит очевидные тесты, всё равно может содержать тонкие баги, проблемы с безопасностью или архитектурные несоответствия, которые всплывут через недели. Командам при оценке инструментария стоит измерять сквозное время (генерация + ревью + длинный хвост починки багов), а не только скорость генерации.
Статья подготовлена на основе открытых источников и может содержать неточности.


