Последние 20% AI-кода съедают 80% времени разработки
Первые 80% функции создаёт AI за час, последние 20% занимают три дня разработки. Как правило 90-90 работает в эпоху AI-кодирования
Разработчик даёт промпт AI-ассистенту, и через десять минут новая фича в основном работает. Код чистый. Структура осмысленная. Happy path запускается с первой попытки. Кажется, будто проект только что прыгнул на два дня вперёд графика.
А потом начинается настоящая работа — и она не заканчивается ещё три дня.
Этот разрыв — самое дорогое заблуждение, которое команды испытывают по поводу AI-ассистированной разработки прямо сейчас. Первые 80% фичи прилетают почти бесплатно. Последние 20% — та часть, которая делает софт действительно готовым к выкатке, — по-прежнему стоят столько же, сколько стоили всегда. Для любого, кто считает бюджет проекта или выставляет смету клиенту, именно это различие решает всё.
Правило 90-90 никуда не делось
Задолго до AI-ассистентов у инженеров-программистов была мрачная шутка про оценку сроков. Она называется правилом девяносто-девяносто, его приписывают Тому Каргиллу из Bell Labs, а популяризировал его Джон Бентли в книге Programming Pearls:
«Первые 90% кода занимают первые 90% времени разработки. Оставшиеся 10% кода занимают вторые 90% времени разработки». (Wikipedia: Ninety-ninety rule)
Числа складываются в 180% намеренно. В этом и есть соль шутки: проекты кажутся почти готовыми задолго до того, как они готовы, потому что видимая, структурная работа завершается быстро, а невидимая, кропотливая возня тянется и тянется.
AI не отменил это правило. Он его обострил. Сжав первые 80% с дней до минут, AI делает контраст жестоким. Лёгкая часть теперь ощущается мгновенной, из-за чего трудная часть будто берётся из ниоткуда. Ничего не стало сложнее — просто лёгкая часть перестала занимать хоть какое-то время, так что остаётся одна только трудная.
Проще говоря: AI убрал из счёта дешёвые 80%. Дорогих 20% он не коснулся.
Что на самом деле живёт в последних 20%
«Первые 80%» — это та часть, которая хорошо смотрится на демо. Последние 20% — это всё, что отделяет демо от продукта. На практике это раскладывается на пять корзин, и в каждой из них AI слабее всего.
Краевые случаи и обработка ошибок
Happy path — это то, что AI чаще всего видит в своих обучающих данных, поэтому happy path он пишет красиво. А что происходит, когда API отваливается по таймауту? Когда пользователь вставляет 10 000 строк вместо 10? Когда два запроса попадают в одну и ту же запись одновременно? Когда вход в неправильной кодировке, неправильном часовом поясе или вовсе пустой?
AI-сгенерированный код склонен предполагать, что мир ведёт себя прилично. Продакшен — нет. Прорисовка режимов отказа — это работа суждения, которая зависит от знания именно этого бизнеса и именно этого пользователя, а такой контекст редко влезает в промпт.
Интеграция со всем, что уже существует
Фича — никогда не остров. Она должна вписаться в вашу аутентификацию, в вашу существующую модель данных, в ваши соглашения об именовании, в ваш деплой-пайплайн, в ваши фиче-флаги, в ваше логирование. AI-ассистент, работающий из одного файла или короткого окна контекста, выдаёт код, который локально корректен, но глобально неуклюж — дублирует хелпер, который уже есть, изобретает чуть иной формат ошибки или игнорирует слой кэширования, на который опирается остальное приложение. Согласование всего этого с существующей кодовой базой — медленная, человеческая и неблагодарная работа.
Безопасность и обращение с данными
Это та корзина, где дешёвые 80% становятся по-настоящему опасными. Сгенерированный код часто пропускает валидацию входных данных, утекает данные в сообщениях об ошибках или доверяет клиенту там, где не должен. Лечение — не в дополнительных промптах, а в том, чтобы кто-то, кто знает, как выглядит инъекционная атака, прочитал каждую строку, которая касается пользовательского ввода или базы данных.
Тесты, наблюдаемость и «скучный» слой надёжности
Настоящему софту нужны тесты, которые падают по правильным причинам, логирование, по которому действительно можно дебажить, и метрики, которые скажут вам, когда что-то ломается в три часа ночи. AI может быстро накидать каркас тестов, но тесты, которые лишь подтверждают, что код делает то, что код уже делает, не добавляют никакой безопасности. Чтобы писать тесты, которые фиксируют задуманное поведение, нужно знать само намерение — а оно живёт в вашей голове, а не в модели.
Производительность под реальной нагрузкой
Код, который работает для одного пользователя, может рухнуть на тысяче. Классический виновник — проблема N+1-запросов: код, который тихо отправляет по одному запросу к базе на каждую строку вместо одного запроса на весь набор. AI пишет этот паттерн постоянно, потому что это самый «очевидный» способ выразить логику. Он отлично работает на демо с пятью записями и валится на масштабе. Найти и починить его — это работа профилирования, а не промптинга.
Мираж продуктивности
Вот часть, которая должна изменить то, как вы планируете бюджеты. Разработчики, использующие AI-инструменты, стабильно чувствуют себя быстрее, чем они есть на самом деле.
В 2025 году исследовательская группа METR провела рандомизированное контролируемое испытание с опытными open-source-разработчиками, работавшими над собственными крупными кодовыми базами. Разработчики ожидали, что AI-инструменты ускорят их примерно на 24%. После исследования они по-прежнему считали, что AI ускорил их примерно на 20%. На деле же инструменты сделали их на 19% медленнее (METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity).
Это не аргумент против AI-кодинга — те же инструменты явно ускоряют прототипирование, шаблонный код и незнакомый синтаксис. Это предупреждение о том, куда уходит время. Скорость, которую вы ощущаете в первые десять минут, реальна. А медлительность, которую вы не замечаете, — ревью, исправления, переписывание промптов, отладка тонко-неправильного вывода — съедает выигрыш обратно, да ещё и с лихвой, причём именно во время последних 20%.
Реальные цифры: фича, которую AI «доделывает» за 10 минут, регулярно требует часов ревью, интеграции и закаливания, прежде чем её безопасно выкатывать. Эти 10 минут — то, что люди запоминают. А часы — это то, за что они платят.
Как мы выстраиваем AI-ассистированную работу
По нашему опыту на множестве клиентских проектов, обжигаются те студии, которые выставляют смету по ощущению «десяти минут», а сдают реальность «трёх дней». Выигрывают те, кто перестраивает бюджет под настоящую форму работы. Вот что мы рекомендуем.
Закладывайте в смету последние 20%, а не первые 80%. Оценивая, мы исходим из того, что AI берёт на себя генерацию, а люди владеют всем, что после неё: интеграцией, краевыми случаями, безопасностью, тестами, производительностью. Время генерации в плане округляется до нуля. План — это время закаливания. Так сроки остаются честными, а маржа — защищённой.
Относитесь к выводу AI как к черновику от быстрого, но джуниорского контрибьютора. Он быстр, уверен в себе и часто ошибается так, что это всплывает только под давлением. Каждая строка, которая касается денег, пользовательских данных или аутентификации, проходит человеческое ревью — без исключений. Это не бюрократия, это самая дешёвая страховка из доступных.
Используйте AI там, где он по-настоящему силён. Каркасы, повторяющиеся преобразования, заготовки тестов, одноразовые скрипты и незнакомый синтаксис API — вот где ускорение реально, а минусы малы. Там мы налегаем, а на тех участках, где ошибиться дорого, намеренно сбавляем темп.
Сделайте невидимую работу видимой для клиента. Большая часть трения в проектах эпохи AI в том, что заинтересованные лица видят, как демо работает в первый же день, и считают, что всё готово. Мы показываем «список недоделок» явно — здесь хорошо работает аналогия с ремонтом. Дом выглядит готовым, когда стены покрашены, но он не пригоден для въезда, пока не проверена проводка, не опрессована сантехника и не устранены огрехи. Этот последний отрезок короток на плане этажа и долог в календаре.
Альтернативы и компромиссы
Единственно правильного положения на регуляторе AI не существует. Честные компромиссы:
- Максимум AI, минимум ревью. Быстрее всего до демо, дешевле всего на старте — и максимальный риск дыр в безопасности и инцидентов в продакшене. Оправданно для одноразовых прототипов и внутренних инструментов, от которых никто не зависит. Безрассудно для всего, что работает с данными клиентов или выручкой.
- AI для генерации, люди для закаливания (наш дефолт). Вы сохраняете большую часть скорости на лёгких 80% и тратите реальный бюджет там, где это важно. Цена — дисциплина: кто-то должен действительно делать ревью, а не доверять опрятно выглядящему выводу.
- Минимум AI, в основном рукописный код. Медленнее всего до первого черновика, но иногда это правильный выбор в областях, где корректность не подлежит обсуждению, а кодовая база настолько необычна, что подсказки AI создают больше уборки, чем экономят. Сильно зарегулированные или критичные к безопасности проекты часто оказываются здесь.
Честно говоря: худший исход — это случайная версия первого варианта: команда, которая намеревается тщательно ревьюить, но код выглядит настолько отполированным, что этого никто не делает. Опрятно выглядящий код, который тонко неправилен, опаснее уродливого кода, которому очевидно нужна доработка, потому что он обезоруживает ревьюера. Именно полировка и заставляет последние 20% подкрадываться к людям незаметно.
Главный вывод для бизнеса
Правило 80/20 для AI-кода — не повод избегать этих инструментов. Это повод планировать бюджет и управлять проектами с учётом их настоящей формы.
- Первые 80% теперь почти бесплатны; оценивайте проект по последним 20%. Дорогая работа — краевые случаи, интеграция, безопасность, тесты, производительность — дешевле не стала. Выставлять смету по скорости демо, а не по скорости выкатки — вот как студии срывают сроки, а клиенты теряют доверие.
- Чувствовать себя быстрым — не то же самое, что быть быстрым. Результаты METR показывают, что даже опытные разработчики ошибаются в оценке собственного AI-ускорения почти на 40 процентных пунктов. Отслеживайте реальное время цикла — от идеи до продакшена, включая ревью и переделки, — а не время до первого работающего черновика.
- Направляйте человеческое внимание туда, где ошибиться дорого. Пусть AI пробегает спринтом сквозь шаблонный код, а ваших старших инженеров тратьте на те 20%, которые решают, будет ли продукт безопасным, масштабируемым и поддерживаемым.
Что это значит для вашего проекта: AI меняет то, кто делает лёгкую работу, а не то, должна ли быть сделана трудная. Команды, которые это понимают, выкатывают быстрее и спят спокойнее. Команды, которые путают быстрое демо с готовой фичей, платят за разницу — обычно в продакшене и обычно в самый неподходящий момент.
Статья подготовлена на основе открытых источников и может содержать неточности.


