Технический контекст
Я все чаще вижу одну и ту же картину: бизнес берет agentic AI coding не потому, что это модно, а потому что разрыв в цене и скорости слишком велик. Для AI implementation это выглядит почти как чит-код: прототип за дни, первые пользователи быстро, команда меньше. И вот здесь я обычно притормаживаю.
Если смотреть не на демо, а на кодовую базу через полгода, картина уже менее праздничная. По данным, которые сейчас чаще всего цитируют в исследованиях по AI-generated code, продуктивность растет примерно на 31.4%, но вместе с этим увеличиваются уязвимости на 23.7%, static analysis warnings на 30%, а сложность кода на 41%.
Меня в этих цифрах цепляет не сама деградация качества. Меня цепляет то, что она маскируется под нормальную инженерную форму. Снаружи код может выглядеть модульным, а внутри там скрытые зависимости, слабая инкапсуляция и куски, которые человек потом распутывает как чужой экспромт.
Еще один неприятный сигнал: часть сгенерированных методов потом просто вырезают на ревью. В исследованиях мелькает цифра около 9.9% удаленного кода в agent-generated pull requests. То есть агент не только ускоряет delivery, он еще и накачивает пайплайн мусором, который команда должна осознать, проверить и выбросить.
В enterprise это особенно опасно, потому что агент проходит через обычные CI/CD и тащит зависимости, которые решают локальную задачу, а не соответствуют вашей security baseline. Пока продукт маленький, это терпят. Когда начинается рост, такая AI integration внезапно превращается в налог на каждое следующее изменение.
Что это меняет для бизнеса и автоматизации
Я не драматизирую и не хороню подход. Для старта, внутренних тулов, MVP и узких процессов automation with AI часто абсолютно оправдана. Быстрый запуск иногда реально важнее идеальной maintainability.
Но выигрывают тут те, кто с самого начала отделяет одноразовую скорость от ядра продукта. Проигрывают команды, которые дают агенту писать все подряд без архитектурных границ, трассировки изменений и нормального review burden budget.
На практике я бы следил за тремя вещами: где агенту можно писать свободно, какие зависимости он имеет право тянуть и кто отвечает за переупаковку удачного прототипа в нормальную систему. Мы в Nahornyi AI Lab решаем такие узкие места для клиентов постоянно: не запрещаем AI automation, а встраиваем его так, чтобы через год продукт не пришлось разгребать экскаватором.
Если у вас уже растет кодовая база и видно, что скорость начала бить по качеству, давайте разберем это на уровне workflow и AI architecture. В Nahornyi AI Lab я могу помочь выстроить AI solution development так, чтобы автоматизация не съедала будущее продукта вместе с вашей командой.