Технический контекст
Я люблю AI automation в разработке, но на тексте Mario Zechner от 25 марта я кивнул слишком быстро. Он описал вещь, которую я и сам вижу в агентных пайплайнах: код генерируется с такой скоростью, что поддержка не догоняет уже на старте.
Если коротко, агенты могут настрочить десятки тысяч строк за часы, а потом начинается самое весёлое: дубли логики, пропущенные куски существующего кода, рассинхрон по интерфейсам, странные обходные решения поверх старых ошибок. Это не “обычный техдолг”. Это новая форма долга, где complexity растёт быстрее, чем текущие LLM вообще способны её распутать.
Мне особенно близка его мысль про отсутствие человеческого тормоза. Человек устал, споткнулся, перечитал, почувствовал боль от плохой архитектуры и обычно сбавил темп. Агент боли не чувствует. Он не думает: “стоп, мы вообще уверены, что нужен ещё один сервис, ещё один слой абстракции, ещё один хелпер?”
И вот тут ломается наивный подход “сначала сгенерируем, потом отрефакторим”. На маленьких задачах он ещё живёт. Но на длинной дистанции агентный кодинг очень быстро делает проект похожим на legacy, который даже хороший LLM уже не держит как целое, а чинит фрагментами, иногда ломая соседние части.
По сути, Mario говорит простую вещь: архитектуру, API и общую форму системы нельзя бездумно отдавать на полный автопилот. Я бы добавил ещё жёстче: если у вас нет понятных границ модулей, коротких ревью-циклов и лимита на объём agent-generated changes, вы не ускоряете разработку. Вы просто ускоряете накопление хаоса.
Влияние на бизнес и автоматизацию
Для бизнеса вывод очень приземлённый. Выиграют команды, которые используют агентов как усилитель в узких рамках: генерация тестов, CRUD-слои, миграции, внутренние утилиты, документация. Проиграют те, кто пытается через агентов сразу “вырастить продукт” без жёсткой AI architecture.
Второй эффект я вижу в стоимости владения. Дешёвый кодоген сегодня легко превращается в дорогую поддержку через месяц, когда каждая правка начинает ронять соседние части системы.
Поэтому нормальная artificial intelligence integration в разработку теперь выглядит скучнее, но взрослее: маленькие изменения, человеческий контроль над архитектурой, лимиты на скорость, обязательные quality gates. Мы в Nahornyi AI Lab решаем для клиентов именно эту задачу: не просто подключить агента, а выстроить AI solution development так, чтобы автоматизация не создавала новый класс проблем.
Если у вас уже есть команда, которая “разогналась” агентами, я бы прямо сейчас посмотрел на объём изменений, качество модульных границ и цену каждой следующей правки. Если чувствуете, что кодовая база начала ускользать из рук, можно спокойно разобрать это вместе с Nahornyi AI Lab и собрать AI automation так, чтобы она реально экономила время, а не конвертировала бюджет в будущий ремонт.