ИИ помогает писать больше кода, но кратно ли количество релизов? 😳

Исследование NBER Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools сообщает об интересном, а местами шокирующем, разрыве. Авторы проанализировали данные более чем 500 000 разработчиков GitHub. Для автономных ИИ кодинг агентов они оценивают рост числа коммитов на 240%, проектов примерно на 80%, а релизов всего на 30%.

Получается, что ускорение написания кода само по себе еще не гарантирует пропорционального ускорения выхода готового продукта. Между действиями есть целая цепочка: разобраться в существующем проекте, определить необходимые изменения, выполнить работу, проверить результат, найти ошибки и исправить их.

И здесь появляется другой подход – это AI-оркестрация. В CodeGryphon пользователь формулирует задачу, а оркестратор работает непосредственно с проектом: анализирует контекст, планирует действия, вносит изменения и помогает проверить результат.

Поэтому вопрос сегодня уже не только в том, сколько кода способен написать ИИ. Гораздо интереснее другое: может ли ИИ помочь довести задачу до готового решения?

А если CodeGryphon дать задачу, которую обычно разбивают на 10 промптов? 🧠

Вместо того чтобы последовательно объяснять ИИ, какой файл открыть, что изменить, куда добавить новую функцию и что проверить после этого, можно сразу поставить CodeGryphon полноценную задачу и описать ожидаемый результат. Дальше оркестратор сам разбирается с контекстом проекта, формирует план, работает с файлами, запускает необходимые скрипты и использует доступные инструменты, а затем проверяет, что получилось.

В итоге меняется не только количество промптов, но и сама роль пользователя в процессе. Вместо постоянного управления действиями можно сосредоточиться на постановке задачи и ожидаемом результате, оставляя оркестратору больше пространства для самостоятельной работы. Именно такой подход и позволяет переходить от работы с отдельными фрагментами к работе с задачей целиком.

ИИ научился писать код. И теперь главная проблема – проверить, что он написал 🔎

В исследовании Qodo “The 2026 State of AI Code Quality Report” проверку AI-кода назвали главным ограничением процесса разработки 25,8% опрошенных разработчиков и 26% инженерных руководителей. А 36,4% разработчиков отметили: проверка занимает столько же времени, но требует больше умственных усилий для поиска неочевидных ошибок.

Проблема становится сложнее, когда AI участвует сразу в нескольких этапах работы: планирует изменения, пишет код, создает тесты и проверяет реализацию. Если система неверно поняла требование, это предположение может перейти и в код, и в тесты. Тогда успешное прохождение проверок еще не означает, что решена исходная задача.

Передать агенту документацию и правила проекта тоже недостаточно. Только 34,6% опрошенных разработчиков сообщили, что агенты всегда соблюдают стандарты организации. Доступ к инструкции сам по себе не гарантирует ее выполнения.

Поэтому в агентной разработке проверка должна быть частью процесса: сопоставить изменения с требованиями, проверить связанные компоненты, разобрать ошибки и при необходимости вернуться к задаче. В CodeGryphon пользователь задает ожидаемый результат, а оркестратор работает с контекстом проекта, планирует действия, вносит изменения и помогает проверить выполненную работу.

Чем больше действий мы поручаем AI, тем важнее понимать, на основании каких проверок задача считается завершенной. ✅