Waydev: the race for tokens reduces returns from AI coding and inflates rework volume

Новый культ в командах, активно использующих AI-кодинг, — не качество релизов, а объём сожжённых токенов. Проблема в том, что больше кода и больше PR не обязательно означают больше полезной работы: значительная часть этого объёма потом уходит в переписывание.

Как работает tokenmaxxing

Термин tokenmaxxing описывает простую логику: если разработчик тратит много токенов в Claude Code, Cursor или Codex, значит он якобы работает продуктивнее. Внутри компаний большие лимиты на AI-вычисления уже стали элементом статуса, почти как когда-то количество строк кода или число коммитов. Но это та же старая ошибка в новой упаковке.

Токены — это вход в процесс, а не результат. Они показывают, сколько ресурсов было сожжено, но не отвечают на вопрос, стало ли у команды больше надёжного, полезного и поддерживаемого кода. По данным Waydev, которая работает примерно с 50 компаниями и более чем 10 тысячами инженеров, менеджеры часто видят очень красивую верхнеуровневую картину: 80–90% AI-сгенерированного кода сначала принимается и попадает в репозиторий.

Но дальше начинается менее заметная часть работы — правки, откаты и переписывание в следующие недели. Если учитывать этот хвост, реальная доля кода, который действительно «прижился», падает до 10–30%. Именно здесь и ломается иллюзия мгновенной продуктивности.

Метрики против иллюзий

Эту картину сейчас пытаются измерить сразу несколько компаний, которые занимаются инженерной аналитикой. Спрос настолько вырос, что крупные игроки тоже начали вкладываться в такие инструменты: Atlassian в 2025 году купила стартап DX за $1 млрд, чтобы лучше считать отдачу от AI-агентов в разработке. Общий вывод у разных платформ похожий: объём выпускаемого кода растёт, но доля устойчивого результата — нет.

• GitClear сообщает, что регулярные пользователи AI-инструментов показывают кодовый churn в 9,4 раза выше, чем разработчики без AI, хотя очищенный год-к-году прирост выглядит намного скромнее — около 25%.
• Faros AI в отчёте за март 2026 года зафиксировала при высокой доле AI в разработке рост размера PR на 51%, рост багов на PR на 28%, пятикратный рост медианного времени ревью и скачок code churn на 861%.
• Jellyfish на выборке из 7 548 инженеров увидела, что самые «токенобюджетные» разработчики делают больше PR, но зависимость быстро становится невыгодной по цене.
• В данных Jellyfish верхние 20% по расходам на токены в среднем выпустили 23 объединённых PR за квартал против 11 у нижних 20%, но потратили на это около $1 822 против примерно $3.

Цена лишнего кода

Главная проблема не в том, что AI пишет много, а в том, что лишний объём смещает стоимость работы вниз по конвейеру. Команда быстрее генерирует черновики, но потом платит за чтение, ревью, интеграцию и поддержку этого кода. Если PR становятся крупнее, багов больше, а ревью дольше, то часть «ускорения» просто переносится в будущее как технический долг.

Особенно заметно это на младших разработчиках: они чаще без большой фильтрации принимают AI-подсказки и потом чаще же возвращаются к этим изменениям. У senior-инженеров ситуация лучше, потому что они точнее задают контекст и жёстче режут мусор на входе. Но даже в этом случае предельная отдача снижается.

Jellyfish пишет почти прямолинейно: на верхнем конце кривой разработчики тратят почти в 10 раз больше токенов, чтобы получить примерно двукратный рост throughput. Это уже не история про эффективность, а про очень дорогой разгон.

«Это новая эра разработки ПО, и компаниям всё равно придётся адаптироваться», — считает глава

Waydev Алекс Чирчей.

Что это значит AI-кодинг никуда не исчезнет, но культ максимального

расхода токенов выглядит плохой управленческой метрикой. Если компании хотят реальной продуктивности, им придётся смотреть не на количество сгенерированного кода, а на то, сколько изменений переживает ревью, не ломает прод, не возвращается на переписывание и окупает свою стоимость в токенах.