ИИ переписал Next.js за неделю: революция в стоимости разработки

Неделя работы. Тысяча сто долларов. И готовый клон одного из самых сложных фреймворков в современной веб-разработке. Именно такие цифры стоят за экспериментом, который всерьёз встряхнул профессиональное сообщество разработчиков: команда инженеров воспроизвела архитектуру Next.js с помощью языковых моделей, потратив на это сумму, меньшую, чем однодневная зарплата среднего senior-разработчика в Кремниевой долине.

Чтобы оценить масштаб произошедшего, важно понять, что такое Next.js. Это не просто библиотека и не учебный проект — это полноценный production-ready фреймворк от Vercel, разработкой и поддержкой которого занимаются десятки инженеров на протяжении многих лет. Он включает серверный рендеринг, систему маршрутизации, оптимизацию изображений, поддержку TypeScript, механизмы кэширования и ещё несколько слоёв сложной архитектурной логики. Воссоздание подобного инструмента традиционным способом потребовало бы команды из нескольких человек и минимум нескольких месяцев работы. Однако мир меняется быстрее, чем успевают обновляться карьерные ожидания.

Эксперимент строился на связке современных языковых моделей, действующих в режиме агентов — то есть не просто отвечающих на вопросы, а последовательно выполняющих задачи: пишущих код, запускающих тесты, анализирующих ошибки и итерирующих решения без постоянного участия человека. Разработчики выступали преимущественно в роли архитекторов: формулировали задачи, контролировали направление работы и оценивали результаты. Сам же процесс генерации, отладки и рефакторинга кода лежал на плечах нейросетей. Итоговая стоимость в 1100 долларов — это буквально счёт за API-запросы к языковым моделям, то есть та сумма, которую система потратила на "размышления".

Принципиально важный момент: речь идёт не о написании нескольких скриптов или автоматизации рутинных задач. ИИ-агенты работали с архитектурными решениями — принимали решения о структуре модулей, обрабатывали взаимозависимости между компонентами, реализовывали сложные паттерны асинхронного программирования. Именно здесь проходила граница, которую принято считать недостижимой для автоматизации: задачи, требующие системного мышления, а не просто воспроизведения шаблонов. Судя по всему, эта граница начинает смещаться.

Для индустрии последствия подобных экспериментов могут оказаться куда более серьёзными, чем кажется на первый взгляд. Если стоимость воспроизведения сложного программного продукта стремительно падает, это меняет фундаментальные экономические расчёты в разработке. Стартап, который раньше нуждался в раунде финансирования только для того, чтобы собрать команду и построить MVP, теперь может получить рабочий прототип за сумму, сопоставимую с месячной подпиской на облачные сервисы. Крупные компании, в свою очередь, начнут задаваться вопросом: какое количество инженерных задач на самом деле требует человеческого участия, а какое можно делегировать агентным системам? Это не абстрактный философский вопрос — это вопрос о найме, бюджетах и организационной структуре.

Вместе с тем было бы упрощением трактовать этот эксперимент как свидетельство того, что разработчики становятся лишними. Весь процесс управлялся людьми, которые понимали, что строят, зачем и в каком направлении двигаться. Языковые модели усилили продуктивность команды в разы, но не заменили компетентность. Разница между архитектором и каменщиком никуда не исчезла — просто каменщики теперь работают со скоростью машин.

Происходящее — это не конец эпохи программирования, а начало её новой фазы. Там, где раньше ценился специалист, способный написать правильный код, теперь всё большую роль играет способность правильно поставить задачу, оценить результат и выстроить систему из компонентов, часть которых создаётся автономно. Следующие два-три года, вероятно, покажут, насколько устойчива эта тенденция и где именно проходят границы того, что ИИ-агенты могут делать надёжно, а не просто впечатляюще. Пока же цифра в 1100 долларов остаётся самым точным индикатором масштаба перемен — и она говорит сама за себя.