Faros: в командах с ИИ-агентами медианное время ревью кода выросло на 441%

Телеметрия Faros по 22 000 разработчиков показывает: в командах с высоким внедрением ИИ медианное время ревью кода выросло на 441%, а pull request без какого-либо ревью стали сливать на 31% чаще. Сэкономленное агентами время люди сами тратят на новые задачи и проверку чужого кода. В сентябре автор Хабра написал знакомым, которые пару месяцев назад начали работать с ИИ-агентами, и спросил, как дела. Он ждал историй про ускорение, и они были: кто-то перестал вручную разбирать логи, кто-то начал брать задачи во фронтенде, бэкенде и DevOps. Но чаще отвечали про другое: сильно вырос объём ревью, через голову проходит гораздо больше информации, а на собственный проект к вечеру сил не остаётся. Отсюда вопрос: это временная яма или новая норма?

Сэкономленное время разработчики тратят сами

Исследователи Berkeley Haas восемь месяцев наблюдали за американской технологической компанией примерно на 200 человек (результаты опубликовал HBR). С генеративным ИИ сотрудники работают быстрее, берут более широкие задачи и заканчивают позже, хотя никто этого не требует. Промпты уходят в обед, во время созвонов и пока грузится файл. Ранний рост продуктивности со временем сменяется падением качества и текучкой.

Данные Faros совпадают с этим наблюдением: люди просто перестают успевать проверять поток изменений. Исследование BCG уточняет причину усталости. Когда ИИ забирает рутину, выгорание снижается. Когда работа превращается в постоянный надзор за агентом, растут усталость от решений и желание уволиться. Кода писать приходится меньше, зато больше постановки задач, проверки и решений, и этому навыку большинство разработчиков специально не учились.

Сначала станет хуже: кривая обучения и обманчивые ощущения

Самое цитируемое исследование о замедлении — июльское исследование METR (лаборатория, измеряющая реальный эффект ИИ на работу). 16 опытных open-source разработчиков решали задачи в собственных репозиториях, и с ИИ это заняло на 19% больше времени. До эксперимента они ждали ускорения на 24%, а после всё равно считали, что ускорились на 20%. Cursor участники использовали лишь несколько десятков часов, и авторы прямо пишут, что эффект обучения после 50+ часов исключить нельзя.

Повторный замер через полгода дал у десяти вернувшихся участников ускорение около 18%. Доверительный интервал при этом включает ноль, и сами авторы называют сигнал ненадёжным: многие отказались работать без ИИ, и выборка сместилась. В опросе METR люди оценивают пользу примерно в два раза, а по прошлым замерам переоценивают эффект в среднем на 40 процентных пунктов.

Вывод автора: без навыка и подготовленного проекта ИИ действительно может замедлять, а ощущения врут. Тот, кто бросил на дне ямы, заключает «ИИ не работает». Тот, кто прошёл её, — «без этого уже не могу». Опасна середина: человек видит в ленте десять агентов, закрывших бэклог за ночь, ставит ещё один фреймворк и пять MCP, запускает агентов параллельно и входит в режим постоянной тревоги.

Доверие равно проверяемости: порядок внедрения

Опрос Stack Overflow 2026 показывает границу: в важных решениях ИИ доверяют 6% разработчиков, но почти половина доверяет, если может проверить результат. Без быстрой автоматической проверки остаются две выматывающие крайности: читать каждую строку или принимать «готово» на слово и разбирать последствия через неделю. Разумная позиция — как у тимлида: контролировать «ствол и ветки» (архитектуру, биллинг, модель данных, критичные тесты) и не трогать каждый лист.

В опросе в Telegram-канале автора выбор инструмента назвали главной проблемой лишь 2 из 32 респондентов, а систематизацию знаний — 19. Порядок, к которому он пришёл:

• инженерная база, без неё не отличить работающее изменение от правдоподобного;
• постановка задачи с критериями приёмки до написания кода;
• feedback loop: типы, линтер, тесты, браузер, логи, чтобы агент проверял себя сам;
• расширения (skills, MCP, плагины) только после этого;
• знания о проекте, план для больших задач и ревью по требованиям;
• параллельные агенты в самом конце.

Пропущенный этап обходится дороже позже. Типичная ошибка — прыгнуть сразу в Spec-Driven Development, оркестраторы и пять агентов. Новички получают спеки в 3–5 раз больше кода, которые никто не читает, сожжённые лимиты и ощущение чёрного ящика. Слепая установка расширений ещё и риск цепочки поставок: в феврале 2026 года Koi Security нашла 341 вредоносный skill из 2 857 в маркетплейсе ClawHub.

Манера обучения тоже важна. В эксперименте Anthropic джуниоры, осваивавшие новую библиотеку с ИИ, набрали на тесте 50% против 67% без ИИ. Но те, кто задавал агенту концептуальные вопросы и сам разбирался с ошибками, набрали 65% и выше.

Итог автора: яма пройдёт, а объём работы по проверке нет, это новая норма. Снизить нагрузку можно, если отдать рутинные проверки инструментам и второму агенту с чистым контекстом, оставить себе только критичное и не держать открытыми больше агентов, чем успеваете проверить. Свой доклад на эту тему автор представит на онлайн-конференции AI Dev Live 12 ноября.