Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизAPI / Продукт · В работуHabr AI→ оригинал

Рост потока PR на 21% в модели учетверил ожидание ревью: с 2 до 8 часов

AI-помощники вроде Copilot ускоряют написание кода, но ревью, тесты и релиз работают в прежнем темпе. В упрощённой модели очереди рост потока с 14 до 17 pull request в день (на 21%) увеличивает время прохождения ревью с 2 до 8 часов. Код пишется за два часа, а проверки изменение ждёт днями. Поэтому измеряйте загрузку ревью и QA, а не только скорость написания кода.

AI-обработка оригинала Habr AI; редакция Hamidun News
Рост потока PR на 21% в модели учетверил ожидание ревью: с 2 до 8 часов
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Нагрузка 94% (17 PR в день)ревью занимает 8 часов, при 78% — 2 часа
METRопытные разработчики с AI делали задачи на 19% дольше
DORA 2024+25% внедрения AI — минус 7,2% к стабильности доставки

Разработчик с Copilot или Cursor пишет функцию за два часа вместо восьми, открывает pull request (PR, запрос на слияние кода) и... ждёт. Ревьюер занят, тесты стоят в очереди, релизное окно будет только в четверг. Код стал дешевле, а доставка до пользователя быстрее не стала. На упрощённой модели очереди автор разбора на Habr показывает масштаб: если поток PR в день вырос с 14 до 17, то есть на 21%, среднее время прохождения этапа ревью увеличивается с 2 до 8 часов, то есть в четыре раза. Для вас это значит одно: если вы внедряете AI-инструменты и смотрите только на скорость набора кода, вы можете ускорять не ту часть системы.

Ускоряет ли AI разработку на самом деле

Данные неоднозначные. В контролируемом эксперименте GitHub и Microsoft 2023 года группа с Copilot написала HTTP-сервер на JavaScript в среднем на 55,8% быстрее контрольной. Но участвовали 95 разработчиков с Upwork, задание закончили только 35, а задача делалась с нуля.

METR в 2025 году взяла 16 опытных open-source разработчиков и 246 реальных задач в проектах, которые они хорошо знали. С разрешённым AI задачи заняли в среднем на 19% больше времени. При этом участники до эксперимента ждали ускорения и после него всё равно считали, что AI им помог. В феврале 2026 года METR провела повторное исследование на большей выборке. Оно указывало на возможное ускорение, но часть разработчиков отказывалась делать задачи без AI, и авторы не смогли надёжно оценить эффект. Дизайн эксперимента они переделали.

Для дальнейших выводов хватает узкого допущения: если AI удешевляет часть изменений, нагрузка внутри инженерной организации перераспределяется.

Узкое место переезжает, а очередь растёт скачком

Возьмём команду из десяти человек: каждый делает около двух PR в неделю, всего примерно 20. Под этот поток настроены ревью, QA и релизы. AI удваивает выход до 40 PR. Очередь на ревью растёт, и компания добавляет автоматическое ревью. Тогда поток упирается в QA, его тоже автоматизируют, и изменения начинают ждать релизного окна. Узкое место не исчезает, а перемещается туда, где мощности не хватает.

Нелинейность видна на модели M/M/1: один канал ревью, случайный поток задач, предел 18 PR в день. Среднее время на этапе считается как W = 1 / (μ − λ), где λ — число поступающих задач, μ — число обработанных. Значения модельные, не измеренные:

  • 9 PR в день, загрузка 50%: 53 минуты;
  • 12 PR, 67%: 1 час 20 минут;
  • 14 PR, 78%: 2 часа;
  • 16 PR, 89%: 4 часа;
  • 17 PR, 94%: 8 часов.

Реальная команда устроена сложнее: ревьюеров несколько, задачи разные, есть приоритеты и повторные проверки. Для прогноза нужны фактические данные и многоканальная модель. Качественный вывод остаётся: этап, работающий у предела, резко замедляется от любой добавки нагрузки. Поэтому изменение, написанное за два часа, может несколько дней ждать ревью и тестов. Индивидуальная скорость выросла, а Lead Time (время от идеи до production) организации остался прежним.

Отчёты DORA согласуются с этой картиной. В 2024 году рост внедрения AI на 25% был связан с оценочным снижением пропускной способности доставки на 1,5% и стабильности доставки на 7,2%. В 2025 году связь с пропускной способностью стала положительной, а проблемы со стабильностью сохранились. Это корреляция, и причинность она не доказывает. Но вывод практичен: AI усиливает то, что уже есть. Команды с маленькими изменениями и быстрой обратной связью ускорятся, а команды с большими очередями и ручными согласованиями почувствуют проблемы сильнее.

Что менять: проверки по риску и независимый контроль

Автор предлагает пересмотреть архитектуру доставки, а не только автоматизировать каждую стадию. Сейчас правка текста ошибки и новый алгоритм расчёта комиссии проходят один и тот же pipeline. В модели Risk-Adaptive Delivery для всех изменений действует обязательный минимум, а дополнительные проверки зависят от того, что затронуто. Документации хватит проверки форматирования и ссылок. Для схемы БД нужны миграции и обратная совместимость, для авторизации — security review, для финансовых расчётов — независимая проверка бизнес-инвариантов.

У подхода две ловушки. Классификатор риска может ошибиться: правку «безопасной документации» приняли за текст, а она затронула исполняемый конфиг, и облегчённый pipeline её пропустил. Поэтому у классификатора нужны собственные проверки, мониторинг и консервативное поведение при неопределённости. Кроме того, ответ языковой модели не доказательство корректности, и критические ограничения должны задаваться формальными политиками.

С AI-агентами возникает проблема доверия. Если один агент пишет код, тесты и интерпретирует результаты, он может подогнать критерии под свою реализацию, причём без злого умысла: неверно понял требование и написал тесты, подтверждающие ошибку. Второй AI в роли проверяющего не спасает, если у обоих одна и та же неполная спецификация. Нужны заранее зафиксированные критерии приёмки, бизнес-инварианты, детерминированные проверки и человек для критичных изменений. Исполнитель не должен менять политики безопасности, а запуск должен идти в sandbox с минимальными правами и временными credentials.

Наконец, деньги. Полная стоимость изменения складывается из реализации, проверки, доставки и ожидаемых затрат на сбои и переделки. AI-ревью, агентные тесты и изолированные окружения тоже стоят токенов и вычислений. Дешёвая проверка, пропустившая критическую ошибку, обходится дороже тщательной, а полный набор дорогих проверок для каждой мелкой правки не снижает риск соразмерно.

Что делать на практике: замерьте загрузку ревью и QA, а не только скорость написания кода. Держите резерв мощности и не работайте на 90% загрузки. Продумайте откат: код откатить можно, а изменённые данные и внешние транзакции не всегда. Следующим узким местом автор считает понимание последствий изменения в системе из многих сервисов и предлагает для этого машинно-читаемую модель системы. Это его инженерная гипотеза, а не доказанный факт.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: ускоряет ли AI разработку на самом деле?

Данные неоднозначные. В контролируемом эксперименте GitHub и Microsoft 2023 года группа с Copilot написала HTTP-сервер на JavaScript в среднем на 55,8% быстрее контрольной. Но участвовали 95 разработчиков с Upwork, задание закончили только 35, а задача делалась с нуля. METR в 2025 году взяла 16 опытных open-source разработчиков и 246 реальных задач в проектах, которые они хорошо знали. С разрешённым AI задачи заняли в среднем на 19% больше времени.

Что известно по теме: узкое место переезжает, а очередь растёт скачком?

Возьмём команду из десяти человек: каждый делает около двух PR в неделю, всего примерно 20. Под этот поток настроены ревью, QA и релизы. AI удваивает выход до 40 PR. Очередь на ревью растёт, и компания добавляет автоматическое ревью. Тогда поток упирается в QA, его тоже автоматизируют, и изменения начинают ждать релизного окна. Узкое место не исчезает, а перемещается туда, где мощности не хватает. Нелинейность видна на модели M/M/1: один канал ревью, случайный поток задач, предел 18 PR в день.

Что известно по теме: что менять: проверки по риску и независимый контроль?

Автор предлагает пересмотреть архитектуру доставки, а не только автоматизировать каждую стадию. Сейчас правка текста ошибки и новый алгоритм расчёта комиссии проходят один и тот же pipeline. В модели Risk-Adaptive Delivery для всех изменений действует обязательный минимум, а дополнительные проверки зависят от того, что затронуто. Документации хватит проверки форматирования и ссылок.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Практика · Hamidun Academy

Соберите рабочего ИИ-агента или сервис своими руками без ручного кода

В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.

Открыть 72ч бесплатный доступ →Интенсив по Вайб-кодингу
Что вы думаете?
Загружаем комментарии…