ИИ-агенты добавили инженерам 30% кода, а проверка изменений стала дольше на 49%
Гарвардские аспиранты изучили 718 компаний: после внедрения ИИ-агентов инженеры добавляют на 30% больше кода, но задач, дошедших до продакшна, не прибавилось. Зато проверка pull request — пакета правок, который коллеги должны одобрить перед слиянием, — выросла с 7 до 10,5 дня, то есть на 49%. Код пишется быстрее, проверяющих столько же. Поэтому при покупке агентов сначала считайте мощность ревью, а не скорость генерации.
AI-обработка оригинала Hacker News AI; редакция Hamidun News
Представьте команду, которой выдали ИИ-агентов: черновики кода появляются в разы быстрее, дашборды зеленеют. А пользователи новых функций так и не видят. Именно такую картину описывает рабочая статья двух аспирантов Гарварда, Фионы Чен и Джеймса Стрэттона, по данным 718 компаний. После внедрения агентов инженеры добавляли примерно на 30% больше кода (в среднем +1494 строки на человека в месяц к базовым 5017). Но число завершённых задач статистически не выросло, а путь pull request, то есть пакета изменений, который коллеги проверяют перед слиянием в основную ветку, удлинился на 49%: с 7,03 до примерно 10,5 дня. Узкое место переехало с написания кода на его проверку.
Что именно измерили
Авторы взяли данные Jellyfish, компании, которая продаёт аналитику по инженерной активности, и сопоставили их с профилями занятости LinkedIn от Revelio Labs. В выборку вошли 725 938 сотрудников в 718 фирмах за период с января 2021 по март 2026 года, причём только клиенты Jellyfish, согласившиеся на исследовательское использование данных. Внутри 68,3 млн задач в Jira, 200,9 млн коммитов и 49,1 млн pull request. Данные о календаре встреч дали лишь 213 фирм из 718.
Метод — сравнение по месяцам: как менялись показатели у компаний, уже внедривших агентов, и у тех, кто ещё не успел. Даты внедрения, по словам авторов, зависели в основном от того, когда фирма узнала об инструментах и как долго шла закупка: согласования с юристами и безопасностью, пилоты. В одной компании инструмент одобрили за день, в другой, по словам интервьюируемого, это занимало от шести до двенадцати месяцев. Авторы считают такие задержки не связанными с темпами роста самой фирмы и учитывают размер компании, ведь крупные внедряли раньше. Остаточное смещение, если оно есть, скорее завысит пользу ИИ, чем занизит.
Код вырос, готовая работа нет
Коммитов стало больше на 20%, pull request — на 23%. Оговорка авторов: это добавочный эффект агентов в компаниях, где ИИ-ассистенты для кода уже использовались, а не эффект «с нуля».
А вот готовая работа не сдвинулась. Законченной считается задача в Jira, код которой выкатили в продакшн. Их число изменилось на 0,12 на человека в месяц при базе 3,67 — это неотличимо от нуля, а доверительный интервал исключает рост больше чем на 12%. Авторы проверили очевидное возражение: вдруг инженеры взялись за более крупные задачи. Они разметили 0,5% задач по размеру с помощью GPT-4o и распространили оценки на остальные через эмбеддинги. Средний размер задачи не изменился, pull request тоже не раздулись.
Затор на ревью
Доля pull request с формальным запросом на доработку выросла примерно на 12 процентных пунктов при базе 13%, то есть почти вдвое. Комментариев на каждый pull request стало на 35% больше. Доля сотрудников, которые вообще делают ревью, выросла на 14% от базовых 29%, а доля пишущих код не изменилась.
ИИ-ревьюеры затор не сняли. К марту 2026 года такие инструменты пробовали около 80% фирм, но ИИ написал лишь 23,3% комментариев, а хотя бы один комментарий от ИИ получили только 10,8% pull request. Один из опрошенных джуниоров рассказал, что одобрять его изменения мог единственный сеньор и успевал раз в неделю. После сбоев из-за коммитов, сгенерированных ИИ, появилось правило: такой код обязательно смотрит сеньор, и очередь выросла ещё сильнее.
Авторы объясняют цифры двумя механизмами. Первый: больше кода приходит к тому же числу проверяющих, и это лечится перераспределением людей на ревью. Второй: рост запросов на правки намекает на более слабые черновики, и это уже вопрос качества самих моделей. От того, какой механизм доминирует, зависит, на что тратить бюджет.
Ограничения и вывод
Это рабочая статья, поданная как job-market paper, признаков завершённого рецензирования нет. Текущая версия датирована 4 августа 2026 года, первая — 7 января. Занятость при этом не просела: оценки исключают падение общей занятости больше чем на 2,9%, хотя это краткосрочный эффект. Независимая работа NBER на данных более чем 500 000 разработчиков GitHub показывает похожий разрыв: рост коммитов от автономных агентов на 240% превращается в 30% по реальным релизам. У двух исследований есть свои оговорки: авторы NBER-статьи связаны с Microsoft, владельцем GitHub. Обе работы описывают разработку ПО, а не, скажем, юридическую.
Практика проста. Измеряйте не объём сгенерированного кода, а время до принятого результата, долю возвратов на доработку и часы ревьюеров. Сначала планируйте ёмкость ревью, потом масштабируйте генерацию. И ведите журнал того, что проверяющие исправляют: он покажет, затор вызван объёмом или качеством черновиков.
- 21 нояб. 2026 г.54% руководителей: больше 60% работы ИИ-агентов требует серьёзной переделки
- 19 нояб. 2026 г.Рост потока PR на 21% в модели учетверил ожидание ревью: с 2 до 8 часов
- 9 окт. 2026 г.AWS подвёл итоги сентября: Bedrock, AgentCore и Strands получили обновления
- 18 нояб. 2026 г.ИИ-агенты выпустили 228 релизов игры без ревью человека; 25% задач вернули тесты
Вопросы и ответы по материалу
Что известно по теме: что именно измерили?
Авторы взяли данные Jellyfish, компании, которая продаёт аналитику по инженерной активности, и сопоставили их с профилями занятости LinkedIn от Revelio Labs. В выборку вошли 725 938 сотрудников в 718 фирмах за период с января 2021 по март 2026 года, причём только клиенты Jellyfish, согласившиеся на исследовательское использование данных. Внутри 68,3 млн задач в Jira, 200,9 млн коммитов и 49,1 млн pull request. Данные о календаре встреч дали лишь 213 фирм из 718.
Что известно по теме: код вырос, готовая работа нет?
Коммитов стало больше на 20%, pull request — на 23%. Оговорка авторов: это добавочный эффект агентов в компаниях, где ИИ-ассистенты для кода уже использовались, а не эффект «с нуля». А вот готовая работа не сдвинулась. Законченной считается задача в Jira, код которой выкатили в продакшн. Их число изменилось на 0,12 на человека в месяц при базе 3,67 — это неотличимо от нуля, а доверительный интервал исключает рост больше чем на 12%.
Что известно по теме: затор на ревью?
Доля pull request с формальным запросом на доработку выросла примерно на 12 процентных пунктов при базе 13%, то есть почти вдвое. Комментариев на каждый pull request стало на 35% больше. Доля сотрудников, которые вообще делают ревью, выросла на 14% от базовых 29%, а доля пишущих код не изменилась. ИИ-ревьюеры затор не сняли. К марту 2026 года такие инструменты пробовали около 80% фирм, но ИИ написал лишь 23,3% комментариев, а хотя бы один комментарий от ИИ получили только 10,8% pull request.
Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами
Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.