Разбирался с "Cursor Developer Habits Report" за весну 2026, в котором много интересных графиков про ускорение разработки, рост контекста и автоматизацию. Но один из самых интересных инсайтов в том, что продуктивность среди пользователей растет не ровным слоем, а резко усиливает тех, кто уже умеет вплетать агентную работу в свой день. Если говорить про само исследование, то оно построено на агрегированных продуктовых/инженерных данных: использовании агентов, токенах, принятых AI-изменениях и активности смердженных PR. Данные пользователей приватного режима, которые выбрали opt-out, туда не входят.
Основные находки, что вынесены в начало отчета такие
1️⃣ Ускорение разработки
Скорость написания кода удвоилась год к году, pull request’ы становятся крупнее и глубже, а код, сгенерированный агентами, всё чаще успешно проходит ревью.
2️⃣ Экономика интеллекта
Авторы сравнили семь семейств моделей по стоимости строки кода и стоимости одной отправки задачи, выявляя значительные различия в юнит-экономике. Если зафиксировать успешность решения задач, то самыми дорогими моделями являются Opus, потом ChatGPT, а потом Composer 2.5 от Cursor, причем разница между Cursor моделью и Opus на порядки
3️⃣ Разрыв между продвинутыми пользователями и остальными
Авторы обнаружили, что, хотя AI приводит к широкому росту продуктивности, наиболее выраженные изменения наблюдаются у топ 1% разработчиков.
4️⃣ Рост роли контекста
Авторы показали резкое увеличение количества входных токенов и сдвиг в сторону токенов, считываемых из кэша. Это даёт агентам своего рода рабочую память, позволяя им решать более сложные задачи и писать более качественный код.
5️⃣Сдвиг к автоматизации
В конце авторы показали данные об эволюции кодинг агентов: из инструмента для отдельных разработчиков они превращаются в целую систему для создания и сопровождения софта, часто работающую автоматически.
Интересно погрузиться поглубже в блок "The power user gap", где авторы приводят кривую Лоренца по AI строчкам кода, AI потреблению токенов с индексами Джини 0.77, 0.75 и 0.72. Обычно кривую Лоренца и коэффициент Джинни показывают в контексте экономического неравенства. И тут примерно такое же неравенство - небольшая группа пользователей генерирует непропорционально большую часть AI-работы, расходов и токенов. Из кривой Лоренца видно, что верхние 5% дают примерно 47% AI строк кода, 46% трат и 40% токенов.
Дальше еще интереснее:
- p99-разработчики производят в 46 раз больше AI lines per day, чем медианный активный пользователь, и в 15 раз больше merged PRs per week, чем медианный активный автор PR
- p90-разработчик выглядит скромнее: 10x по AI строк кода и 4x по merged PRs
В итоге, мы видим, что не "каждый разработчик стал на 15% быстрее" - у нас распределение с очень тяжелым хвостом, к которому просто так среднее не применишь (полезнее хотя бы на медиану смотреть)
Правда, тут не стоит обязательно восхищаться этими продвинутыми пользователями - мы не можем сказать, что "лучшие разработчики стали в 46 раз быстрее", так как в метрике смешаны тип задач, размер кодовой базы, роль в команде, доверие к инструменту, качество контекста, разрешений, привычка дробить работу, возможность запускать агента в фоне и культура ревью. Но график интересен управленчески - он показывает как выглядит как может выгляядеть новая операционная модель работы.
Если в команде появляется человек, который уверенно ставит агентам задачи, дает им контекст, читает diff, запускает тесты, режет scope и быстро снимает блокировки, он может уехать далеко вперед. Не потому, что нажал секретную кнопку, а потому что вокруг него собрался рабочий цикл:
intent -> context -> agent run -> verification -> commit/PR -> feedback. У другого разработчика тот же Cursor может оставаться дорогим автодополнением, который иногда мешает.Отсюда практический вывод для AI4SDLC: считать средний usage мало. Нужны метрики по когортам, чтобы понимать
- Кто реально доводит AI-работу до PR?
- Где появляются крупные diff'ы?
- Что происходит с нагрузкой на ревью, тесты, как дела с rework и насколько вырос change failure rate?
- Чем отличаются топовые пользователи: они лучше формулируют задачи, лучше знают кодовую базу, чаще используют agents/automations, работают в более permissive repo или просто берут задачи другого класса?
Если у вас есть такие power users, то надо пообщаться с ними, понять какие практики они используют и дальше масштабировать лучшие из них.
Но нельзя просто посмотреть на хвост распределения и сказать, что режим power-user теперь является нормой для всех - так оно не полетит:)
P.S.
Разбор исследования Cursor есть на нашем сайте ai4sdlc-research.space.
#AI #AI4SDLC #Engineering #Agents #DevTools #Management #Metrics