Споры вокруг пользы от AI часто ссылаются на эту статью: “AI Is Making Developers Faster. So Where’s the Business Impact?” (январь 2026).

В этом посте разберем суть исследования, и почему в прошлом посте я назвал его исследованием Института Экономики Кучеров методом опроса ста тысяч кучеров.

Итак, Гарвард (университет такой, вроде пока не запрещен) и Jellyfish (компания делает софт для анализа инженерных процессов) опубликовали одно из крупнейших исследований влияния AI на разработчиков: 100 000 инженеров, 500 компаний, данные за 3,5 года. Меряли производительность (коммиты, задачи) до и после внедрения AI.

Главный вывод звучит парадоксально:
🤩 AI ускоряет написание кода на ~8–9%, а число закрытых задач — не растёт
🤩 занятость и состав задач — не меняются

Код пишется быстрее, а делают столько же. Почему? Авторы предлагают несколько объяснений: кодирование не является узким местом, высвободившееся время поглощается ревью и тестированием, организации ещё не перестроились под новый темп.

Формат этого поста не предполагает детального разбора методолгии, вдумчивому читателю предлагается ознакомиться со статьей самостоятельно. Нисколько не умаляя фундаментальность и ценность исследования, предлагаю обратить внимание на несколько моментов прежде чем просто принять этот вывод и ссылаться на него в спорах о перспективах AI.

🤩 Исследование измеряет не ту трансформацию

Знаете что понимается под AI-транформацией? Покупка лицензии Copilot или Cursor. Ребят, серьезно? Copilot — это автодополнение строк кода внутри IDE. Cursor помощнее, но это тоже скорее инструмент помощи разработчику, не замены рабочего процесса. При этом авторы объединяют их в одну переменную и не раскрывают, чего и сколько использовалось.

Настоящая трансформация инженерных процессов — это AI-агенты: автономное планирование задач, генерация и ревью кода, написание тестов, работа с контекстом всего репозитория. Именно это меняет архитектуру работы, а не скорость автодополнения.

Но это ещё полбеды. Агентные возможности вышли на качественно новый уровень в 2025-м году и постоянно улучшаются. А период исследования начинается в январе 2022-го и формально захватывает этот момент, но основной массив данных и большинство компаний прошли через наблюдение до того, как агенты стали реально применимы в production.

Иными словами: исследование корректно измеряет эффект от автодополнения кода. И честно получает умеренный результат. Но экстраполировать этот вывод на «AI не меняет бизнес-результаты» — это как измерить скорость кучеров и делать выводы о перспективах автомобилестроения.

🤩«Внедрение» — это покупка лицензии, не использование

Факт внедрения AI в модели — дата покупки корпоративной лицензии Copilot или Cursor, а не реальный факт использования. Через 3 месяца после покупки инструмент реально запускал лишь каждый четвёртый инженер. Через полтора года — половина. Из них AI использовался в среднем 48% рабочих дней. Это классический dilution bias: эффект измеряется в период, когда большинство ещё не использует инструмент. При полном adoption картина могла бы быть иной.

🤩 Явный конфликт интересов

Данные предоставила компания Jellyfish — она продаёт платформу для измерения продуктивности инженерных команд. Вывод «AI не даёт бизнес-эффекта без правильного измерения» идеально продаёт их продукт. Авторы оговариваются о независимости выводов, но данные — проприетарные и от одного вендора.

Статья возможно методологически добросовестна и честна в своих ограничениях — авторы сами их перечисляют. Но заголовок увы уже живёт отдельно от этих оговорок. Повторный замер через год, на данных с реальным агентным использованием, исключение из датасета всего что было до 2025-го — может дать совершенно другой ответ. Но главное — мы в самом начале adoption. Мы не знаем наверняка как изменится SLDC и как его будут внедрять действительно большие компании. Поэтому к таким исследованиям и результатам нужно относиться очень аккуратно.

👍 спасибо, что полез и разобрался
🔥 да всё равно гори огнем этот ai adoption

прошлый пост про кучеров.