Anthropic опубликовала исследование, которое быстро стало вирусным именно потому, что бьёт по очень популярному мифу: будто ИИ в программировании автоматически делает разработчика и быстрее, и сильнее.

Вывод оказался куда жёстче. Да, с ИИ работа действительно может идти чуть быстрее. Но в среднем речь идёт всего примерно о двух минутах выигрыша. Зато цена этого ускорения — заметное падение качества понимания задачи и кода.

Именно поэтому материалы вокруг этой статьи вызвали такой резонанс: проблема уже не в том, умеет ли ИИ писать код. Проблема в том, что происходит с человеком, когда он слишком охотно отдаёт машине не только рутину, но и мышление.

Anthropic взяла 52 инженера с опытом работы на Python и попросила их решить задачи с использованием незнакомой библиотеки Trio. Участников разделили на две группы:

одна работала полностью без ИИ;

другая использовала AI-ассистента.

Результат вышел тревожным:

группа без ИИ набрала в среднем 67%;

группа с ИИ — только 50%.

Разница в 17% — это не просто статистика. Это уже заметный провал в способности понять, что ты делаешь, и потом объяснить или исправить собственное решение.

Снаружи кажется, что ИИ экономит время. Но на деле часть мышления просто уходит «наружу» — в модель. Исследование показало, что люди, которые активно полагались на ИИ, хуже справлялись с debug-задачами. Когда код, сгенерированный моделью, содержал ошибку, они часто не могли:

понять, где именно сбой;

объяснить, почему он возник;

быстро предложить исправление.

Именно это и есть самый опасный эффект: ускорение без понимания. Ты вроде бы движешься быстрее, но одновременно становишься менее устойчивым к ошибкам.

Антропиковское исследование показало ещё одну важную деталь: да, с ИИ разработчики заканчивали задания немного быстрее, но в среднем преимущество составляло всего около 2 минут.

Более того, чтобы заставить ИИ выдать приемлемый кусок кода, участники иногда тратили:

по 11 минут;

по 15 итераций prompt-правок.

То есть обещанная «мгновенная продуктивность» часто превращалась в долгую возню с формулировками, уточнениями и исправлениями.

Как люди работали с ИИ на самом деле

1. Полное делегирование

Это сценарий, когда программист просто отдаёт задачу ИИ и принимает результат почти без проверки.

Такие участники часто выглядели быстрыми, но потом проваливались на проверочных заданиях.

2. Сначала осторожный контакт, потом сдача

Сначала человек ещё пытается разобраться сам, задаёт вопросы, но потом начинает полностью полагаться на модель.

Именно здесь особенно заметно падение памяти и понимания: человек перестаёт удерживать логику задачи в голове.

3. ИИ как «Сократ», а не как подрядчик

Это лучший сценарий. Человек использует ИИ не для копирования готового решения, а для проверки понимания:

спрашивает о принципах;

просит объяснить концепцию;

пишет код сам;

использует модель как наставника.

И вот здесь, что важно, качество понимания остаётся высоким.

4. Сначала сгенерировать, потом разобрать

Некоторые разработчики просили ИИ сначала дать код, но не копировали его слепо. Вместо этого они разбирали каждую строку, спрашивали, почему решение устроено именно так, и только потом использовали его.

Это уже не «внешний мозг», а инструмент для обучения.

Исследование фактически показывает простой и неприятный принцип: если с ИИ слишком легко, вы, возможно, не учитесь.

Сложность, усилие, борьба с ошибками — это не баг процесса, а его часть. Именно через сопротивление формируется понимание. Когда же ИИ снимает почти всё напряжение, человек может:

быстрее закрывать таски;

но хуже запоминать;

слабее разбираться в причинах ошибок;

терять способность к самостоятельной отладке.

Для бизнеса это тоже важный сигнал. Если метрика успеха — только количество написанных строк или число закрытых задач, можно легко попасть в ловушку:

код становится больше;

а реальная инженерная компетенция команды — слабее.

Особенно это опасно для junior-разработчиков. Если они начинают постоянно «копипастить» из ИИ, у них просто не формируется собственная логическая база.

В результате компания может получить красивую отчётность по скорости, но очень хрупкий технический фундамент.

ИИ сам по себе не проблема. Проблема — как именно его используют. Исследование показывает, что ИИ может быть полезен, если применять его как:

помощника для объяснений;

инструмент для проверки гипотез;

средство для поиска альтернатив;

наставника, а не замену мышления.

Но если использовать его как механизм полного делегирования, то выигрыш в скорости очень быстро превращается в потерю навыка.

Главный урок этого исследования не в том, что ИИ «делает программистов глупее» в лоб. Скорее, он создаёт соблазн отказаться от усилия — а именно усилие и формирует профессиональную компетенцию.

Да, ИИ может помочь. Но если просто бездумно копировать готовые решения, вы платите за эти 2 минуты ускорения куда более дорогой валютой — собственным пониманием.

ИИ полезен, когда усиливает мышление, и вреден, когда подменяет его.