ИИ для разработки: что реально ускоряет работу в 2026

ИИ для разработки ускоряет не весь процесс, а четыре участка: черновик кода, тесты, документацию и разбор чужого кода. Остальное — требования, архитектура, ревью, выкладка — остаётся на человеке, и попытка делегировать их целиком заканчивается одинаково: через неделю никто, включая автора, не понимает, почему система работает именно так.

По опросу K2 Cloud и Хабра (872 анкеты), чаще всего ИИ отдают написание кода — 59,1%, документацию — 51,1%, прототипы — 43,7%. Это и есть три зоны, где экономия часов заметна сразу. Но есть вторая половина картины: DORA 2025 показала, что 90% техспециалистов ИИ уже используют, а 30% почти или совсем не доверяют сгенерированному коду. Обе цифры верны одновременно.

Ниже — карта этапов: где именно ИИ экономит время, что из этого делается в AgentHere и на каких задачах он вам не поможет.

Где ИИ экономит время, а где нет?

Увеличить

Разложите свой процесс на шаги и отметьте, на каком вы чаще всего залипаете. Если залипание выглядит как «пишу однотипную обвязку», «разбираю чужой модуль», «покрываю тестами» — ИИ там работает. Если как «не понимаю, нужна ли вообще эта фича» — не работает, и промпт этого не исправит.

В правой колонке у каждой строки стоит решение, которое потом не откатишь одной кнопкой. Разговоры про «ИИ заменит разработчика» буксуют именно здесь, а не на качестве генерации.

Stack Overflow в опросе 2025 года (более 49 000 ответов из 177 стран) дал цифру, которая объясняет всё остальное: 66% назвали главным раздражением «почти правильные» решения. Не грубые ошибки. Не выдуманные методы — их видно сразу. Почти правильные: выглядят рабочими, проходят поверхностный взгляд и падают на краевом случае через две недели. Ещё 45% назвали самой неприятной частью работы отладку сгенерированного кода, а 46% не доверяют точности ответов.

Отсюда рабочее правило: чем дешевле проверить результат, тем охотнее можно отдавать задачу агенту. Тесты — дёшево: они либо зелёные, либо нет. Документацию — дёшево. Черновик интерфейса — дёшево. Миграцию на проде — дорого.

На практике в разработке повторяются четыре сценария, где нейросеть для написания программ окупается быстрее всего. Разбор чужого кода: агент объясняет модуль, который вам передали по наследству, и это заметно быстрее, чем читать его самому. Черновик: вместо пустого файла вы правите готовый, даже если правок 80%. Тесты: покрытие пишется механически, а механическую работу отдавать не жалко. Документация: README и описания API всё равно никто не любит писать руками. Все четыре случая объединяет одно — результат легко проверить, и это не совпадение.

Какие задачи отдают ИИ чаще всего?

У K2 Cloud и Хабра получилась бухгалтерская картина: код — 59,1%, документация — 51,1%, прототипы — 43,7%. Дальше идут поиск ошибок и работа с данными.

По людям картина другая. SkillStaff (более 1000 респондентов) выяснил: 74% ИТ-специалистов используют ИИ ежедневно или несколько раз в неделю, а для написания кода его применяют только 25%, для поиска багов и автотестов — 29%. Три четверти аудитории уже внутри, но три четверти работы остаются за пределами генерации кода. И только у 30% компаний есть внятные гайдлайны по ИИ и перечень разрешённых инструментов. У остальных разработчик выбирает инструмент сам, чаще всего молча.

Там, где ИИ встроили официально, цифры выше. VK и JUG Ru Group опросили более 700 участников: 95% российских Java-разработчиков пользуются ИИ-инструментами, 53% — ежедневно. Ассоциация «ФинТех» сообщает, что 96% лидеров российского финтех-рынка применяют ИИ в разработке, а вайб-кодинг используют 68% компаний. В «Т-Технологиях» ИИ-агентами пользуются 85–90% разработчиков. Масштаб виден и по экосистеме: в GitHub Octoverse насчитали 1,1 млн публичных репозиториев с LLM SDK — рост на 178% за год.

Расхождение между «74% используют» и «25% пишут код с ИИ» — самое интересное в этих данных. Нейросеть для разработки в большинстве команд пока означает не «агент пишет код», а «агент отвечает на вопросы, ищет баги в чужом коде и пишет документацию». Это честный портрет текущего применения — и, кстати, самый безопасный вход для новичка.

Anthropic в том же отчёте разделил режимы работы: в инструменте для разработки 79% диалогов — автоматизация, то есть модель делает задачу сама, а в обычном чате таких 49%. Разрыв объясняет, почему агент в редакторе и ассистент в браузере ведут себя как разные продукты, хотя модели внутри похожи.

С ИИ для разработки приложений логика та же, только масштаб другой: задач больше, а этапы те же. Разница в том, что на длинном проекте цена неверного решения растёт быстрее, чем экономия часов.

Почему 90% используют ИИ, а 30% не доверяют коду?

DORA 2025: 90% техспециалистов используют ИИ, более 80% отмечают рост продуктивности, 30% почти или совсем не доверяют сгенерированному коду. Противоречия нет. Продуктивность растёт на одних задачах, недоверие живёт на других.

GitHub в феврале 2026 оценил эффект внедрения ИИ-ассистентов в 20–30% прироста пропускной способности — и там же добавил оговорку, которую стоит перечитать: «архитектурный дрейф может накапливаться быстрее без правильных ограничителей». Скорость растёт сразу, структура проседает медленно и незаметно. К моменту, когда это видно, переделывать дорого.

Anthropic в отчёте Economic Index посчитал успешность задач: по разработке — 61% против 78% для личных задач. Разница в 17 пунктов — это цена контекста. В личной задаче ошибиться не страшно, в рабочей за ошибкой стоят чужой код, чужие ожидания и прод.

DORA формулирует то же одной строкой: ИИ работает как усилитель и множит уже существующие сильные и слабые стороны организации. Где есть тесты, ревью и CI — агент ускоряет. Где их нет — он ускоряет накопление техдолга.

Что важнее: модель или контекст?

Разница в 17 пунктов между рабочей и личной задачей из отчёта Anthropic — это разница в контексте. Модель одна и та же, а результат разный, потому что в одном случае у неё есть файлы проекта, история решений и правила команды, а в другом — только строка запроса.

Отсюда вывод, который расстраивает любителей сравнивать модели по бенчмаркам: вложения в контекст дают больше, чем смена модели. Держите проект открытым агенту, а не пересказывайте структуру словами. Опишите правила один раз там, где агент их точно прочитает. Не начинайте новый диалог на каждую мелочь — вместе с историей теряется всё, что вы уже объяснили.

Размер контекста упирается в лимит модели. У DeepSeek V4 Pro и V4 Flash на AgentHere это 1 048 576 токенов: хватает, чтобы держать в работе заметный кусок репозитория, а не один файл. Поэтому десктопный агент читает папку целиком, а не то, что вы успели вставить в окно чата.

Есть и обратная сторона. Облачный агент отправляет содержимое файлов на сторону — такова цена работы с большой моделью. Кто не готов её платить, ставит модель локально: opencode штатно настраивается на Ollama, LM Studio и llama.cpp. Тогда код не покидает машину, но требования к железу и качество ответов будут другими.

Как понять, что ИИ действительно ускорил работу?

Есть тест, который стоит провести до того, как звать агента на весь проект: возьмите пять типовых задач и замерьте время до и после. Не ощущение, а время — от «взял задачу» до «смержил».

DORA 2025 описывает механику, из-за которой самооценка врёт: ИИ множит уже существующие сильные и слабые стороны команды. Там, где есть тесты, ревью и CI, метрики растут. Там, где их нет, растёт объём кода, а качество стоит на месте — и видно это не по скорости, а по числу инцидентов.

Второй трезвый факт из опроса Stack Overflow 2025: 52% разработчиков не используют агентов или обходятся простыми инструментами, 87% обеспокоены точностью агентов, а 72% не занимаются вайб-кодингом. Это не отсталость. Это осторожность людей, которым потом поддерживать написанное.

Как это делать в AgentHere

Три пути. Выбирайте по тому, где живёт ваш код.

Десктопное приложение: агент работает с папкой проекта

Приложение ставится на Windows 10+, macOS 12+ и Linux x64, скачать можно на странице загрузки.

1. Установите приложение. Windows покажет предупреждение SmartScreen, потому что сборка не подписана: нажмите «Подробнее» → «Выполнить в любом случае». На macOS перетащите AgentHere.app в Applications и выполните в терминале sudo xattr -cr ~/Desktop/AgentHere.app. На Linux — chmod +x agenthere-electron-linux-x86_64.AppImage и запуск.
2. Войдите в аккаунт и откройте вкладку «Агенты».
3. Установите агента и начните диалог, указав папку с проектом.

Что заявлено в десктопе: агент читает код и документы в папке, вносит правки и показывает, что изменил, ведёт многошаговые задачи, помнит правила проекта, ищет в интернете. Файлы лежат у вас на диске — копировать репозиторий в чат не нужно. Клиент собран на форке opencode, требования скромные: 4 ГБ оперативной памяти минимум, 8 ГБ рекомендуется, 500 МБ на диске.

Веб-чат и облачный агент

Если ставить приложение не хочется, начните с чата. Анонимный веб-чат даёт 5 сообщений в час и историю не сохраняет. После регистрации открывается /dashboard/chat, история остаётся, а на баланс начисляют 1 000 000 токенов — однократно, не каждый месяц.

Для задач, которые должны идти без вашего участия, есть облачный агент: аренда стоит 25 000 токенов в час, это примерно 1,67 ₽, порог запуска — 75 000 токенов на балансе. Расписания живут в /dashboard/timers, и исполнителей там два на выбор: облачный агент или ваш собственный компьютер. Второй вариант переживает выключение машины — задание подождёт в очереди и выполнится при следующем подключении.

Готовые ИИ-агенты для разработки лежат в галерее: ставятся в один клик и правятся под задачу без кода.

API: подключить AgentHere к своему редактору

Если вы уже работаете в Cursor, Cline, opencode или Aider, отдельное приложение не нужно — платформа отдаёт два протокола под одним ключом:

• OpenAI-совместимый — https://agenthere.ru/v1, заголовок Authorization: Bearer ah_…;
• Anthropic-совместимый — https://agenthere.ru/anthropic, заголовок x-api-key: ah_….

Ключ создаётся в /dashboard/developer, начинается на ah_ и показывается один раз. Лимит — 60 запросов в минуту и 100 000 токенов в день на ключ. Модели: DeepSeek V4 Pro и DeepSeek V4 Flash, контекст — 1 048 576 токенов. Запрос с именем вида claude-* или gpt-* вернёт 404: таких моделей на платформе нет. Настройка по клиентам разобрана в документации, а сравнение самих редакторов — в обзоре ИИ-клиентов для кода.

Сколько это стоит

Задача с агентом — примерно 100 000 токенов, то есть около 7,9 ₽. Пакеты: Starter — 300 ₽ за 2 000 000 токенов, Plus — 900 ₽ за 7 000 000, Pro — 2 250 ₽ за 18 000 000, Scale — 8 250 ₽ за 70 000 000. Новичку первый пакет идёт со скидкой 33%: 200, 600, 1 500 и 5 500 ₽. Подписок нет, оплата разовая, в рублях, картой или через СБП, без VPN. Токены не сгорают. Актуальные условия — на странице тарифов.

Для ориентира: медианная зарплата ИТ-специалиста в России в первом полугодии 2026 года — 191 000 ₽ (Хабр, выборка 45 226 зарплат). Сравнивать её с ценой пакета напрямую нельзя, но держать в голове полезно, когда решаете, отдавать ли агенту рутину.

С чего начать за 15 минут?

1. 0–3 минуты: зарегистрируйтесь на странице регистрации и подтвердите email — после этого начислят 1 000 000 токенов.
2. 3–5 минут: откройте галерею агентов и возьмите готовый шаблон или соберите своего в /agents/create.
3. 5–7 минут: выберите канал. Код лежит локально — ставьте десктоп; нужно просто спросить — хватит /chat.
4. 7–12 минут: дайте агенту одну скучную задачу, а не всю фичу. Например: «вот файл, напиши тесты на три функции», «объясни, что делает этот модуль», «перепиши этот цикл на список».
5. 12–15 минут: посмотрите дифф. Сделано ровно то, что просили, — расширяйте задачу. Нет — проблема почти всегда в постановке, и про это есть отдельный разбор: как ставить задачу нейросети для кода.

Когда это не сработает

Нет тестов. Тогда агент не может проверить себя, а вы не отличите рабочую правку от «почти правильной». Пока тестов нет, любая скорость — это скорость накопления проблем. Начинать стоит с них, а не с агента: как тестировать код с ИИ — отдельная тема.

Высокая цена ошибки без отката. Продовые миграции, платёжный код, работа с секретами и доступами. Здесь агент годится для черновика, применять который нужно руками и с планом отката.

Легаси на незнакомом стеке. Если код работает по причине, которую никто не помнит, агент уверенно перепишет его по учебнику — и сломает именно ту ветку, ради которой всё написано.

Архитектура вдолгую. GitHub прямо предупреждает про архитектурный дрейф. Проектирование границ модулей — не та задача, где стоит экономить час.

Ночной инцидент в проде стоит отдельно. Тут важна не скорость написания кода, а понимание, что происходит: агент не знает, что менялось вчера и что обещали клиенту.

Задача, которую нельзя сформулировать словами. Если вы сами не можете описать критерий «готово», агент придумает его за вас — и это будет не то, что вы имели в виду.

Команда без ревью. ИИ для разработки проектов ломается не на генерации, а на приёмке. Если диффы от агента никто не читает, через пару месяцев вы получите работающую систему, которую не понимает ни один человек в команде.

Безопасность. Агент с правом запускать команды и ходить в сеть — ещё одна входная точка. В марте 2026 подменённый пакет LiteLLM на PyPI пролежал около трёх часов и был скачан почти 47 тысяч раз. Заражённый пакет Nx заставлял локальные CLI собрать файл с секретами. Уязвимости подстановки аргументов (CVE-2025-54795 в Claude Code, GHSA-534m-3w6r-8pqr в Cursor) позволяют агенту с «безопасными» командами дойти до выполнения произвольного кода. GitHub отдельно предупреждает про скрытые инструкции в issue и комментариях — это prompt injection, и черновик PR от агента обязан смотреть человек. По данным РБК, 4% российских компаний-разработчиков уже фиксировали атаки на рабочие ИИ-инструменты, а ещё 22% их просто не отслеживали.

Правило тут скучное и общее: ограничения важнее разрешений, а продовых секретов агент не должен видеть вообще.

Начать можно с одного дела. Откройте десктоп, дайте агенту тесты на самый скучный модуль и посмотрите дифф. Устроит результат — расширяйте задачу; подробности про права, ветки и ревью собраны в настройке ИИ-агента для кода. Не устроит — возвращайтесь к постановке, а не к смене модели. Если ваш стек пока не тянет агента, посмотрите на ИИ для 1С и помощника программиста и на нейросети для программирования — там разобраны варианты без доступа к репозиторию.

Источники

1. Хабр, K2 Cloud — топ задач для ИИ в ИТ: код 59,1%, документация 51,1%, прототипы 43,7%: https://habr.com/ru/companies/k2tech/articles/1014748/
2. DORA 2025 — баланс противоречий ИИ: https://dora.dev/insights/balancing-ai-tensions/
3. DORA — отчёт 2025 года, ИИ как усилитель: https://dora.dev/research/2025/dora-report/
4. GitHub Blog — как ИИ меняет выбор разработчиков, 20–30% прироста и архитектурный дрейф: https://github.blog/ai-and-ml/generative-ai/how-ai-is-reshaping-developer-choice-and-octoverse-data-proves-it/
5. GitHub Octoverse — новый разработчик каждую секунду: https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/
6. Anthropic — влияние на разработку ПО, 79% диалогов в режиме автоматизации: https://www.anthropic.com/research/impact-software-development
7. Anthropic Economic Index — успешность задач по разработке 61%: https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
8. Stack Overflow Developer Survey 2025 — ИИ: https://survey.stackoverflow.co/2025/ai
9. SkillStaff — 74% ИТ-специалистов используют ИИ, 25% — для кода: https://www.cnews.ru/news/line/2026-09-23_70_it-spetsialistov_zakryvayut
10. VK и JUG Ru Group — 95% Java-разработчиков используют ИИ-инструменты: https://www.cnews.ru/news/line/2026-08-03_95_java-razrabotchikov_ispolzuyut
11. Ассоциация «ФинТех» — 96% лидеров финтех-рынка применяют ИИ: https://www.cnews.ru/news/line/2026-09-03_96_liderov_finteh-rynka_uzhe
12. Коммерсантъ — ИИ-агентами в «Т-Технологиях» пользуются 85–90% разработчиков: https://www.kommersant.ru/doc/8973433
13. Хабр Карьера — медианная зарплата ИТ-специалиста 191 000 ₽ в 1П 2026: https://habr.com/ru/specials/1060148
14. GitHub Docs — риски и защита Copilot: скрытые инструкции в issue: https://docs.github.com/en/copilot/concepts/security-governance-and-network-settings/risks-and-mitigations
15. Хабр, OTUS — инъекция аргументов и RCE в агентах: https://habr.com/ru/companies/otus/articles/992174/
16. Хабр — подмена пакета LiteLLM на PyPI в марте 2026: https://habr.com/ru/articles/1048208/
17. Хабр — заражённый пакет Nx и сбор файла с секретами: https://habr.com/ru/articles/1071908/
18. РБК — атаки на рабочие ИИ-инструменты в российских компаниях: https://www.rbc.ru/rbcfreenews/6ab177dc9a794768ce3c3f29
19. opencode — документация открытого ИИ-агента для программирования: https://opencode.ai/docs/
20. opencode — провайдеры и локальные модели (Ollama, LM Studio, llama.cpp): https://opencode.ai/docs/providers/
21. Хабр — облачная и локальная модель: кому вы доверяете данные: https://habr.com/ru/articles/957308/