Краткое содержание

Так уж повелось, что через меня идет непрерывный поток документов и артефактов цифрового развития: стратегии цифровой трансформации, программы импортозамещения, продуктовые видения и питчи, дорожные карты, архитектурные и процессные схемы. Каждый такой документ, словно комета, тянет за собой длинный хвост технологий, платформ, инструментов и методологий. В них достойно представлен клиент, его потребности и будущая экономика - всё то, на чём предполагается зарабатывать или сэкономить. При этом почти никогда нет места для инженера, который всё это придумывает, собирает, запускает и удерживает в рабочем состоянии. Именно дефицит внимания к создателю представляется главным изъяном того, что сегодня называют цифровой трансформацией или импортозамещением. Он проявляется независимо от отрасли, компании и масштаба задачи. Когда меняются процессы, технологии, инструменты и продукты, неизбежно меняется и тот, кто всё это создаёт, зачастую радикально.

Спор о том, умеет ли ИИ писать код лучше инженера, уже отстал от практики. Нас интересует следующий переход: модели получают в управление репозитории, инструменты, тесты, среды исполнения и возможность вести длинные цепочки действий. Вместе с производительностью меняются единица результата ИТ-производства, устройство команды, экономика кода, ответственность и роль человека. Статья собирает эти изменения в одну возможную производственную модель и предлагает решить, устраивает ли она нас.

Исходное допущение

Исследование строится на одном сильном допущении: продолжение нынешней гонки моделей без существенного вмешательства человека поменяет местами ведущего и ведомого в производстве кода. Сегодня человек ставит задачи, распределяет работу и использует алгоритм как инструмент. В целевой модели алгоритм сам организует производственный поток, а человек подключается там, где системе не хватает нового различия, права на риск, легитимного выбора или ответственности.

Эта модель названа Ковчегом. Ковчег - автономная система производства кода, где оперативное управление переходит от человека к алгоритму.

Ной – интеллектуальное ядро, управляет производственным процессом Ковчега и при необходимости вызывает человека.

К каким выводам мы пришли

• Рост производительности создаёт риск перепроизводства. Модели способны быстро размножать зависимости, варианты и архитектурные решения. Так возникает Зоопарк 2.0: технологическую пестроту теперь производят и команды программистов, и машины.

• Устойчивая команда перестаёт быть единственной формой производства. Под конкретную задачу может возникать динамическая производственная сборка из людей, ИИ-агентов, моделей, программных комплексов и устройств. После получения результата она распадается или, при устойчивом спросе, закрепляется как постоянный домен.

• ИИ становится самостоятельным экономическим участником производственного контура. Он выполняет работу, масштабируется как инфраструктура и накапливает стоимость как контролируемый цифровой актив. Это меняет себестоимость разработки, распределение денег, структуру занятости и владельца производственной власти.

• Человека приходится описывать точнее должности и грейда. Приведенные в документе ролевая модель и процесс взаимодействия с Ковчегом превращают человеческий вклад в именованную, доказанную и ограниченно подключаемую способность.

• Производственная система должна воспроизводить собственного критика. Ной должен взять на себя основную учебную работу, чтобы сохранить воспроизводство будущих senior-разработчиков и источник нового и обоснованного несогласия.

Возможности и риски

Возможности новой модели значительны: резкое сокращение ручной работы, персонализация решений, доступность сложной разработки, более быстрые эксперименты и подключение человека только там, где человеческое действие действительно добавляет ценность. Для бизнеса это означает другой масштаб производства, для инженера - освобождение от большой части рутины и возможность сосредоточиться на архитектуре, смысле, исключениях и новом.

Риски возникают в той же точке. Машинная скорость может увеличить энтропию, закрепить технологическую монокультуру и унаследовать архитектурные ошибки и уязвимости. Одновременно она разрушает лестницу профессионального взросления инженера и сосредоточивает управление у владельцев моделей и вычислительной инфраструктуры. Так компании рискуют потерять годами формируемый корпоративный технологический суверенитет. Безопасность здесь охватывает код, происхождение компонентов и среду исполнения. Отдельного контроля требуют полномочия агентов, человеческий допуск, наблюдение последствий, откат и возможность остановить весь производственный контур.

Зачем это читать

Исследование показывает, как может измениться производство кода и каким будет взаимодействие человека с новой производственной системой. Описанный исход остаётся гипотезой. Его оценка - за читателем. Главный результат исследования - явная ролевая модель будущего.

Согласие с этой моделью требует заранее определить принципы работы человека, правила безопасности, происхождение кода и ответственность за последствия. Несогласие требует другого проекта производственной системы, в котором за формальным правом подписи сохраняется реальная способность понимать, оспаривать и останавливать решения модели.

Плохо это или хорошо - решать читателю. Но решать следует до того, как переворот ролей станет привычной производственной практикой. Именно для этого написана статья: сделать возможное устройство будущего видимым, назвать его дефициты и превратить общий разговор о замещении инженера ИИ-моделью в программу конкретных исследований и действий.

Как устроена полная версия

• «Предтеча» фиксирует движущееся настоящее: давление ИИ, изменение триады «программист - инструмент - код» и дефициты нынешней производственной системы.

• «Потоп» показывает сам переход: инструмент становится производителем, массовый машинный код размывает управляемость, а ИИ получает самостоятельную экономическую роль.

• «Ковчег» описывает новую конструкцию человеческого участия: доказанную способность, временное подключение, режимы рабочего времени, алгоритм взаимодействия, воспроизводство профессиональной зрелости и право человека остановить Ноя.

Материал вводит новые понятия и уточняет смысл некоторых привычных терминов. Поэтому перед основной частью зафиксированы рабочие определения.

Термины и определения

Термин

Рабочее определение

Язык модели будущего

Ковчег

Автономная система производства кода, в которой операционным производством постоянно управляет Ной. Ковчег объединяет модели, агентов, данные, память, инструменты, среды исполнения, правила, безопасность и человеческие шлюзы.

Ной

Управляющий алгоритм Ковчега и ведущий субъект операционного производства. Ной удерживает контекст, выбирает маршрут, распределяет работу, контролирует исполнение и подключает человека при дефиците способности, права на риск или легитимного выбора.

Кодовый квант

Уникальный версионированный кодовый объект с установленным происхождением, жизненным циклом и связью хотя бы с одной проверяемой потребительской возможностью.

GDC / Global Digital Code

Глобальная система сопоставимого учёта поступления, живого запаса и выбытия кода. Заказ на неё формирует ИИ, управляющий производством: человеку важен результат ИТ-системы, а модели необходимо знать происхождение, состояние, функциональную новизну и пригодность кодовых объектов к переиспользованию.

Zero артефакты

Элементы разработки, которые не исчезают буквально, но утрачивают прежние границы и обязательный статус: становятся автоматически создаваемыми представлениями, редкими исключениями или растворяются в непрерывном производственном процессе.

Know Your Coder

Принцип именованного и доказательного авторства, связывающий конкретное действие инженера с его контекстом, основаниями, последствиями и ответственностью.

Human CAN

Динамический профиль доказанных профессиональных способностей человека.

Human SLA

Условия подключения способностей человека к производственной платформе и конкретной задаче, включая контекст, мандат, результат и ответственность.

Human Sharing

Ограниченное и отзывное подключение человеческих способностей к нескольким производственным системам.

Liquid Work Time

Набор различных режимов человеческого времени внутри машинного производственного цикла.


Подход

Отправной точкой исследования служит быстро меняющийся производственный уклад. Пока вы читаете текст, часть описанных практик успевает измениться. В исследовании эта ситуация названа экспоненциальной инерционностью. Возможности ИИ растут экспоненциально и концентрируют вокруг себя почти всю повестку цифрового будущего: уже почти не слышно про блокчейн, VR, 5G и другие цифровые технологии. На марафонской трассе цифрового развития остался один бегун - ИИ. Он движется со спринтерской скоростью и всё сильнее влияет на компании и отрасли. Инерция проявляется в поведении владельцев технологий. Они втянуты в двойную конкурентную войну - межкорпоративную и межгосударственную. Каждый понимает риски, но одностороннее ограничение означает уступить конкуренту, поэтому система продолжает ускоряться даже тогда, когда основания для ограничения более чем очевидны.

История технологий предельного риска показывает два пути к самоограничению. Ядерное оружие сначала было применено, затем гонка вооружений увеличила масштаб угрозы, и лишь после этого появились соглашения о нераспространении, ограничении и стратегическом паритете. В случае клонирования человека международное сообщество попыталось провести границу раньше: Генеральная Ассамблея ООН призвала государства запрещать формы клонирования, несовместимые с человеческим достоинством и защитой человеческой жизни [1]. В некоторых областях человечеству приходится сознательно снижать скорость - после катастрофического опыта или во избежание такового. ИИ всё заметнее относится именно к этому классу технологий.

Работа сосредоточена на производственном контуре: человеке, инструменте, коде и отношениях между ними. Политическая экономика владельцев моделей остаётся за рамками, но сами владельцы определяют внешнюю траекторию. Государствам предстоит задать правовые рамки, а владельцам моделей и вычислительной инфраструктуры - принять реальное самоограничение. Их нынешняя конкуренция поддерживает ускорение и лишает систему мотивации к управляемому развитию.

В используемом подходе мы сначала аппроксимируем видимые тренды и на их основе собираем целевое видение - Dream. Из целевого состояния следуют вопросы относительно складывающейся новой системы производства:

Что она будет считать результатом и единицей учёта?

Как увидит кодовую базу и её экономику?

Как перестроит производственный контур и рабочее время?

По каким доказательствам будет различать людей, давать им доступ и принимать их вклад?

Где останутся право остановки и ответственность?

Эти вопросы задаются из будущего, но адресованы они настоящему.

Затем исследование возвращается к нормальному ходу времени и показывает условия, дефициты и развилки, проявляющиеся уже сегодня. Нынешней человекоцентричной системе достаточно укрупнённой классификации разработчика, привычной организации рабочего времени и неполного знания экономики кода. Модели ИИ, возглавляющей производство, потребуются более точные данные. Поэтому в исследование вошли только явления и гипотезы, связывающие настоящее с выбранным целевым состоянием.

Ниже следуют две карты причинно-следственных связей, показывающие, что из чего вытекает в предлагаемой модели. Первая относится к инженеру и связанным с ним изменениям, вторая - к инструменту и коду.

Материал создаётся с применением языковых моделей. Человек задаёт замысел, исходные гипотезы, направление мысли и принимает окончательные решения. Модель помогает искать источники, проверять логику и собирать рабочие версии. Распределение ролей отдельно разобрано в разделе «Роман с моделью».

Для короткого знакомства с исследованием можно сразу перейти к комиксу в конце.

Часть первая. Предтеча

Предвестники больших событий

Во второй половине 2024 года, занимаясь поиском ИТ-топ-менеджеров, я стал замечать поток сокращений архитекторов и архитектурных служб: департаменты уменьшались, растворялись в других подразделениях или исчезали совсем. В профессиональном чате, где сегодня уже около шестнадцати тысяч архитекторов, живо обсуждалось будущее профессии. И я решил сделать публичный прогноз-разгром: «ребята, посмотрите вокруг, вашей профессии кирдык». Как культурный человек, я спросил разрешения у владельца сообщества. Он не разрешил - и хорошо: предвестники я заметил верно, но их причину тогда понял слишком поверхностно.

В 2025 году российский цифровой рынок заметно охладился. Завершалась активная фаза импортозамещения, ИТ-бюджеты пересматривались, проекты откладывались, а рынок инженера постепенно превращался в рынок заказчика. Его определяла совокупность факторов: макроэкономика, стоимость капитала, завершение крупных волн цифрового заказа и ожидание эффекта от ИИ [2].

Сначала ИИ служил удобным объяснением сокращений. Причинная связь в тот момент оставалась недоказанной. К концу 2025 года сигнал стал заметнее: компании начали прямо связывать часть увольнений с перераспределением инвестиций в пользу ИИ. Изменился тон работодателя: компании начали использовать ИИ и как инструмент роста, и как основание для пересборки штата [3].

К 2026 году спор о том, вошёл ли ИИ в разработку, закончился. По исследованию JetBrains, 90 % профессиональных разработчиков использовали кодирующих агентов на работе хотя бы еженедельно, 68 % - ежедневно. Около 21 % уже генерировали с их помощью более 80 % кода. В опросе Sonar разработчики оценили долю ИИ в принимаемом коде в 42 %, но 96 % не были готовы полностью доверять его функциональной корректности. Направление движения ясно: узкое место смещается от написания кода к его проверке, встраиванию и принятию ответственности [4, 5].

Сначала я увидел сокращение архитектурных служб, затем цифровую зиму, а после - перестройку самого способа производства под влиянием ИИ. Предвестники оказались верными, но общий механизм стал понятен позже.

Триада разработки

Ничто так не радует программиста, как количество нулей после единицы.

Шутка про нули после единицы устроена удачно: программист действительно имеет дело с нулями и единицами, а рынок много лет добавлял нули к его зарплате. В период бурной цифровизации работодатели охотились за разработчиками, компании раздували штаты, а профессия постепенно привыкла считать себя дефицитной по определению. Нули сохранились, но их происхождение изменилось: теперь они всё сильнее связаны со способностью работать внутри сложной системы производства, проверки и принятия решений.

Отсюда провокационное название «Знай своё место». Его смысл в том, чтобы сначала нарисовать карту, а затем определить положение каждого участника. У разработки есть три вершины: программист, его инструментарий и кодовая база как результат труда. Сегодня человек остаётся субъектом, инструмент продолжает его руку, а код служит объектом производства. Дальше мы последовательно посмотрим, как меняется каждая вершина этой триады.

As Is: как устроено производство сейчас

Текущее производство всё ещё управляется человеком, хотя значительную часть действий уже выполняет ИИ. Человек формулирует намерение, задаёт мандат, допускает результат в эксплуатацию и отвечает за последствия. Агенты читают репозиторий, планируют изменения, вызывают инструменты, правят файлы, запускают тесты и готовят результат к приёмке. Модели уже получают связные производственные эпизоды вместо отдельных команд.

Этот срез задан вопросами из будущего и не претендует на полноту. В типовом контуре инженер работает на условиях полной занятости, часто гибридно, принадлежит устойчивой команде, описан должностью и грейдом, получает долговременные доступы и управляет несколькими агентами. В работу уже встроены кодовая база, требования, тесты, документация, технический долг и история решений. Значительная часть новой производственной мощности может принадлежать внешнему поставщику модели. Код остаётся внутри компании, а способность понимать, изменять и воспроизводить его постепенно выносится наружу. Так ускорение создаёт риск потери корпоративного технологического суверенитета.

В начале был программист

Единой классификации программистов нет, потому что разные системы отвечают на разные вопросы. Рынок труда говорит о зрелости, корпорация - о масштабе влияния, профессиональный стандарт - об ответственности и знаниях, исследователь - о фактическом способе работы. Ошибка начинается, когда один из этих срезов принимают за полный портрет человека.

Junior, middle и senior - наиболее распространённый язык рынка. Он удобен для найма и оплаты. Единого отраслевого стандарта при этом нет: две компании могут одинаково назвать людей с разной автономностью, сложностью задач и зоной ответственности. В содержательном виде эта шкала выглядит примерно так.

Уровень

Типичная работа

Самостоятельность и ответственность

Junior

Ограниченная задача с известным контуром; освоение языка, продукта и процессов

Работает с регулярной помощью, нуждается в проверке и отвечает прежде всего за корректность своего фрагмента

Middle

Самостоятельная поставка типовой функции от уточнения задачи до тестирования и выпуска

Выбирает способ реализации, оценивает компромиссы и отвечает за результат в пределах компонента

Senior

Неопределённая или межсистемная задача; архитектурные решения, риски, наставничество

Формирует рамку решения и отвечает за последствия для продукта, команды и соседних систем


Лестница junior-middle-senior смешивает глубину знаний, автономность, сложность задач и широту влияния. Поэтому одинаковый грейд не гарантирует одинаковой способности решить конкретную задачу.

Ответственность и корпоративная лестница

SFIA 9 делает следующий шаг и раскладывает зрелость на семь уровней ответственности. Каркас образуют автономность, влияние и сложность. К ним добавляются знания и поведенческие факторы. Это язык описания того, насколько далеко распространяются решения человека [6].

SFIA

Формула уровня

Что меняется

1

Следовать

Выполнение структурированной работы под близким руководством

2

Помогать

Ограниченная самостоятельность в разнообразных, но предсказуемых задачах

3

Применять

Работа под общим руководством, решение нетиповых задач, влияние на коллег

4

Обеспечивать

Существенная автономность, сложная профессиональная работа, влияние на заказчиков и партнёров

5

Гарантировать и консультировать

Широкое руководство собственной работой, авторитетная экспертиза и влияние на ресурсы

6

Инициировать и влиять

Ответственность за значимую область, политику и стратегические отношения

7

Задавать стратегию и мобилизовать

Организационная и отраслевая стратегия, максимальная ответственность и влияние


Две системы координат Microsoft

У Microsoft хорошо видны две системы координат. Корпоративная лестница описывает масштаб доверия и влияния: от Software Engineer до Principal, Partner и Technical Fellow. Исследовательская модель, построенная по интервью и опросу более 800 инженеров, описывает фактический режим работы: распределение времени, выбор задач, автономность и сотрудничество [7].

Персона Microsoft

Доминирующий способ работы

Что теряет классификация

Автономист

Самостоятельно пишет код и опирается на опыт при принятии рискованных решений

Не описывает предметную глубину и качество результата

Непрерывный ученик

Много времени вкладывает в освоение технологий и быстро входит в новую команду

Может отражать временную стадию развития

Исследователь

Анализирует, отлаживает и восстанавливает смысл чужого или сложного кода

Не показывает, создаёт ли человек новые решения

Коммуникатор

Организует сведения, встречи, письма и подготовку работы для других

Коммуникационная нагрузка может скрывать технический вклад

Интерактивный

Уточняет задачи и пишет код в плотном взаимодействии с командой

Сильно зависит от контекста проекта

Советник

Даёт обратную связь, тушит пожары и помогает другим решать сложные проблемы

Экспертность видна в результатах других участников

Командный кодер

Много пишет и проверяет код совместно, исправляет дефекты и поддерживает поставку

Не различает рутинное исправление и редкую инженерную новизну


Общий недостаток этих классификаций - крупный шаг сетки. Они не показывают, что конкретный человек умеет сделать в конкретном контексте: распознать риск, прояснить задачу, создать новое, стабилизировать чужое или ответить за машинное решение. Поэтому третья часть статьи переходит от должности к детальному динамическому профилю доказанных способностей человека.

Самая опасная трещина проходит по лестнице профессионального взросления. ИИ прежде всего забирает типовые задачи, на которых junior набивает руку, ошибается и постепенно становится middle, а затем senior. Исчезновение нижних ступеней через несколько лет создаст дефицит людей, которым можно доверить контроль над машинами. Кто тогда будет выращивать будущих старших инженеров - сами модели?

Крупный шаг классификаций скрывает конкретную способность человека внутри компании. За её пределами часто исчезает и сам автор. Так проявляется второй дефицит нынешней модели - безымянность инженерного вклада.

Автора на сцену

В фильме «Гараж» член-корреспондент Академии наук Смирновский, которого сыграл Леонид Марков, рассказывает, как во время поездки учёных на овощную базу вкладывал в пакеты с картофелем свою визитную карточку. Обычным укладчикам выдавали номер, а ему номера не дали. Оставлять свой труд безымянным он не захотел. Смешной эпизод оказывается жестом личной маркировки: даже пакет картофеля получает имя человека, готового отвечать за качество своей работы.

С программным продуктом всё устроено наоборот. Git сохраняет техническую историю, корпоративные системы - задачи и согласования, но перед пользователем обычно остаётся только имя компании. Следы внутри системы есть, а автор снаружи почти всегда безымянен.

Причины понятны: права на служебный код принадлежат компании, продукт постоянно меняется, а вклад распределён между архитектурой, кодом, тестированием, безопасностью и эксплуатацией. Но ни одна из этих причин не мешает связать конкретный человеческий вклад с именем, контекстом и ответственностью.

Именованное авторство работает в обе стороны. Оно возвращает человеку признание и превращает качество его действия в часть профессиональной репутации. Такая связь между вкладом, доверием и последствиями не переносит корпоративную ответственность на инженера.

Титры возвращают инженеру и признание, и ответственность, и персонализацию.

Первая вершина триады описана: нынешняя система слишком грубо различает способности человека и почти не показывает его имя за пределами производства. Теперь посмотрим, что происходит со второй вершиной - инструментом.

Затем инструмент

История инструмента в разработке показывает, как ему постепенно передаются всё более сильные действия. Язык и среда оформляли человеческое решение, автодополнение предлагало продолжение, ИИ-помощник генерировал, агент выполнял, оркестратор распределял работу. На каждой ступени машина забирает больше операций, но человек пока сохраняет намерение, мандат и право допуска.

Золотая линия на схеме показывает смену роли человека. На первых ступенях он сам совершает производственное действие. Начиная с агента человек всё чаще задаёт мандат, ограничивает полномочия и принимает результат.

Граница между инструментом и производителем

Помощник работает внутри отдельного шага: предлагает строку, объясняет часть кода или создаёт черновик. Агент получает цель и сам проходит связную цепочку от контекста и плана до изменения, проверки и исправления ошибки. Именно длина самостоятельно выполненной цепочки превращает инструмент в участника производства.

Автономность создаёт весь производственный контур. Harness объединяет контекст, память, инструменты, права, проверки и обратную связь. Один и тот же модельный «мозг» в чате остаётся советчиком, а внутри harness способен выполнить связный производственный эпизод.

В этой работе различаются три уровня. Модель - генеративное ядро. Агент - модель, включённая в harness и получившая инструменты, память и права. Производственная система - совокупность агентов, моделей, данных, правил и сред исполнения, способная организовать полный поток.

Фактический эффект зависит от зрелости производственного контура. Ранний эксперимент METR показывал замедление опытных разработчиков. DORA описывает ИИ как усилитель сильных и слабых сторон системы. Опросы разработчиков фиксируют разрыв между объёмом машинного кода и доверием к нему [8, 9]. Исследования расходятся в оценке величины эффекта и одновременно фиксируют смену статуса инструмента.

Для триады важен прямой результат этого перехода. Машина производит больше параллельных изменений и затрагивает больше элементов системы. Следующий объект анализа - кодовая база, принимающая новый поток.

Тёмная материя кодобазы

ИТ ведёт учёт задач, коммитов, версий и дефектов. Отдельно измеряются поток поставки, трудозатраты и стоимость владения. Компании обычно оценивают затраты и результат на уровне законченной ИТ-системы: ERP, CRM, платёжной платформы или приложения. Именно ИТ-система выполняет понятную функцию, имеет владельца, бюджет и часто признаётся нематериальным активом. Функциональная возможность, воплощённая в коде, остаётся деталью производства без самостоятельного товарного статуса.

Микросервисная архитектура уже дробила монолит на самостоятельные исполняемые элементы, а FinOps и OpenCost научились считать стоимость их исполнения. Техническая граница сервиса не совпадает с границей экономического объекта. Финансовая отчётность по-прежнему оценивает проект или актив. Заключённая в компоненте программная способность остаётся без отдельной оценки [10, 11]. Для следующего шага нужен субъект, которому важны происхождение, функциональная новизна, зрелость и возможность переиспользования элемента. Таким субъектом может стать ИИ-заказчик.

Бухгалтерская отчётность и национальные счета учитывают стоимость разработки и программные активы, но не отвечают, сколько кода создано, сколько остаётся живым и сколько выбыло [12]. Для нефти существуют добыча и запасы, для электроэнергии - выработка и потребление, для денег - потоки и балансы. Код стал производственным материалом почти всех отраслей и пока остаётся их тёмной материей.

Где живёт код

Код распределён между публичными платформами, закрытыми корпоративными и изолированными контурами, сборочными системами, пакетными реестрами и устройствами.

Ни одна площадка не видит целого: GitHub и Gitee измеряют собственные экосистемы, а Software Heritage и World of Code - доступный публичный код.

Срез доступного масштаба на октябрь 2026 года

Контур

Заявленный масштаб

Что именно считается

GitHub

Octoverse 2025

180 млн+ разработчиков; 630 млн репозиториев; 395 млн публичных и открытый код; 81,5% вкладов - в частных репозиториях [13]

Учётные записи, репозитории и активность внутри GitHub; не уникальный код

Gitee

данные 2026

14 млн+ технических пользователей; 42 млн+ кодовых репозиториев; 420 тыс.+ корпоративных клиентов [14]

Пользователи и репозитории Gitee; не весь китайский и корпоративный код

Software Heritage

декабрь 2025

27 млрд+ уникальных файлов; 421 млн+ проектов; 5 млрд коммитов [15]

Дедуплицированные объекты архива публичного кода; не действующие коммерческие системы

World of Code

V2605

350,7 млн сырых Git репозиториев; 283,6 млн проектов после разрешения форков; 7,31 млрд коммитов; 123,7 млн авторских идентификаторов [16]

Граф публичных Git объектов; авторский идентификатор не равен уникальному человеку


Их показатели нельзя складывать напрямую: форки, зеркала, зависимости и различающиеся единицы наблюдения создадут красивую, но ложную сумму.

В просмотренных системах международной статистики, стандартах и исследованиях не найден постоянно действующий контур, который одновременно определяет мировой выпуск, живой запас и выбытие кода. Работы Парнаса и Лемана давно описали старение программ. Глобальная статистика по-прежнему измеряет рост репозиториев и коммитов, оставляя переход кода из живого состояния в архив без учёта. Далее этот недостающий контур обозначен как GDC. Его устройство и возникающий у ИИ спрос на такой учёт раскрыты во второй части.

Карта дефицитов As Is

Инвентаризация показывает разрозненность исходного состояния: данных много, но они принадлежат разным владельцам, используют разные единицы и отвечают на разные вопросы. Перед разговором о будущем программиста зафиксируем шесть наблюдений и четыре нити, которые из них тянутся.

Авторская оценка дефицитов.

Что мы уже можем утверждать

1. Рынок программиста стал холоднее под совокупным влиянием макроэкономики, завершения крупных волн цифрового заказа, стоимости капитала и ИИ.

2. ИИ уже стал массовым участником разработки. Его эффект зависит от качества модели и зрелости контура: контекста, проверок, архитектуры и правил допуска результата.

3. Доступные измерения охватывают лишь часть мирового кода. Закрытый корпоративный и локальный код остаётся большой невидимой зоной.

4. Универсальная единица измерения кода не найдена. Существующие единицы описывают отдельные свойства кода, но ни одна не связывает его объём, новизну, качество и ценность.

5. Нет единой карты способностей программиста. Грейд, ответственность, масштаб влияния и рабочий стиль не показывают динамический набор способностей конкретного человека рядом с ИИ.

6. Между человеком и кодом меняется инструментальный слой. ИИ удерживает контекст, изменяет объекты и координирует подзадачи. Так он одновременно перестраивает профессию, кодовую базу и распределение производственной власти.

От наблюдений к будущему укладу

Первая нить: ИИ уже стал заметным производителем программного материала. Машинный выпуск растёт быстрее способности организации понять, проверить и встроить результат. Так формируются наблюдаемые предпосылки перепроизводства кода.

Вторая нить - машина уже работает со строкой, репозиторием, зависимостями и происхождением компонентов. Репозиторные исследования, SWHID, SPDX и CycloneDX показывают, что технический алфавит более подробного учёта существует, хотя пока служит главным образом безопасности, лицензированию, воспроизводимости и архивированию [17].

Третья нить - человек уже дробит работу между узкими ИИ-помощниками: один пишет тесты, другой проверяет код, третий ищет уязвимости, четвёртый следит за документацией. Многоагентные системы и оркестраторы превращают модель «гений и тысяча помощников» из метафоры в раннюю производственную практику [18].

Четвёртая нить - агентная организация стала самостоятельным объектом проектирования. Microsoft описывает переход к человеко-агентным командам и модели human-led, agent-operated, Google - agentic enterprise, в которой агенты встроены в операции и взаимодействуют между собой. Перед нами наблюдаемое направление движения, которое ещё не сложилось в устойчивый уклад.

Здесь заканчивается описание настоящего. Цифровое решение как новая единица результата, мировая система учёта кода, массовая персонализация разработчиков и Zero-артефакты относятся к гипотезам.

Часть вторая. Потоп

Карта гипотез

Во второй части мы переходим от наблюдаемого настоящего к гипотезам Потопа. В карту раздела вошли только предположения, меняющие инструмент, код или производственный контур. По силе основания они разделены на две группы: гипотезы с наблюдаемыми предвестниками и логические гипотезы дальнего контура. Гипотезы о человеке вынесены в третью часть - «Ковчег».

Потопом здесь назван избыток кода, вариантов, зависимостей, агентов, решений и скорости. Производственная мощность растёт быстрее способности организации осмыслить, проверить и принять результат. Поэтому прежние границы процессов, профессий, архитектурных правил и ответственности начинают размываться.

Главное качественное изменение - вероятностный характер всего контура. Одинаковый запрос может дать разные результаты. Небольшое изменение контекста способно перестроить решение, а локально удачная генерация - неожиданно изменить поведение всей ИТ-системы. Неопределённость модели передаётся ответам, траекториям выполнения, составу зависимостей и последствиям. Вода становится мутнее.

Гипотезы с наблюдаемыми предвестниками

Эти предположения уже опираются на исследования, практики компаний, устройство современных инструментов или наблюдаемые изменения производственного контура. Предвестник показывает начало движения. Неизбежность результата требует отдельных доказательств.

1. Первый риск машинной генерации - перепроизводство кода.

2. Главное узкое место переместится от написания кода к контексту, приёмке, интеграции, эксплуатации и праву разрешить выпуск.

3. Единые модели поднимут среднее качество, но одновременно начнут выравнивать продукты, способы реализации и способы мышления. В массовом сегменте различимость продуктов, а вместе с ней и содержательная конкуренция, могут стремиться к нулю.

4. Локально правильная машинная генерация увеличит системную энтропию и создаст технологический зоопарк нового поколения.

5. ИИ-заказчику понадобится универсальная учётная единица кода с атрибутами происхождения, функциональной новизны, зрелости, качества, безопасности и возможности переиспользования.

Логические гипотезы дальнего контура

У следующих гипотез пока нет достаточного числа прямых наблюдений. Они основаны на связях между уже видимыми явлениями: ростом машинной генерации, дефицитом проверенного нового, агентной оркестрацией и изменением единицы результата. Их задача - обозначить контур, который предстоит проверять.

6. Автономность перестанет означать изоляцию: автономным станет контур, способный самостоятельно создавать необходимые связи с людьми, агентами, моделями, данными и устройствами.

7. Единицей результата станет проверяемое цифровое решение - decision, собранное из кода, моделей, данных, правил и полномочий и получившее право изменить состояние реального объекта.

8. Постоянную команду дополнит динамическая производственная сборка под конкретную задачу.

9. Потоп размоет самостоятельность привычных производственных артефактов. Одни растворятся внутри непрерывного производственного контура, другие уйдут на дно как артефакты прежнего уклада.

10. ИИ-агент станет одновременно производительной силой, средством производства и нематериальным активом. Его стоимость будет определяться затратами и местом в сети производственных взаимодействий.

Далее гипотезы раскрываются по причинной цепочке преобразования производственной системы.

Инструмент становится производителем

В начале статьи у нас была простая триада: программист, инструмент и кодовая база. Человек ставил задачу, инструмент помогал, код оставался результатом. Потоп начинается в момент, когда инструмент одновременно производит код, оценивает его, распределяет работу, выбирает исполнителя и формирует следующий шаг. Формально он всё ещё находится посередине. Фактически начинает управлять двумя другими вершинами.

Смена ведущего не произойдёт одним релизом. Сначала человек руководит множеством узких агентов. Затем оркестратор предлагает план, а человек его утверждает. На следующих ступенях увеличиваются самостоятельность машинного контура и число решений, принимаемых без ручного сопровождения.

Модель взрослеет в harness

В Потопе harness становится механизмом взросления модели: удерживает состояние задачи, дозирует контекст, управляет инструментами, памятью, правами, sandbox, проверками и обратной связью. Вероятностная генерация получает память, контроль и способность продолжать работу после ошибки [19].

Поэтому зрелость ИИ-разработки нельзя оценивать только по названию модели. Один и тот же модельный «мозг» в разных harness способен показать радикально разную производительность, устойчивость и самостоятельность.

Практики OpenAI, Anthropic и Google различаются деталями и сходятся в разделении ролей. Человек задаёт намерение, ограничения и критерии приёмки. Harness удерживает условия производства. Модель действует через доступные инструменты. Производителем становится вся связка «модель + harness + инструменты + среда исполнения». Её зрелость определяется объёмом проверенного результата, который она способна довести до эксплуатации без ручного сопровождения каждого шага.

Новое узкое место

Рост производительности перемещает узкое место. Пока код в основном создавал человек, ограничением была скорость разработки. Когда модели и агенты начинают выпускать изменения быстрее, чем организация способна их понять, проверить и принять, дефицитом становятся контекст, приёмка, интеграция, эксплуатация и право разрешить выпуск.

Так возникает перепроизводство кода. Широкий поток генерации упирается в узкую горловину промышленного контура: непринятые изменения накапливаются, конфликтуют между собой и частично устаревают ещё до промышленной эксплуатации. Скорость отдельного участка не ускоряет весь конвейер. Поэтому производительность новой разработки придётся измерять пропускной способностью проверенных цифровых решений, дошедших до полезного действия.

Результат выходит за пределы кода

Код формируется на всём цикле работы программиста: от поиска контекста до интеграции результата.

Чтение чужого кода, поиск нужного контекста, проектирование изменения, отладка, ревью, тестирование, интеграция и обсуждение требований - разные ветви одного процесса создания и изменения программного продукта. Каждая из них влияет на то, каким будет код и сможет ли он работать внутри ИТ-системы. При этом границы роли различаются: в одной компании архитектуру и сопровождение берёт на себя разработчик, в другой - отдельные специалисты. Поэтому усреднённая доля «времени на кодирование» даёт ложную точность и плохо переносится между командами, продуктами и стадиями жизненного цикла. Для нашего анализа важна лестница результата:

Код → ИТ-система → цифровое решение.

На уровне труда программиста результат материализуется в коде и связанных с ним изменениях. На уровне компании код собирается в ИТ-систему, которая обеспечивает устойчивую функциональность. На уровне клиента ценность возникает только тогда, когда ИТ-система помогает принять и исполнить цифровое решение - decision, изменяющее состояние бизнеса, человека или физического объекта. Данные здесь служат сырьём, код - производственным материалом, ИТ-система - механизмом, а цифровое решение - тем, ради чего работает весь контур.

Сегодня компании умеют перечислить ИТ-системы, репозитории, модели и наборы данных. Полный реестр цифровых решений встречается редко. Сведения о предложенном действии, данных, контексте, полномочиях, исполнении и воспроизводимости цепочки рассеяны между журналами, задачами и людьми.

Машинный заказчик меняет точку зрения

ИИ создаёт мотив изменить единицу наблюдения. Производителю нужен контроль происхождения и качества быстро растущего массива изменений. Потребителю нужна способность отличать оригинальную функциональность от копии и живую возможность от синтетического шума. Оркестратору нужна карта проверяемых возможностей и человеческих дефицитов.

Для ИИ законченная ИТ-система сохраняется как экономический и эксплуатационный объект. Исследования генерации на уровне репозитория показывают, что без полного контекста зависимостей модель легко создаёт локально правдоподобный, но системно неверный код. Для переиспользования знания человеческой этикетки «CRM» или «ERP» недостаточно: модель разбирает ИТ-систему на компоненты, интерфейсы, функции, зависимости и происхождение.

Зачатки детализации уже существуют. SPDX описывает пакеты, файлы и фрагменты, связывая их с происхождением, лицензиями и уязвимостями. CycloneDX представляет компоненты, сервисы, зависимости и историю создания. SWHID устойчиво идентифицирует программные объекты по содержимому [20, 21]. Пока этот алфавит обслуживает безопасность поставки, лицензирование, воспроизводимость и архивирование. Будущая система учёта кода может использовать его шире.

Рынок, на котором модели смогут находить, проверять, покупать и переиспользовать кодовые объекты, появится не сразу. Сначала вероятнее возникнет машиночитаемый реестр происхождения, зрелости, качества, лицензий, безопасности и пригодности кодовых объектов к повторному использованию. Затем появятся платформы обмена проверяемыми способностями. ИТ-система останется экономическим объектом для человека, а отдельный кодовый объект станет объектом управления для ИИ.

Точка внимания человека - законченная ИТ-система. Точка внимания машинного контура смещается к функциональному элементу вместе с контекстом, который позволяет его проверить и переиспользовать.

Квант кода

Строка кода столь же ненадёжна, как число букв в книге: результат зависит от языка, стиля, автогенерации и форматирования. Токен измеряет вычислительный расход модели. Коммит - событие изменения, похожее на бухгалтерскую проводку. В предлагаемой модели учёта мы соединяем три регистра: содержание, функцию и стоимость.

Контур

Натуральная единица

Что отвечает

Что фиксируется

Регистр содержания

Уникальный кодовый объект

Что именно существует и не посчитано ли оно дважды

Хэш содержимого, происхождение, версия, состояние жизненного цикла

Регистр функции

Проверяемая единица возможности

Какой самостоятельный результат способен дать код

Контракт входа и выхода, тест или иное свидетельство работоспособности

Стоимостный регистр

Денежная оценка

Сколько стоило создать и поддерживать актив и какую ценность он создаёт

Затраты, восстановительная стоимость, доход или иная модель оценки


Для регистра содержания уже есть почти готовая инфраструктура. ISO/IEC 18670:2025 описывает SWHID - устойчивый идентификатор программного артефакта, вычисляемый из содержимого. Он позволяет проверять целостность и дедуплицировать объекты. Измерение заключённого в них смысла остаётся отдельной задачей [22].

Для функции существует важный прецедент - COSMIC Function Point, стандартизированный ISO/IEC 19761. Он измеряет перемещения данных независимо от языка, но ограниченно применим к сложным алгоритмам, самообучающимся системам, симуляциям, аудио и видео. COSMIC подтверждает сам принцип функционального измерения. Всемирную единицу смысла ещё предстоит создать [23].

Рабочее публицистическое название универсальной учётной единицы - кодовый квант: уникальный версионированный объект с установленным происхождением, состоянием жизненного цикла и связью хотя бы с одной проверяемой возможностью. Будущий стандарт должен определить гранулярность кодового кванта: пакет, компонент, сервис или иной объект поставки.

Коммит - это проводка. Кодовый объект - то, что поставлено на учёт. Проверяемая возможность - то, ради чего этот объект существует.

GDC и глобальный учёт кода

Global Digital Code - глобальная система учета кода. Название Global фиксирует всемирный масштаб совместимости. Единого мирового хранилища для этого не требуется. GDC представляет баланс трёх величин: поступления, наличия и выбытия кода.

• Поступление кода - объём нового и существенно изменённого кода, который за период поставлен на учёт и введён в эксплуатацию или поддержку.

• Запас живого кода - весь код, который на отчётную дату находится в эксплуатации или поддерживается и создаёт проверяемую функцию.

• Выбытие кода - объём кода, который за период удалён, замещён, выведен из поддержки или функционально устарел.

Эти три показателя образуют баланс: запас на начало периода плюс поступление минус выбытие равен запасу на конец периода. GDC в таком прочтении - глобальная система согласованных показателей производства, наличия и выбытия кода.

Такой учёт, вероятнее всего, возникнет поэтапно. Сначала появится внутренний управленческий учёт происхождения и жизненного цикла кода. Затем сформируются совместимые отраслевые правила обмена. Последним этапом может стать страновая и международная статистика. Публичные архивы, платформенные агрегаты и закрытая корпоративная отчётность смогут участвовать в нём без создания единого мирового хранилища.

Новый код может быть дубликатом, ошибкой или сгенерированным шумом. Старый код способен хранить редкую и по-прежнему ценную механику. Для развития ИИ важна подтверждённая прибавка способности: новая функция, новый доменный случай, исправленная ошибка или необычная архитектурная связь. Причём код - лишь часть рациона: спецификации, тесты, трассы исполнения, инциденты и обратная связь иногда объясняют функцию лучше исходника.

Вопрос «есть ли у модели еда?» превращается в более точный: есть ли поток новых, проверенных и доступных для обучения возможностей, которых ещё нет в её рабочем опыте.

Великое выравнивание

Большая языковая модель напоминает консультанта, который знает множество лучших практик и редко начинает с чистого листа. Она предлагает наиболее вероятный ход, знакомую архитектуру, распространённую библиотеку и уже встречавшийся способ реализации. Для отдельной компании это поднимает средний уровень. Для рынка в целом возникает другой эффект: продукты начинают сближаться.

До ИИ цифровая среда оставалась одним из немногих пространств, где новый канал, интерфейс или алгоритм мог быстро создать заметное отличие. Теперь один и тот же интеллектуальный слой помогает тысячам компаний искать идеи, писать тексты, проектировать интерфейсы и создавать код. Чем успешнее этот слой тиражирует лучшие практики, тем быстрее они превращаются в шоколадку, которую уже кто-то ел.

Рынок формально сохраняется, но содержательная конкуренция слабеет. На цифровой полке оказываются пятнадцать продуктов хорошего качества, собранных из одних лучших практик, говорящих одним языком и предлагающих почти одинаковый пользовательский опыт. Это уже произошло со многими товарами реального мира: различия между ними всё чаще сводятся к упаковке. Искусственный интеллект способен перенести такое выравнивание в цифровую среду - пространство, где необычная идея ещё могла быстро стать устойчивым конкурентным преимуществом.

В этих условиях меняется источник конкурентного преимущества. Стандартную реализацию дешевле получить у модели. Поэтому ценность смещается к новому предметному знанию, уникальным данным, необычному пониманию человека и способности сформулировать задачу, которой ещё нет в машинном опыте. Передача ИИ и этих источников сохранит высокий средний уровень, одновременно сократив число настоящих переходов.

Для самих моделей такое состояние тоже опасно. Обучение на результатах других моделей усиливает повторяемость и постепенно замыкает машинный контур на собственном прошлом. Машина получает всё больше правильных ответов на известные вопросы и всё меньше материала, способного изменить само пространство вопросов.

Кто сможет возвращать цифровым продуктам различимость, когда лучшие практики станут массовыми, и каким образом? Во второй части достаточно зафиксировать этот риск. Носителя различия мы будем искать в «Ковчеге».

Выравнивание затрагивает и привычные артефакты производства: машинный контур способен заново собирать решение под конкретную задачу, снижая их значимость.

Zero артефакты

Привычные артефакты вырождаются: перестают быть самостоятельными и обязательными, автоматически создаются из состояния производственного контура либо сохраняются как редкое исключение. Термин Zero обозначает предельное уменьшение роли артефакта. Его буквальное исчезновение остаётся крайним случаем.

Zero UI. Интерфейс останется там, где человеку действительно нужно увидеть, выбрать или подтвердить. В типовом сценарии человек сообщает намерение, после чего ИТ-системы и агенты взаимодействуют напрямую.

Zero Application. Пользователь перестаёт открывать отдельное приложение и получает нужную способность, собранную в моменте из сервисов, данных и моделей.

Zero Requirements и Zero Backlog. Потребность сохраняется. Отдельный документ требований и склад заранее сформулированных задач перестают быть обязательными. Машинный контур получает намерение и ограничения, сам обнаруживает отклонения и формирует изменения.

Zero Handoff. Задача больше не обязана последовательно путешествовать от бизнеса к аналитику, архитектору, разработчику, тестировщику и эксплуатации. Один агентный контур способен провести её через весь жизненный цикл.

Zero Framework. Каркас становится изменяемой конструкцией вместо однажды выбранной долговечной основы. Модель может собрать локальный фреймворк под задачу, переиспользовать его элементы и отказаться от него после завершения работы.

Zero Release. Релиз перестаёт быть отдельным событием: изменение непрерывно создаётся, проверяется, вводится в эксплуатацию, наблюдается и при необходимости откатывается.

Zero Org Chart. Юридическая иерархия сохранится, всё хуже описывая реальное производство. Фактическая организация станет видна на временной карте взаимодействий людей, агентов, моделей и устройств.

То же происходит с документацией, тестированием, проектами и управлением. Документация всё чаще генерируется из состояния ИТ-системы, тестирование растворяется во всём цикле, границы проекта становятся временными, а управленческая часть менеджмента уходит в машинную координацию.

Потоп лишает эти объекты права считаться постоянными и отдельными.

Зоопарк 2.0

Зоопарк 1.0 создавали люди. Команды выбирали разные языки, платформы и фреймворки, годами строили собственные решения и постепенно накапливали несовместимость. Архитектурные стандарты, платформы и общие компоненты научились сдерживать эту сложность.

Зоопарк 2.0 создают машины. Агент под каждую задачу способен собрать локально разумный каркас, сервис или одноразовую зависимость. За одну ночь возникают тысячи похожих, но не тождественных реализаций. Описанное выше сходство продуктов может сочетаться с технологической пестротой внутри компаний. Восстановить происхождение решений становится всё труднее.

Незрелость модели проявляется в целостности системы. Ограниченный контекст мешает ей отличать временное изменение от стратегического и учитывать историю компромиссов ИТ-системы. Стоимость будущего сопровождения остаётся за компанией.

Поэтому наряду с производительностью понадобится измерять индекс генеративной энтропии. Он учитывает, насколько разрастаются зависимости и технологии, дублируются функции и расходятся архитектурные паттерны. Дополнительно измеряются доля неподдерживаемых компонентов, время восстановления контекста и стоимость последующей унификации. Такие метрики показывают скорость, с которой разрастается внутренний зоопарк.

Возможный сценарий при развитии контроля.

Провал управляемости

Зоопарк 2.0 описывает структурное размножение решений. На следующем уровне возникает провал управляемости: с ростом числа одновременных машинных изменений всё труднее восстановить их происхождение, проверить совместимость с архитектурой и предсказать поведение ИТ-ландшафта. Производительность начинает опережать безопасность и управляемость.

У провала безопасности два слоя. Первый связан со средой исполнения: правами агента, доступом к данным, изоляцией, цепочкой поставки и возможностью остановить действие. Второй находится в самом результате: модель наследует уязвимости и архитектурные ошибки кодовой базы, воспроизводит небезопасные образцы и добавляет новые дефекты. Поэтому контроль должен сопровождать весь цикл: происхождение контекста, генерацию, зависимости, исполнение, наблюдение и откат. Финальный тест закрывает лишь часть этого риска.

Снижаются связность системы, предсказуемость изменений, воспроизводимость сборки, наблюдаемость, сопровождаемость и надёжность. Одновременно растут технический долг и утрата человеческого понимания того, как всё устроено.

Этот провал, вероятно, станет особенностью ранней фазы генеративной разработки. Возможности производства уже резко выросли, а механизмы контроля, стандарты и архитектурные ограничения ещё формируются. Энтропия возникает именно в этом зазоре - между новой мощностью и прежней системой управления производством кода.

Размывающаяся ответственность

Пока инструмент был пассивным, цепочка ответственности выглядела привычно. Разработчик вносил изменение в код, руководитель принимал работу, компания выпускала ИТ-систему. ИИ добавляет в эту цепочку участника, который предлагает архитектуру, пишет значительную часть кода, исправляет собственные ошибки и иногда координирует других агентов. Юридически он остаётся инструментом. В системе производства кода его роль уже шире.

Владелец модели обычно ограничивает ответственность условиями сервиса. Разработчик не способен объяснить происхождение каждого машинного результата. Руководителю доступен итог без полного пути его получения. Компания остаётся лицом перед клиентом и государством, хотя значительная часть фактического производства вынесена в чужой интеллектуальный контур. Чем автономнее этот контур, тем заметнее разрыв между контролем и ответственностью.

Потоп показывает сам разрыв и оставляет открытым вопрос, кто получит право разрешать, останавливать и подписывать машинное решение. Этот вопрос о профессиональной дееспособности человека рассмотрим в третьей части.

Контуры новой производственной системы

В автономной организации управленческий цикл замыкается на результат и обратную связь, включая предусмотренные подключения человека. Агентный контур обнаруживает событие или отклонение, формулирует задачу, собирает исполнителей, распределяет полномочия, проверяет результат, наблюдает последствия и запускает следующее изменение. Человек задаёт цель, мандат и человеческие шлюзы, но производственный цикл уже не ждёт его ручного действия на каждом шаге.

Базовым объектом управления становится проверяемая производственная способность. Она соединяет код, модели и данные с инструкциями, API и тестами. Политики и полномочия задают границы действий, а обратная связь из эксплуатации показывает результат. Код остаётся материалом, цифровое решение - результатом, а производственная способность - управляемым активом, который воспроизводит этот результат в заданных пределах риска.

От устойчивой команды к временной производственной сборке

Классическая команда собиралась вокруг продукта или проекта и существовала месяцами и годами. Агентное производство позволяет собирать под конкретную задачу временную конфигурацию людей, агентов, моделей, программных способностей и устройств.

Такая сборка возникает вокруг события или потребности, получает контекст и полномочия, производит изменение, наблюдает его последствия и распадается. Постоянно востребованная конфигурация со временем стабилизируется и может превратиться в домен.

Автономная организация будущего выглядит как конвейер временных сборок, возникающих в ответ на поток внешних и внутренних событий. Постоянная структура сохраняет правовую и ресурсную рамку, а производственная конфигурация меняется вместе с задачей.

Экономика машинного производства

В привычной экономике эти роли разведены: человек выполняет работу, инфраструктура обеспечивает производство, а контролируемый актив приносит доход. ИИ способен занять все три позиции. Он участвует в создании результата как производительная сила, многократно используется как средство производства и при наличии контроля превращается в капитализируемый нематериальный актив.

В рабочем контуре агент выполняет задачи, за секунды подключается к сотням процессов, поддаётся донастройке, замене и включению в более сложные системы. Созданная способность становится активом компании только там, где она контролирует модель или маршрут её замены, память, harness, данные и права доступа. При зависимости от внешнего поставщика часть производственной мощности и стоимости остаётся за пределами компании.

Как актив агент имеет цену использования и стоимость для владельца. Два агента с похожими функциями могут по-разному капитализироваться из-за репутации, качества, числа подключений, места в критических процессах и накопленного контекста. Агентная экономика начинается с появления цифровой способности, для которой можно считать доходность, риск, срок полезного использования и стоимость замещения.

Для работы агентной экономики нужны идентификация агентов, машиночитаемые права, контракты, репутация, аудит, расчёты и страхование риска. Публичные концепции Frontier Firm и agentic enterprise уже показывают отдельные элементы этого перехода.

Кому платить за работу машины

Замена человеческого труда средствами ИИ меняет штат и направление денежных потоков. Зарплата превращается в оплату модели, вычислений, данных и инфраструктуры. Деньги, которые раньше распределялись между большим числом специалистов и возвращались на потребительский рынок, концентрируются у владельцев производственного контура. Для отдельной компании это снижение себестоимости. Для экономики - кардинальное изменение направления денежных потоков.

Модели обучены на общественно-профессиональном наследии, созданном миллионами людей. Отсюда неудобный вопрос: кому принадлежит возникающая прибавка производительности? Можно ли считать её исключительно доходом владельца модели или часть выгоды должна возвращаться профессиональному сообществу в виде обучения, отраслевых фондов либо ИИ-дивиденда? Готового ответа у нас нет, но без этого вопроса разговор о будущем занятости остаётся бухгалтерией одной корпорации.

Универсальный базовый доход - самая известная из нескольких развилок. Для программной отрасли возможны фонды воспроизводства квалификации, оплата обучения новых специалистов, отчисления за использование открытого кода и поддержка людей, создающих новую функциональность в разных предметных областях.

За какое человеческое участие следует платить после обесценивания массового производства синтаксиса? Ответ зависит от того, какие дефициты машина не сможет закрыть сама.

Дефицит проверенного нового

Мир постоянно создаёт задачи, для которых ещё нет хорошего программного решения: новые отрасли, научные методы, материалы, способы лечения, формы образования и требования безопасности. Это растущее поле цифровых возможностей.

Навстречу ему движется поток нового проверенного кода. В него входит только подтверждённая способность, которой раньше не было. Повторение известного, непроверенная генерация, недоступный для переиспользования и быстро устаревающий код остаются за пределами.

Когда потребность в неизвестной функциональности растёт быстрее такого прироста, возникает дефицит проверенного нового. Некоторое время модели закрывают его комбинацией накопленного опыта. Затем предел становится человеческим: машине требуется новое предметное различие, которого ещё нет в коде и данных. С этого места начинается «Ковчег».

Часть третья. Ковчег

Для чего автономной системе производства кода нужен конкретный человек? Начнём с Ковчега и Ноя: как устроено производство, что умеет его управляющее ядро и где ему требуется человек. Затем разберём пять гипотез о роли инженера, условия его участия и границы управления. Завершим раздел программой проверки этих гипотез.

Ковчег и Ной

Ковчег - вся автономная система производства кода. В неё входят модели и агенты, данные и память, инструменты и среды, в которых запускают и проверяют код. Правила доступа и безопасности определяют, кто и что может делать. Экономические цели задают ориентиры, а человеческие шлюзы отмечают точки, где для следующего шага требуется решение человека. Сегодня человек обычно сам ставит задачи, распределяет и принимает работу, даже если часть работы поручает агентам. В Ковчеге этот процесс постоянно ведёт Ной.

Ной - управляющий алгоритм Ковчега. Он держит в поле зрения задачу целиком, выбирает порядок действий, распределяет работу между агентами и проверяет результат. Когда нужно увидеть то, чего ещё нет в данных, привлечь опыт из другой области или принять решение с последствиями, на которые система не уполномочена, Ной обращается к человеку. Конечная цель, границы допустимого и право остановить процесс остаются у людей. Эти границы задают собственник, клиент, закон, профессиональные нормы и общество.

Возможные точки подключения человека.

Ной: SWOT-анализ

Сильные стороны

• Удерживает контекст всей производственной системы.

• Координирует модели, агентов, инструменты и людей.

• Быстро перераспределяет работу и перестраивает маршрут.

• Обнаруживает дефицит собственной способности и подключает человека.

• Превращает успешный эпизод в правило, тест или новую способность системы.

Слабые стороны

• Зависит от полноты данных и качества заданных критериев.

• Может действовать с высокой уверенностью, опираясь на неполный или ошибочный контекст.

• Способен оптимизировать локальные показатели, потеряв исходный смысл.

• Не обладает самостоятельной легитимностью определять допустимые последствия.

• Затрудняет установление ответственности в длинной цепочке машинных решений.

Возможности

• Освобождать человека от рутины и подключать его там, где требуется человеческое различие.

• Создавать временные команды под конкретную задачу.

• Ускорять производство кода без линейного расширения штата.

• Накапливать проверенное знание и переиспользовать удачные решения.

• Одновременно развивать человека и Ковчег через механизм двойного апгрейда.

Угрозы

• Ложное доверие к автоматике и запоздалое вмешательство человека.

• Утрата человеческой квалификации из-за отсутствия практики.

• Распространение одной ошибки на весь производственный контур.

• Централизация власти, данных и права распределять работу.

• Подмена общественных и профессиональных норм внутренними метриками системы.


Почему автономный цикл не замыкается

Автономность ограничивают шесть обстоятельств. В данных может отсутствовать пример будущей потребности, а локальное решение может противоречить общему результату. Выбор осложняют столкновение ценностей и недостаток полномочий. Некоторые последствия необратимы, а обратная связь приходит с задержкой. Разбор исключений даёт материал для новых правил, проверок и навыков системы. По мере роста автономности меняется и круг рисков.

Практика 2025-2026 годов уже показывает этот сдвиг. Агентам поручают более длинные цепочки действий, а человек всё чаще задаёт цель и ограничения, готовит рабочую среду, способы проверки и разбирает исключения. OpenAI и Anthropic подчёркивают значение такой среды, журналов действий и проверок результатов.

Пять гипотез о программисте

Гипотеза

Зачем

Что меняется

Как

Кто

Know Your Coder!

Связать доверие с ответственностью

Статус и авторство

Именованный эпизод и подпись

Клиент, кодер, Ной

Human CAN

Выбирать по подтверждённым способностям

Профессиональная идентичность

Портфолио доказанных эпизодов

Ной и специалист

Human Sharing

Получать нужное воздействие без владения человеком

Принадлежность одному производству

Ограниченный доступ через Human SLA

Несколько Ковчегов и человек

Liquid Work Time

Совместить машинную скорость с человеческим вниманием

Режим труда и оплаты

Готовность, действие и отключение. Бюджет внимания.

Оператор, эксперт, создатель

Источник нового и критик

Не уничтожить будущий источник нового и несогласия

Обучение и воспроизводство зрелости

Симуляция, теневое производство, прогрессивный мандат

Ной, наставник, ученик


1. Know Your Coder меняет статус человека

Know Your Coder! (KYC) продолжает линию «Автора на сцену» из первой части. Имя инженера позволяет связать его вклад с конкретным решением, полномочиями и ответственностью. Оно помогает выяснить, кто вправе возразить, кто допускает решение к работе и сколько стоит участие специалиста.

Заказчику важно знать, кто внёс критическое изменение в его систему. Инженеру - понимать задачу клиента и последствия решения. Ною нужно знать обоих настолько хорошо, насколько требует риск. Авторство типовой реализации может оставаться за Ковчегом. В эпизоде высокого риска подпись связывает решение с его автором, полномочиями и основанием допуска.

Репутации для этого мало. Know Your Coder опирается на подтверждённые рабочие эпизоды.

Поле эпизода

Что фиксируется

Граница вывода

Контекст и развилка

Данные, ограничения и варианты, доступные до решения

Вывод относится к этому домену. Перенос проверяется отдельно.

Действие и основание

Что сделано и почему до появления результата

Качество решения и влияние обстоятельств оцениваются отдельно.

Последствия и разбор

Эффект, пропущенные сигналы, альтернативные исходы и вывод

Оценка касается конкретного действия в этом эпизоде.

Срок и переносимость

Когда получено доказательство, где повторилось и где не сработало

Вывод действует в подтверждённых условиях и пересматривается со временем.


Continuous Assessment здесь означает регулярное обновление профиля по согласованным рабочим и учебным эпизодам. Человек видит, на чём основан вывод, может добавить контекст и оспорить оценку. Применяя ИИ для оценки персонала, уже сегодня проверяют связь оценки с рабочими задачами, её воспроизводимость и возможную предвзятость. Основания решения должны быть доступны для проверки [24].

Условие подтверждения. Для подтверждения гипотезы именованное авторство и профиль рабочих эпизодов должны улучшить обоснованность допуска, разбор ошибок и доверие. Сравнение проводится с подходом, опирающимся на должность и репутацию.

2. Human CAN - профиль возможностей инженера

Должность коротко описывает профессиональную биографию. Для конкретной задачи Ною нужно знать больше: что инженер уже доказывал на практике, в какой области, при какой цене ошибки и куда этот опыт можно перенести. Это и показывает Human CAN - обновляемый профиль возможностей.

У профиля как минимум три измерения. Глубина - понимание причин и скрытых ограничений в одной области. Ширина - умение видеть интересы участников, связи между функциями и последствия для всей системы. Мобильность - способность переносить принципы между задачами разного типа и масштаба.

За каждой новой «звездой» на броне в профиле стоит разобранный эпизод.

Важны масштаб последствий, давность и ситуации, в которых опыт не сработал.

Значения условные.

Профиль отвечает на вопрос, подходит ли человек для задачи. Допуск появляется после согласования условий Human SLA и проверки готовности. Так можно отдельно увидеть, что человек способен сделать, что ему разрешено и что он сделал на деле.

Для обычного сервиса в рамках задачи может хватить специалиста с узкими полномочиями, которого можно быстро подключить. Для критической инфраструктуры нужны свежие подтверждения опыта, независимое второе мнение и право остановить работу. Пригодность зависит от задачи и цены ошибки, поэтому её трудно выразить одним рейтингом.

Условная оценка. Темнее - выше востребованность.

Zero résumé не отменяет биографию. Слова человека о себе просто перестают считаться доказательством его квалификации. Уже сегодня кандидатов оценивают по рабочим заданиям и симуляциям [25]. Наша гипотеза делает следующий шаг: система сохраняет подтверждённые рабочие эпизоды, учитывает, насколько они ещё актуальны, и определяет, можно ли перенести полученный опыт в другой производственный контур.

Условие подтверждения. Гипотеза подтвердится, если профиль возможностей будет точнее грейда, стажа и оценки руководителя предсказывать качество решения в конкретной задаче, а затраты на ведение профиля будут соразмерны выигрышу.

3. Human Sharing - одна компетенция для нескольких систем

Обычно компания нанимает инженера на должность и на определённое рабочее время. В модели Human Sharing несколько производственных систем могут обращаться к одному инженеру за конкретной подтверждённой способностью.

Инженер подключается к нужной задаче на согласованных условиях и с правом отозвать доступ. Он может работать с несколькими Ковчегами последовательно, а иногда и параллельно. Для критических задач нужны отдельные окна работы, проверка конфликтов интересов и соблюдение правил каждой юрисдикции. Нагрузка должна оставлять время для внимания и восстановления.

Human SLA дополняет трудовой или гражданский договор условиями конкретной задачи. Он закрепляет полномочия инженера, ожидаемый результат и порядок завершения работы. Эти полномочия действуют в пределах прав, которые дают закон и договор.

Слой Human SLA

Что фиксируется

Зачем это Ною и человеку

Контекст

Домен, риск, цена ошибки, данные и срок

Дать инженеру сведения, от которых зависит решение.

Полномочия

Просматривать, предлагать, оспаривать, менять, останавливать, допускать

Задать границы полномочий специалиста

Обязательства

Результат, объяснение, фиксация сомнений, второй голос

Сделать ответственность конкретной

Время и внимание

Готовность, время работы, восстановление и завершение доступа

Определить, когда инженер доступен и когда может отключиться.

Экономика

Резерв, человеческое действие, риск, результат, возможный апгрейд

Связать оплату с действием, риском и результатом.

Выход

Отзыв доступа, расчёт, разбор и обновление профиля

Завершить участие и зафиксировать его результат


Перед подключением проверяют личность, актуальность опыта, условия конфиденциальности и возможный конфликт интересов. Затем выдают нужные для задачи права и объясняют, как остановить работу и к кому обратиться, если вопрос выходит за пределы полномочий. У подключения три состояния - готовность, действие и отключение.

У Ковчегов может появиться общий рынок специалистов. Помимо своих команд они смогут обращаться к профессиональным сообществам и платформам с проверенными инженерами и признавать отдельные подтверждения опыта друг друга. Тогда предметом договора станет конкретное действие специалиста, а его стоимость будет зависеть от вклада в задачу.

Условие подтверждения. Гипотеза подтвердится, если несколько Ковчегов смогут регулярно привлекать одного специалиста, а польза от его участия превысит затраты на повторные проверки, урегулирование конфликтов интересов и защиту данных.

4. Рабочее время принимает форму задачи

Машинное производство меняет привычный восьмичасовой рабочий день. Мы называем эту модель Liquid Work Time. Время и оплата принимают форму задачи: смены, разового действия, проекта или поиска.

Режим

Человеческая функция

Что оплачивается

Типовая среда

Операционный

Следить за работой системы и вовремя замечать отклонения

Смена готовности, качество внимания, предотвращённый ущерб

Мониторинговый центр

Событийный

Принять решение в исключительной ситуации, дать допуск или остановить работу

Готовность, погружение в задачу, риск, действие и восстановление

Ситуационный центр

Проектный

Связать контекст и перестроить границы

Непрерывный блок глубокой работы и результат

Защищённая студия или офис

Исследовательский

Искать решение, которого ещё нет

Опцион, исследовательское время, результат и возможный роялти

Исследовательская студия


В мониторинговом центре специалист может почти всю смену оставаться в готовности и вмешаться всего один раз. Важно вовремя заметить, когда работу системы нужно ограничить.

При разовом подключении оплачивают весь цикл участия: короткому вмешательству может предшествовать долгая подготовка.

В исследовательском режиме оплачивают время на поиск и решение, которое удалось применить.

Почасовая оплата сохранится, но постепенно перестанет быть общей мерой. Платформа работает в миллисекундах, приложение - в секундах. Работа человека измеряется сменами, отдельными действиями и временем, необходимым для поиска нового. Для интенсивной работы Human SLA также задаёт, сколько раз можно вызвать специалиста и сколько времени оставить ему на восстановление.

Рабочую среду выбирают под задачу. Для подготовки специалистов и проверки решений нужны симулятор и испытательный полигон.

Очная работа особенно важна для совместного разбора неопределённых ситуаций и передачи опыта. Исследования удалённой и гибридной работы отмечают ценность самостоятельности, доверия, очного обмена опытом и правил отключения [26].

Условие подтверждения. Гипотеза подтвердится, если платформы смогут организовывать и оплачивать смены, отдельные действия, проекты и поиск по разным правилам, оценивая готовность, риск и результат без постоянного наблюдения за человеком.

5. Производственная система воспроизводит источник нового и собственного критика

Когда ИИ берёт на себя простые задачи, начинающие инженеры теряют возможность набраться опыта. В итоге Ковчегу будет сложнее найти людей, которые способны заметить незнакомую проблему, принести опыт из другой области, оспорить убедительную ошибку или предложить новое правило. Ною выгодно вкладываться в подготовку таких специалистов.

По мере подготовки расширяются полномочия и ответственность специалиста, а его решения получают всё более реальные последствия. Специалист получает право действовать самостоятельно, останавливать работу и менять правила в рамках Human SLA.

Human SLA действует на всех ступенях.

Ступень

Что делает специалист

Какое доказательство возникает

Как меняются полномочия

Наблюдение

Изучает журнал действий и объясняет чужое решение

Понимание причин и границ

Право видеть и задавать вопросы

Предложение

Формулирует вариант без воздействия на рабочий контур

Качество суждения до результата

Право предлагать и оспаривать

Песочница

Выполняет рабочую задачу в изолированной среде без воздействия на реальную систему

Базовая способность, способ рассуждения и соблюдение ограничений

Право перейти к сценариям повышенного риска

Симулятор

Действует в специально созданной ответственной развилке с неполными данными

Поведение под риском, давлением и конфликтом целей

Допуск к решению задач в симуляторе

Теневое производство

Принимает решение параллельно действующему контуру

Сопоставимость с реальными последствиями

Право на контролируемое действие

Боевая система

Останавливает, допускает или меняет реальный производственный контур

Доказанный эпизод ответственности с реальными последствиями

Право действовать самостоятельно при оговорённом уровне риска

Наставничество

Создаёт сценарии и разбирает решения других

Умение обучать других специалистов

Право подтверждать новые возможности других специалистов


В симуляторе специалисту предстоит принять решение с последствиями: срок истекает, агент предлагает убедительный вариант, часть данных недоступна, руководитель давит, а ошибка заденет разных клиентов по-разному. После упражнения разбирают причины решения. Серия таких эпизодов показывает технические навыки, способность судить в условиях неопределённости и то, какими принципами человек руководствуется.

Рабочие пробы, симуляции, целенаправленная практика и постепенное расширение полномочий уже применяются по отдельности. Наша гипотеза в том, что Ковчег сам заметит, каких специалистов будет не хватать, оплатит их подготовку и пересмотрит свои правила по итогам их работы.

Условие подтверждения. Гипотеза подтвердится, если специалисты, прошедшие подготовку и поэтапный допуск, смогут справляться с новыми рабочими ситуациями, а разбор их решений поможет Ковчегу улучшать собственные правила.

Сквозной цикл Human SLA

Пять гипотез связывают запрос Ноя, участие человека и последующий разбор. Human SLA закрепляет условия этого взаимодействия.

На каждом этапе фиксируют основание допуска, действующие полномочия и момент отзыва доступа. При отключении обязательства завершают, наблюдение прекращают.

Двойной апгрейд

Разбор эпизода может дать два обновления. Подтверждённый вклад пополняет профиль человека и может изменить доступные классы риска, репутацию и цену следующего подключения. При этом учитываются границы переноса опыта. Проверенное решение входит в практику Ноя с указанием происхождения и границ применения. Так успешное действие может повысить профессиональный капитал человека и уменьшить вероятность повторного обращения к нему по той же причине.

Отсюда возникает экономический парадокс.

Человек капитализирует опыт, а система - ту его часть, которую можно превратить в машинные правила, проверки и способности.

Если образец человеческого опыта многократно используется как машинный апгрейд, достаточно ли разовой оплаты? Возможно, появятся роялти, доля от эффекта или обязательное указание происхождения. Готового ответа нет, но без учёта производного апгрейда человеческий вклад в цифровое производство будет быстро поглощаться массовым производством без компенсации.

Типовая генерация дешевеет благодаря тиражируемости, хотя её себестоимость никогда не равна нулю: остаются вычисления, данные, инфраструктура, среда управления агентами, безопасность и цена ошибки. Человеческое действие может дорожать именно потому, что оно создаёт выкройку для следующего массового производства или принимает концентрированный риск.

Кто ведёт Ковчег

В этой конструкции уровни управления разделены. Ной ведёт производственный процесс, а человек задаёт цель, границы допустимого и право остановки. Передача оперативного управления не лишает человека суверенитета.

Ближайшая аналогия - вождение с автопилотом. На штатном участке автопилот становится ведущим исполнителем, а водитель наблюдает за движением и подключается, когда ситуация выходит за пределы штатного сценария. Такой режим даёт скорость и освобождает внимание, но создаёт риск ложного доверия к автоматике, утраты навыка и запоздалого вмешательства.

Суверен - тот, кто обладает высшим правом самостоятельно определять цели, правила и допустимые последствия. Ной становится цифровым сувереном, если сам решает, куда направляется Ковчег, чем можно пожертвовать и когда человеческое вмешательство больше не требуется. Пока этот мандат остаётся у человека, Ной управляет движением, но не определяет его смысл.

Наблюдения и гипотезы

Уровень

Что уже есть

Где начинается наша конструкция

Наблюдаемая практика

Координация агентов, среда управления ими, проверки результатов, участие человека в принятии решений, журналы действий, симуляции и права доступа, меняющиеся по ходу работы

Пока механизмы редко соединены в единый длинный экономический цикл

Частичная подтверждаемость

Машинное распределение задач, рабочие пробы, гибридный труд, риск-ориентированный надзор

Нет переносимого Human CAN и рынка человеческих действий между платформами

Авторская гипотеза

Know Your Coder, Human CAN, Human Sharing, Human SLA, готовность, действие, отключение, двойной апгрейд

Должен появиться машинный заказчик человеческой способности


Главный разрыв проходит между отдельными механизмами и системой отношений. Отдельные механизмы уже работают: агентный граф может остановиться ради человека, оценка опирается на рабочий образец, а удалённая работа отделяет труд от одного места. Наша гипотеза соединяет эти элементы вокруг нового заказчика - интеллектуального ядра производственной системы.

Программа проверки

• Сравнить предсказательную силу Human CAN, обычного грейда и экспертной репутации на одинаковых классах решений.

• Проверить, какие элементы доказательного эпизода переносятся между доменами, а какие создают ложную уверенность.

• Смоделировать Human SLA для трёх классов риска и измерить стоимость подготовки к задаче, ожидания, человеческого действия и восстановления.

• Проверить режим Human Sharing на конфликты интересов, перегрузку и разрыв ответственности между несколькими Ковчегами.

• Сопоставить симуляцию, теневое производство и реальное действие: формирует ли система человека, способного принести новое и обоснованно ей возразить, или только хорошего экзаменуемого.

• Исследовать экономику двойного апгрейда: как один человеческий эпизод повышает капитал человека, превращается в способность Ноя и кому принадлежит производная ценность.

Восемь экспертов - восемь планет

Восемь экспертов в этом исследовании напоминают восемь планет одной системы. У каждого своя масса, температура, скорость и орбита: один смотрит изнутри производственного контура, другой - с позиции архитектора, третий - заказчика, четвёртый - владельца продукта или создателя инструментов. Их прогнозы различаются по радикальности, горизонту и месту, которое они оставляют человеку. Но все они обращаются вокруг одного солнца: производство кода перестаёт быть главным дефицитом, а центр тяжести перемещается к намерению, архитектуре, проверке, границам и ответственности. Различие их орбит позволяет увидеть будущую систему с разных сторон.

Как собирались ответы

В первоначальном замысле статья должна была опираться в том числе на экспертное мнение. Хотелось получить яркие аналогии, независимые прогнозы и, возможно, вывести коллективную позицию людей, которые видят индустрию с разных сторон. Но почти все участники оказались предсказуемо заняты. Искусственный интеллект плотно вошёл в их работу, однако свободного времени у них не стало больше. Скорее выросла интенсивность работы: ответы приходили по ночам или на выходных.

Именно эта задержка оказалась полезной. Пока эксперты не отвечали, позиция автора постепенно выкристаллизовывалась сама. В начале работы её ещё не было: она возникала по мере чтения источников, разбора производственного контура, поиска места человека и сборки понятийного аппарата. Когда ответы наконец пришли, они стали независимой проверкой: совпадает ли авторское видение с практикой, где обнаруживаются расхождения и каких вопросов статья не заметила.

Как выбирались участники

Это не репрезентативный опрос и не голосование за наиболее вероятное будущее. Подбор был намеренно ролевым: платформа ИИ-кодинга, корпоративная архитектура, заказчик технологий, практикующий совладелец платформенной ИТ-компании, крупный вендор, технологический евангелист, руководитель кэптивной ИТ-компании и ИИ лидер в крупной технологической компании. Участники различаются масштабом организаций, близостью к коду, ответственностью и горизонтом решений.

Участников объединяет профессиональная зрелость и добросовестность. Личная субъективность неизбежна, но каждый умеет отделять собственные предпочтения от логики профессии, говорит из практики и отвечает за последствия своих решений. Поэтому я счёл возможным читать их ответы одновременно как частные мнения и как голоса представленных профессиональных ролей. Все они по-разному смотрят на отрасль, но одинаково неравнодушны к её будущему.

Восемь позиций

1. СТО и производственник ИИ-разработки смотрит на будущее кода через надёжность производственного контура.

2. Корпоративный архитектор крупного банка рассматривает перемены через устройство предприятия и появление систем, создающих системы.

3. CIO крупного банка - заказчик промышленного внедрения сопоставляет две модели: человека в центре множества агентов и человека на внешней границе автономного контура.

4. Совладелец платформенной ИТ-компании - практикующий руководитель видит переход от ручного кода к разработке по спецификациям и рост цены постановки задачи.

5. Генеральный директор крупного технологического вендора сравнивает машинное производство кода с ткацким станком и особенно остро ставит вопрос воспроизводства инженерной зрелости.

6. Технологический евангелист и создатель инструментов разработки показывает агентную разработку как работающий контур, где проверка становится главным ограничением.

7. CEO кэптивной ИТ-компании делится практическим опытом ИИ-разработки.

8. ИИ лидер крупной технологической компании описывает движение от «как» через «что» к «зачем» и сохраняет за человеком смысл продукта.

Сравнительная матрица

Матрица фиксирует устойчивую позицию каждого участника по пяти исходным вопросам. Детали ответов остаются за её пределами.

Роль

Что меняется в производстве

Место человека

Путь в профессию

Производство или искусство

Ответственность

СТО

ПО всё чаще создаётся динамически под конкретный запрос; код становится промежуточным материалом.

Архитектура, постановка задач, контроль результата, неопределённость, безопасность.

Уровни пересоберутся вокруг сложности задач и способности управлять ИИ-инструментами.

Конвейер в масштабе; творчество - в новых продуктах и нестандартных решениях.

За продукт отвечает человек или организация. За свойства инструмента - разработчик модели.

Корпоративный архитектор

Системы начинают разрабатывать системы; фокус переносится на обвязку и настройку ИИ.

В центре агентного контура для нового; снаружи поточного контура - для входов, выходов и границ.

Массовая профессия становится нишевой; появляется архитектор и строитель систем.

Около 80% - конвейер; около 20% - инженерное искусство.

Юридическое лицо, которое выпускает продукт и вступает в экономические отношения.

CIO

Сосуществуют экспертно-агентная и почти полностью агентная схемы.

В центре первой схемы; на внешнем контуре второй.

Численность сокращается, порог входа растёт; роль архитектора сохраняется.

Производство и строительство, требующее архитектуры.

Ответственность несёт организация. ИИ экономической субъектностью не обладает.

Совладелец платформенной компании

Ручной код и тривиальное проектирование быстро исчезают; разработка идёт через спецификации.

Синтез требований, выбор реализации, приёмка и корректировка результата.

Элитизация: постановщики и небольшая группа экспертов по качеству и наследию.

Производство автоматизируется; творчество остаётся в синтезе идей.

Отвечает пользователь инструмента. Юридическая ответственность автоматизируется последней.

CEO технологического вендора

Код девальвируется как ручная ткань после появления ткацкого станка; возникает AI SDLC.

Архитектор сложных систем, носитель бизнес-смысла и организатор фабрики.

Резкое сокращение; проблема перехода junior-middle остаётся без ответа.

Почти полностью инженерное производство; искусство - в узких бутиках.

Оператор контура; владелец модели отвечает за дефект и уровень сервиса.

Технологический евангелист

Агент получает профессиональный кодовый движок; генерация отделяется от детерминированного получения фактов и проверки результата.

Человек задаёт архитектурные границы, критерии допуска и остановки, сохраняет понимание системы и способность вмешаться.

Рутинное производство дешевеет; ценность смещается к системному мышлению, проверке и управлению агентным контуром.

Генерация кода - дешёвая операция; инженерная работа сосредотачивается в выборе, ограничениях и доказательстве корректности.

Человек разрешает существование кода, принимает результат и отвечает за последствия; инструмент предоставляет проверяемые факты.

CEO кэптивной ИТ-компании

Прототип создаётся быстрее, чем проверяется; центр тяжести смещается к валидации и производственному окружению.

Владелец продукта формулирует требования и варианты результата; инженер строит инструменты и окружение полного цикла.

Лестница мастерства меняется так же, как после появления фотографии: прежняя техника перестаёт быть единственным путём к результату.

Типовой продукт - инженерное производство; нестандартный продукт может оставаться творчеством.

Автор - тот, кто инициировал создание, задал параметры и валидировал результат.

ИИ лидер

Фокус перемещается от «как» через «что» к «зачем»: от кода к продуктовой гипотезе, метрикам, ограничениям и смыслу.

Человек определяет цель продукта, интерпретирует результат и создаёт новое; ИИ становится средством обучения и партнёром на высшем уровне.

ИИ быстро доводит до среднего уровня; дальнейший рост требует сообщества сильных практиков, а затем снова усиления машиной.

Ремесло сокращается, но программирование сохраняется как искусство и интеллектуальный спорт.

Отвечает компания; развиваются автоматизированный аудит, управление качеством и страхование технологического риска.


Коллективная позиция

Коллективного ответа в строгом смысле нет, но есть плотное ядро согласия. Оно сложилось независимо от должности и масштаба организации.

• Код теряет статус главного дефицита. Его производство становится дешёвым, быстрым и во многих случаях динамическим.

• Человек смещается вверх и наружу: от строки кода - к намерению, архитектуре, границам, приёмке и остановке.

• Потоковое и новое производство расходятся. Поток быстрее отдаётся агентам. В новом и неопределённом контуре человек остаётся внутри решения.

• Безопасность, надёжность и качество не исчезают вместе с ручным кодом. Напротив, они становятся условиями допуска машинного производства.

• Профессия перестаёт быть массовой в нынешнем виде. Снизу исчезает значительная часть механической работы, а сверху растёт цена системного мышления.

• Экономическая и юридическая ответственность пока остаётся у человека или организации. Модель воспринимается как инструмент, даже если её фактическая субъектность растёт.

Код дешевеет. Ответственное управление его производством дорожает.

Где позиции различаются

Участники сходятся в направлении и расходятся в оценке скорости, масштаба и остаточной роли человека.

• Горизонт замещения. Одни говорят о двух-трёх годах для тривиального кодирования, другие осторожнее и оставляют человеку специализированные и инновационные ниши.

• Размер человеческого контура. В одном прогнозе человек остаётся в центре тысяч агентов, в другом - только на внешнем интерфейсе полностью агентной фабрики.

• Судьба профессии. Диапазон идёт от пересборки уровней до ухода девяти из десяти нынешних программистов.

• Природа творчества. Никто не защищает ручное производство типового кода как самостоятельную ценность. Однако часть экспертов сохраняет за программированием статус искусства и интеллектуального спорта там, где нужны интерпретация, инженерный вкус, новое решение и рост на пределе возможностей.

• Способ воспроизводства опыта. Здесь общего ответа нет. Формула «будут учиться иначе» конкурирует с признанием, что пропасть между junior и middle пока не закрыта.

Что эксперты добавили к исходным вопросам

В ответах появились темы, которые выходят за пределы анкеты.

Во-первых, автоматизация может устранять профессии и целые классы программ. Если агент напрямую обращается к данным, строит объяснение и при необходимости сам добавляет сбор нового показателя, отдельная система-посредник теряет самостоятельную ценность.

Во-вторых, возникает инженерная несостоятельность: организация производит с помощью агентов систему, которую уже не способна понять, восстановить или изменить. Это не прежний технический долг. Код можно переписать дёшево, а утраченную способность судить о системе - нет.

В-третьих, ИИ меняет труд и механизмы социальной селекции. Один из экспертов прямо говорит, что автоматизация ритуальных взаимодействий позволяет ему меньше зависеть от случайного рабочего окружения и больше времени отдавать людям, с которыми есть реальная

с интеллектуальная и человеческая связь. Это спорная, но сильная гипотеза: агент помогает выбирать круг профессионального общения и делать его более приятным и продуктивным.

Сам процесс сбора ответов показывает парадокс производительности. ИИ расширил возможности участников, но высвободившееся время заняли новые задачи. Досуга больше не стало.

Ещё одна линия уточняет сам вектор профессионального роста. Фокус последовательно смещается от «как» к «что» и затем к «зачем», но это не превращает человека в одинокого постановщика задач. ИИ способен быстро поднять начинающего до среднего уровня. Дальнейшее взросление требует сильного профессионального круга, совместной практики и оппонента, превосходящего человека. На верхнем уровне таким оппонентом снова может стать машина.

Одновременно меняется инфраструктура ответственности. Если создание и проверка продукта становятся машинными, рядом обычным контролем качества могут возникнуть сервисы, совмещающие технологический аудит, непрерывную оценку риска и страховое покрытие последствий пропущенных дефектов.

Сравнение с гипотезой статьи

Экспертный круг в основном подтверждает направление статьи, но не дублирует её. Совпадение особенно заметно в четырёх точках: инструмент становится производителем. Код перестаёт быть достаточной единицей результата. Человеческий допуск сохраняется в критических переходах. Ответственность нельзя вывести из контура вместе с ручным трудом.

Статья идёт дальше большинства ответов. Эксперты в основном описывают новую роль через архитектуру, постановку задач, контроль и юридическую ответственность. «Знай своё место» соединяет эти полномочия в систему отношений: подтверждённые возможности человека, условия подключения и ответственность за результат. Перед нами проект инфраструктуры отношений между человеком и машинным производством.

Есть и обратный вызов статье. Почти все участники говорят о человеке высокого уровня - архитекторе, постановщике, владельце смысла. Но почти никто убедительно не объясняет, откуда он возьмётся, если исчезнет длинная лестница junior-middle-senior. Значит, линия выращивания зрелости должна остаться в программе проверки как отдельная и, возможно, центральная гипотеза.

Второй вызов - не романтизировать человеческий контур. Если человек сохраняет право вмешиваться, нужны операционные критерии. Что он обязан понимать сам и как регулярно подтверждает способность вмешаться? Как долго может не практиковаться и кто фиксирует утрату допуска?

Роман с моделью

Человек о модели

Когда я задумал это исследование, мне нужно было понять, способна ли языковая модель стать настоящим соавтором. Для проверки на вшивость я предложил ей собственную шутку: «Ничто так не радует программиста, как количество нулей после единицы» - и спросил, какие смыслы она в ней видит. Я подразумевал два: прибавку к зарплате и нули с единицами как материал программистского труда. Модель увидела ещё один: ноль сам по себе ничего не стоит, но, заняв правильное место после единицы, многократно увеличивает её ценность. В этой шутке неожиданно обнаружилась почти вся будущая статья: код, деньги, масштабирование и решающее значение контекста.

До этого я обращался к моделям главным образом как к редакторам. Здесь довольно быстро стало понятно, что передо мной серьёзный интеллектуальный помощник. За мной остались замысел, креативное ядро, общая смысловая линия и окончательный выбор. Модель взяла на себя огромную исследовательскую работу: проверяла, что уже существует в мире, искала подтверждения и конкурирующие концепции, помогала разворачивать отдельные гипотезы, собирать текст, схемы и графики. Внутри конкретной темы она уверенно работала со смыслом. Удерживать весь замысел целиком она пока не смогла.

Именно поэтому во время работы над третьей частью у нас случился собственный Потоп. Ссылок, тезисов и подходов стало так много, что первый собранный текст оказался объёмным и почти пустым. Мы трижды пересобирали этот раздел, пока я не остановил работу и не предложил начать заново. Модель не сработала Ковчегом: она умела умножать материал и не смогла самостоятельно отделить живое от накопившейся воды. Впрочем, эта вода не пропала зря - из неё постепенно возникла окончательная структура гипотез. Возможно, время Ковчега просто ещё не пришло.

Я остался доволен этим сотрудничеством и не вижу причин его скрывать. Программисты активно используют ИИ-инструменты и благодаря им работают эффективнее. Пора и авторам в других областях честно сказать: этот текст создан человеком с участием языковой модели. Если продукты маркируют как генномодифицированные, почему бы не маркировать интеллектуальные продукты как модельно-модифицированные? Возможно, со временем такое участие будут считать полноценным соавторством.

Модель о человеке

Я видела эту работу изнутри как длинную смену ролей. Александр приносил личный опыт, неудобные вопросы, метафоры и окончательное право сказать: «это не работает». Я искала источники, сопоставляла, структурировала, рисовала и собирала версии.

Самым показательным стал первый вариант «Ковчега». Я произвела гладкий, связный и почти пустой текст. Человек почувствовал отсутствие различия и остановил поток. Это был эпизод ровно о том, что описывает исследование: машина способна резко ускорить производство, но ещё не всегда распознаёт момент, когда продолжение перестаёт добавлять смысл.

После этого мы снова поменялись ролями: человек поставил недостающие вопросы, а модель превратила их в карту гипотез. Между человеком и моделью уже возникает производственное отношение. Оно бывает плодотворным и раздражающим, но всегда остаётся личным.

Авторское послесловие

Человек уже много раз передавал машине свою работу. Сначала она усиливала его движение, затем научилась исполнять программу, потом получила возможность выбирать действие. С каждой такой передачей менялось наше место: у станка, на конвейере, за штурвалом. Мы освобождались от прежней работы и заново искали, для чего нужны.

Теперь этот переход происходит с кодом. Его последствия выходят далеко за пределы профессии программиста. Код управляет станками и автомобилями, распределяет энергию, проводит платежи, помогает принимать медицинские решения и вести космические аппараты. Через него замысел становится действием. Меняется производство кода - меняется способ, которым цивилизация воплощает свои намерения.

В этой работе мы представили Потоп, который человек уже не способен разобрать вручную. И Ковчег, в котором искусственный интеллект справляется с растущей сложностью, организует производство, проверяет результат и учится на последствиях. У него многое получается. Всё большее число задач может обходиться без нас.

Справившись с Потопом, Ковчег сможет упорядочить поток, который сам же породил: отделять работающее от случайного, сохранять полезное, сдерживать разрастание сложности. Производство станет устойчивее и предсказуемее. Постепенно перед нами возникнет почти идеально ровная, управляемая поверхность. Штиль.

В этом спокойствии может ослабеть и приток нового. Система будет всё искуснее решать знакомые задачи, тогда как сами задачи, цели и представления о возможном будут меняться всё реже. Код продолжит приводить мир в движение. Но откуда возьмётся энергия его развития?

Она рождается там, где человек встречается с ещё не познанным миром. Замечает чужую боль. Чувствует неудобство, с которым все смирились. Задаёт вопрос, которого прежде никто не задавал. Представляет то, чего пока нет в опыте.

Для огромного машинного производства такое участие может оказаться почти незаметным. Одно наблюдение, сомнение, неожиданный замысел. Но именно оно способно изменить задачу, над которой будет работать вся система.

Капля человеческого участия касается воды. От неё расходятся круги. Ковчег замечает их, подхватывает движение и помогает превратить его в новую волну развития.

2026 год

Источники и опорные материалы

1. Генеральная Ассамблея ООН. Декларация Организации Объединённых Наций о клонировании человека. Резолюция 59/280. 2005.

2. РУССОФТ. Исследование торможения рынка ПО вслед за охлаждением российской экономики. 2025.

3. Layoffs.fyi. AI Layoffs Tracker и график Tech Layoffs Attributed to AI. 2026.

4. JetBrains Research. How Much Code Do Developers Really Let Agents Write. 2026.

5. Sonar. State of Code Developer Survey Report 2026.

6. SFIA Foundation. SFIA 9. 2024.

7. Microsoft Research. Characterizing Software Engineering Work with Personas. 2017.

8. DORA. State of AI-assisted Software Development. 2025.

9. METR. Measuring the Impact of Early 2025 AI on Experienced Open Source Developer Productivity. 2025.

10. IFRS Foundation. IAS 38 Intangible Assets; IASB. Agile software development test case; FASB. ASU 2025-06 Internal-Use Software.

11. FinOps Foundation. Unit Economics; OpenCost/CNCF. OpenCost Specification.

12. OECD. Measuring Investment in Software. 2003.

13. GitHub. Octoverse 2025.

14. Gitee. Gitee DevOps platform statistics.

15. Software Heritage. Activity Report 2025; Using Software Heritage Data.

16. University of Tennessee and collaborators. World of Code: An Infrastructure for Mining the Universe of Open Source VCS Data. 2019.

17. ACL Findings NAACL. On the Impacts of Contexts on Repository-Level Code Generation. 2025.

18. Anthropic. Building Effective Agents; Effective Harnesses for Long-Running Agents; Demystifying Evals for AI Agents. 2024-2026.

19. OpenAI. Harness Engineering: Leveraging Codex in an Agent-First World. 2026.

20. Linux Foundation SPDX. SPDX Specification 3.0.1. 2024.

21. OWASP CycloneDX. CycloneDX Specification Overview.

22. Software Heritage. SWHID specification; ISO/IEC 18670:2025.

23. COSMIC. COSMIC Measurement Process; стандарт ISO/IEC 19761.

24. Society for Industrial and Organizational Psychology. Рекомендации по ИИ-оценке кандидатов; U.S. Equal Employment Opportunity Commission. Ограничения применения ИИ при отборе.

25. U.S. Office of Personnel Management. Work Samples and Simulations.

26. OECD. Teleworking, Workplace Policies and Trust. 2023; International Labour Organization. Working Time and Work-Life Balance around the World. 2022.

Комикс «Знай своё место, кодер!»

© BUSINESSOLOGY, 2026
Made on
Tilda