Использование генеративного искусственного интеллекта (ИИ) в разработке ПО демонстрирует серьёзную динамику. Если в 2022 году лишь 12,7% компаний использовали генеративные сети для разработки, то по итогам 2025 года этот показатель достиг 72,4%. Примечательно, что при опросе тех же компаний в начале 2025 года прогнозы были значительно ниже - 55,6%.

При этом компании фиксируют достаточно высокую эффективность использования ИИ: порядка 48% опрошенных отмечают рост эффективности. Как указано в исследовании, если экстраполировать полученные расчёты на всю индустрию, то численность сотрудников, которая потребовалась бы дополнительно для решения тех же задач без использования генеративного ИИ, по итогам 2025 года составила 41 тыс. человек. Этот показатель вырос за год более чем в 2 раза.

"Генеративный ИИ уже стал рабочим инструментом разработки: он помогает быстрее писать типовой код, готовить тесты и документацию, искать ошибки. Но это не означает, что потребность в разработчиках автоматически снижается. Освободившееся время уходит на архитектуру, интеграции, качество, безопасность и работу с требованиями заказчика", - говорит Владимир Лавров, генеральный директор ГК Softline.

В теории такие показатели должны отражаться и в финансах. Можно было бы предположить больший произведённый объём ПО при том же количестве сотрудников либо сопоставимый объём ПО, но произведённый меньшими силами. Однако позитивных изменений, которые можно было бы объяснить внедрением генеративного ИИ в процесс разработки ПО, ни по опрошенным компаниям, ни во всей софтверной индустрии не выявлено.

"Совокупный оборот в 2025 году вырос как раз больше у компаний, которые не использовали ИИ - на 14,1%, в то время как у тех, кто применял ИИ в разработке ПО, увеличение оборота значительно меньше - 7,5%. Выручка на одного сотрудника у компаний, которые использовали генеративный ИИ в 2025 году, также ниже, чем у компаний, давших отрицательный ответ на соответствующий вопрос - ₽5,13 млн против ₽5,19 млн", - отмечают в Ассоциации РУССОФТ.

"Эти результаты можно объяснить несколькими причинами. Во-первых, ИИ в разработке используется, по большей части, несистемно и на уровне отдельных разработчиков. Поэтому получаем, что на индивидуальном уровне 'да, используем', 'да, экономим в 2 раза время', а где эта экономия в деньгах? Кроме того, синдром 'сначала сделаю, потом подумаю' стал превалирующим. Вот и выходит, что разработку ускорили, но поскольку о правилах заранее не договорились, то всю экономию потратили, да ещё и за токены заплатили", - объяснил Сергей Щербаков, руководитель отдела аналитики данных и ML компании ICL Services.

В РУССОФТ полагают, что велика вероятность и ошибочной методологии при оценке эффективности применения ИИ в разработке внутри компаний. По-видимому, представленные экспертные оценки отражают видимый и ощутимый эффект от того, как ИИ выполняет отдельные задачи при программировании. При этом не учитывалось, что затем появляется необходимость верифицировать результаты его применения, исправлять ошибки, осуществлять дополнительную проверку и предотвращать другие возможные негативные последствия. Можно предположить, что респонденты оценивали эффект, полученный в процессе разработки ПО, а не экономический эффект для всего бизнес‑процесса в целом.

Кроме того, возможно, что благодаря использованию ИИ у разработчиков появилось больше свободного времени, а этот ресурс пока не удаётся эффективно направить в интересах бизнеса.

Ответ лежит не в технологии, а в организации труда, полагает Алексей Парфун, вице‑президент АКАР, генеральный директор агентства AI Influence. "Компания даёт разработчикам Copilot или Claude Code, скорость написания кода вырастает - это правда, тут исследования сходятся. Но написание кода занимает у разработчика условные 30-40% времени. Остальное - согласования, ревью, дебаг чужих решений, встречи, ожидание ответа от смежной команды. ИИ ускорил один этап конвейера, а сам конвейер остался прежним: узкое место просто переместилось дальше", - говорит Парфун.

По словам эксперта, ситуацию осложняет и то, что разработчик не всегда до конца понимает сгенерированный таким образом код. Ревьюить его дольше, чем написанный вручную.

"Компания нанимает людей, чтобы разгребать то, что нагенерировала машина. Эффективность на уровне отдельного разработчика выросла, на уровне системы - весьма сомнительно. Это классическая история внедрения любой технологии общего назначения. С электричеством было так же: пока фабрики просто заменяли паровой двигатель электромотором, сохраняя старую компоновку цехов, прироста производительности почти не было. Выигрыш пришёл, когда цеха перестроили под новую логику. Но на это ушло лет двадцать", - отмечает Алексей Парфун.

Это переходный период, соглашается Людмила Богатырева, руководитель ИТ‑подразделения Агентства "Полилог", эксперт РОЦИТ, автор телеграм‑канала "Богатырёва о цифре". По её словам, универсального решения для всех задач пока нет, поэтому команды тратят время и ресурсы на тестирование моделей под свои процессы и регламенты.

"Попытка выбрать один инструмент и поручить ему весь цикл разработки, скорее всего, окажется неэффективной: в рамках одной крупной задачи одна модель может лучше справляться с анализом требований, другая - с подготовкой кода или тестов. Пока компании ищут такие сочетания, эффект от внедрения неизбежно будет неравномерным. Поэтому внедрение ИИ требует более глубокого пересмотра процессов, чем простая раздача сотрудникам доступа к новым инструментам. Нужно заранее определить подходящие сценарии, правила работы с данными и обязательные этапы проверки. Оценивать результат стоит не количеством сгенерированного кода, а сроком выпуска готового решения, числом ошибок, а также временем, которое квалифицированные специалисты тратят на проверку", - полагает Богатырева.