Когда ИИ пишет 80% кода: уроки эссе Anthropic «When AI Builds Itself»

Anthropic недавно опубликовала эссе When AI Builds Itself — рассказ о том, как ИИ всё активнее помогает создавать следующее поколение ИИ. Сегодня более 80% продакшен-кода Anthropic написано моделью Claude, а инженеры поставляют примерно в восемь раз больше кода, чем в 2024 году. Цифры впечатляют, но самая важная мысль эссе — не про объёмы кода, а про фундаментальное различие между исполнением и суждением.

Как всё начиналось и как быстро развивалось

В 2021–2023 годах процесс разработки в Anthropic выглядел привычно: инженеры писали код, ревьюили пул-реквесты, исправляли баги и принимали технические решения. ИИ в процессе практически не участвовал.

Затем модели начали помогать с мелкими задачами — сгенерировать функцию, объяснить фрагмент кода, предложить рефакторинг. Инженер по-прежнему контролировал каждый шаг, а ИИ был просто ещё одним инструментом.

К 2025 году отношения изменились. Claude научился не только предлагать код, но и запускать его, проверять вывод, исправлять ошибки и повторять цикл несколько раз, прежде чем человеку требовалось вмешаться. Роль инженера не исчезла, но объём ручной реализации заметно сократился.

К 2026 году агенты ИИ стали способны работать автономно значительно дольше и, в некоторых случаях, координировать работу с другими агентами.

Один пример из эссе хорошо иллюстрирует этот прогресс: рутинное обновление ПО неожиданно вызвало сбой десятков тысяч задач по обучению ИИ. Инженер предоставил Claude доступ к окружению и контекст проблемы. Примерно за два часа Claude нашёл малоизвестный конфигурационный флаг, вызывавший сбои, проверил исправление и устранил проблему. По оценкам авторов, у опытного инженера то же расследование заняло бы два-три дня.

Цифры, которые нельзя игнорировать

По состоянию на май 2026 года более 80% кода, попадающего в продакшен-кодовую базу Anthropic, создано Claude. До запуска Claude Code в начале 2025 года этот показатель исчислялся единицами процентов.

Инженеры теперь сливают примерно в восемь раз больше кода, чем в 2024 году. Произошло два заметных скачка: первый — когда Claude перешёл от простых подсказок к запуску кода, второй — когда агенты ИИ стали способны работать автономно на протяжении длительного времени.

Исследовательская сторона показывает схожую картину. По внутреннему опросу примерно 130 исследователей, медианный респондент считает, что производит примерно в четыре раза больше результатов при использовании ИИ по сравнению с работой без него.

Бенчмарки тоже двигаются быстро. Успешность воспроизведения результатов научных статей выросла с ~20% в 2024 году до почти полного покрытия бенчмарка за пятнадцать месяцев. Окно автономного выполнения реальных задач удваивается примерно каждые четыре месяца: от нескольких минут до примерно 12 часов.

Авторы, впрочем, откровенно обсуждают ограничения своих измерений: строки кода — несовершенная метрика продуктивности, опросы могут завышать оценки, а бенчмарки не всегда отражают реальную инженерную работу.

Исполнение и суждение: в чём разница

Если Claude пишет большую часть кода, чем тогда занимаются инженеры? Ответ эссе: работа разработчиков не исчезает — она меняется.

Claude отлично справляется с исполнением. Дайте модели чётко определённую задачу, достаточно контекста и правильные инструменты — и она пройдёт через реализацию с поразительной скоростью.

Но программная инженерия никогда не сводилась только к написанию кода. Кто-то должен решать, какие проблемы вообще стоит решать. Кто-то должен замечать, когда эксперимент отвечает не на тот вопрос, даже если технически успешен. Кто-то должен смотреть на результат, который кажется правильным, и задаваться вопросом — действительно ли он имеет смысл в рамках большой системы.

Авторы попытались измерить и эту сторону. Они проанализировали реальные исследовательские сессии, где человек принимал решение, позже оказавшееся неоптимальным или ошибочным. Затем они показали Claude всё вплоть до этого момента и спросили, что модель сделала бы дальше. Лучшая модель улучшила выбор правильного следующего шага с ~51% в конце 2025 года до ~64% всего через несколько месяцев. Это значимый прогресс, но в более открытых задачах разрыв всё ещё заметен.

Одно из сравнений в эссе помогает осмыслить ситуацию: по мере роста опыта инженера меняются и его обязанности. В начале карьеры работа в основном состоит из реализации задач, определённых кем-то другим. С опытом приходит больше ответственности за то, как подходить к этим задачам, а затем — и за то, какие проблемы вообще заслуживают внимания.

Из этого не следует, что ИИ просто заменяет джуниоров, а сеньоры остаются нетронутыми. Вывод скорее в том, что по мере упрощения реализации навыки понимания систем, оценки компромиссов, ревью и принятия решений становятся ещё более ценными.

Три сценария будущего

Эссе избегает крайностей, типичных для обсуждений ИИ, и рассматривает три возможных направления.

Замедление прогресса. Сегодняшний быстрый прогресс может со временем замедлиться. У любой технологии есть пределы — аппаратные, энергетические, исследовательские или связанные с тем, что оставшиеся проблемы становятся значительно сложнее. Anthropic признаёт такую возможность, но пока не видит признаков выхода на плато.

Люди остаются в цикле, но характер работы меняется. Этот сценарий кажется наиболее правдоподобным. ИИ не убирает разработчиков — он меняет, на что они тратят время. Мы уже проходили подобные сдвиги: языки высокого уровня не ликвидировали программистов, а переместили работу на уровень выше.

Рекурсивное самоулучшение. Самый громкий сценарий: ИИ становится способен вносить настолько большой вклад в исследования ИИ, что каждое новое поколение помогает создать ещё лучшее, почти без участия человека. Эссе обсуждает эту возможность серьёзно, но не представляет её как неизбежный исход.

Что это значит для разработчика

Главный урок из эссе: автоматизируется не тот навык, который делает разработчика ценным. Разговор не о том, станут ли разработчики ненужными, а о том, как меняется баланс профессии, когда одна её часть становится драматически быстрее.

Это особенно важно для разработчиков в начале карьеры. Тревога часто возникает из ощущения, что написание кода — это и есть вся работа. Но программная инженерия никогда так не работала. Написание кода важно, но не менее важны понимание проблемы, проектирование системы, ревью решений, коммуникация и принятие решений в условиях неопределённости.

Фундаментальные знания — операционные системы, сети, базы данных, алгоритмы, распределённые системы — становятся более ценными по мере упрощения реализации. Именно они учат рассуждать о системах, думать о компромиссах, понимать сложность, находить узкие места и объяснять, почему что-то работает так, а не иначе.

Ключевой сдвиг перспективы: перестать измерять программную инженерию объёмом написанного кода и начать видеть ценность в работе, которая происходит задолго до того, как кто-то открывает редактор.