Год с AI в редакторе: трезвый итог 2023-го

•
Опубликовано
•
10 мин чтения

Текст написан с позиции января 2024 года: так, как тема выглядела тогда, без технологий и событий, появившихся позже.

Прошел год с тех пор, как языковые модели по-настоящему вошли в повседневную разработку. Не как новость из твиттера, а как иконка в редакторе, как вкладка с чатом во втором мониторе, как привычка нажать Tab, чтобы принять предложение автодополнения. Достаточная дистанция, чтобы перестать спорить о том, «революция это или нет», и просто посмотреть назад трезво: что из всего этого реально вошло в рутину, а что так и осталось красивым демо на сцене.

Стоит честно зафиксировать стартовую точку. Хайпа за 2023 год было примерно на десять революций. Каждую неделю кто-то объявлял, что профессия программиста закончилась, что junior больше не нужен, что скоро приложения будут писаться одним абзацем текста. На этом фоне реальный прирост, который я могу пощупать руками в своих проектах, скромнее на порядок. Он измеряется не словами «изменило индустрию», а словами «иногда удобно». И вот этот разрыв между ожиданием и измеримой пользой — главная тема, ради которой стоит подводить итог.

Сразу оговорюсь, чтобы не свалиться в обратную крайность. Это не текст про то, что «AI бесполезен» и «опять нас обманули». Польза есть, она настоящая, и местами она заметно поменяла мой день. Просто польза эта не там, где про нее громче всего кричали. Самое здоровое, что можно было сделать за этот год, — это перестать ждать чуда и начать мерить пользу руками: где именно инструмент экономит время, а где он создает иллюзию экономии и забирает время обратно через отладку чужих ошибок.

Поэтому я предлагаю не оценку «хорошо/плохо», а инвентаризацию. Разложить прожитый год на две стопки: что реально вошло в мой ежедневный workflow и осталось там, и что я попробовал, восхитился на демо, а потом тихо перестал использовать. Список во втором случае получился не короче первого, и это, пожалуй, самое честное наблюдение года.

Что реально вошло в рутину

Начну с хорошего, потому что оно есть. Есть несколько сценариев, где AI в редакторе перестал быть игрушкой и стал инструментом, к которому я тянусь рефлекторно, не задумываясь. Объединяет их одно свойство: во всех этих случаях я остаюсь тем, кто принимает решение и проверяет результат, а модель делает скучную механическую часть. Не «модель пишет код за меня», а «модель снимает с меня низкоквалифицированную возню».

  • Бойлерплейт и повторяющиеся структуры. Это безоговорочный лидер. Когда мне нужен очередной редьюсер, очередной набор типов под форму, очередной CRUD-обвес вокруг сущности, очередной конфиг по знакомому шаблону — автодополнение от Copilot угадывает намерение почти всегда. Потому что тут нечего изобретать: код предсказуемый, я и сам написал бы его так же, просто медленнее и с большим раздражением. Здесь модель работает идеально именно потому, что задача скучная и хорошо представленная в обучающих данных.
  • Объяснение чужого кода. Открываешь незнакомый модуль, выделяешь кусок, который не хочется разбирать построчно, и просишь объяснить, что он делает. В девяти случаях из десяти это быстрее, чем читать самому, и достаточно точно, чтобы сэкономить пятнадцать минут на чужой регулярке, чужом хитром reduce или чужом легаси на пять экранов. Важная оговорка: это работает как первое приближение, а не как истина. Объяснение нужно проверять, особенно когда речь про граничные случаи.
  • Регулярные выражения. Отдельная маленькая радость года. Регэкспы я писать умею, но не люблю и каждый раз гуглю синтаксис lookahead. Сформулировать словами, что нужно найти, и получить готовый паттерн — это ровно тот случай, где машина объективно сильнее человека, потому что у нее нет усталости и невнимательности на десятом квадрате скобок. Проверяю результат на тестовых строках и иду дальше.
  • Перевод между похожими формами. Переписать объект в другой формат, превратить JSON в типы, набросать тесты по уже написанной функции, перевести кусок из одного диалекта SQL в другой. Везде, где есть исходник и понятная цель преобразования, модель ведет себя надежно.
  • Резиновая утка, которая отвечает. Иногда я формулирую проблему в чат не для ответа, а чтобы самому ее проговорить. И в процессе формулировки половину багов нахожу сам. То, что собеседник при этом иногда подсказывает дельное, — приятный бонус, но главная польза в самой необходимости выразить задачу словами.
  • Черновик документации и сообщений коммитов. Описать словами уже написанный код, набросать комментарий к функции, сформулировать changelog по диффу — то, что я обычно откладываю до последнего, потому что лень. Модель делает первый проход, я правлю под факты. Тут проверка дешевая, потому что код уже передо мной, и я просто слежу, чтобы текст не разошелся с реальностью.

Если присмотреться к этому списку, видна закономерность. Все эти сценарии — про локальный, хорошо ограниченный, проверяемый за минуту фрагмент. Там, где я могу мгновенно оценить корректность результата своими глазами, AI экономит время честно. Это и есть то самое «иногда удобно», только без пренебрежительной интонации: иногда — это много раз в день.

Что осталось демо

Теперь вторая стопка, и она важнее первой, потому что именно вокруг нее построен весь хайп. Это сценарии, которые выглядели сногсшибательно на записанных видео и сдувались при первом же контакте с моим реальным кодом. Не потому что я что-то делал не так, а потому что демо и продакшен — это разные планеты.

  • «Напиши мне приложение». Главное обещание года и главное разочарование. Да, по подробному промпту можно получить работающий прототип to-do листа. Но как только задача выходит за рамки учебного примера — появляется чужая кодовая база, неочевидные бизнес-правила, существующие соглашения команды, — генерация «всего сразу» превращается в гору правдоподобного кода, который надо вычитывать целиком. А вычитывать чужой код, который ты не писал, дольше, чем написать свой. Экономии нет, есть перекладывание работы с написания на ревью.
  • Автономные агенты. Идея, что модель сама разобьет задачу на шаги, сходит в файлы, запустит команды и доведет фичу до конца, весь год оставалась эффектной демонстрацией. На практике цепочка из нескольких самостоятельных шагов накапливает ошибку: на третьем-четвертом действии агент уходит в сторону, теряет контекст или уверенно делает не то. Контролировать его получается дороже, чем сделать руками. Это направление выглядит перспективным, но на январь 2024-го это исследование, а не инструмент.
  • Большой рефакторинг через чат. Попросить перестроить архитектуру модуля целиком — значит получить ответ, который выглядит разумно, но молча выкидывает половину граничных случаев, которые жили в исходном коде не просто так. Модель не знает, почему здесь стоит этот странный костыль, а у меня в проекте он держит на себе целый сценарий из прода.
  • Доверие к фактам и API. Уверенно выдуманные методы библиотек, несуществующие флаги, параметры из соседней версии. За год я привык, что любой конкретный факт от модели нужно перепроверять в документации. Уверенность тона не коррелирует с правотой никак — это, наверное, самый дорогой урок года.

И снова видна закономерность, ровно зеркальная первой. Все провальные сценарии — про глобальный, плохо ограниченный, требующий понимания всей системы и недешевый в проверке результат. Чем больше контекста нужно удержать и чем дороже убедиться, что ответ верен, тем хуже работает модель и тем сильнее она перекладывает на меня скрытую стоимость в виде отладки.

Линия проходит по стоимости проверки, а не по сложности задачи

Если свести оба списка к одной формулировке, граница проходит не по сложности задачи и не по языку программирования. Она проходит по стоимости проверки. AI в редакторе образца 2023 года надежно полезен ровно там, где я могу проверить его результат быстрее, чем он его сгенерировал, и становится ловушкой ровно там, где проверка дороже самой генерации. Это и есть линия, отделяющая «вошло в рутину» от «осталось демо».

Из этой границы следует практичный способ работы, к которому я пришел к концу года почти случайно. Разбивать задачу так, чтобы каждый запрос к модели попадал в зону дешевой проверки. Не «напиши сервис», а «набросай вот эту чистую функцию по такой сигнатуре». Не «отрефактори модуль», а «предложи имена для этих переменных». Не «исправь баг», а «объясни, что делает этот блок». Дробление возвращает контроль и возвращает измеримую пользу. Это не магия, это банальная инженерная гигиена, просто примененная к новому инструменту.

Любопытно, что эта граница хорошо объясняет и реакцию разных людей вокруг меня. Те, кто работает на хорошо очерченных, типовых задачах, за год искренне полюбили ассистента и не понимают скепсиса. Те, кто сидит в сложном легаси с неочевидными бизнес-правилами, столь же искренне разочарованы и не понимают восторгов. Оба правы — просто их задачи лежат по разные стороны от линии стоимости проверки. Спор «полезен или нет» бессмысленен в отрыве от того, какой код перед человеком на экране. Это не вопрос веры, а вопрос профиля работы.

Усилитель множит и продуктивность, и небрежность

Любой инструмент имеет цену, и AI-ассистент тоже. За год я заметил у себя пару привычек, которые стоило бы держать под контролем. Первая — соблазн принять предложение, которое выглядитправильно, не дочитав до конца. Автодополнение приучает к легкому движению пальца, и вместе с полезным кодом так же легко проезжает тонкая ошибка, которую я бы поймал, если бы печатал сам. Вторая — постепенное проседание навыка держать в голове то, что раньше держал. Регэкспы я и так не любил, но теперь, кажется, разучусь окончательно.

Это не повод отказываться от инструмента. Это повод относиться к нему как ко всякому усилителю: он умножает и продуктивность, и небрежность. Поэтому ответственность за прочитанный и принятый код остается полностью на мне, как и раньше. Модель — не соавтор, с которого можно что-то спросить. Это генератор черновиков, за которые отвечаю я. Год научил держать это разделение в голове твердо.

Инструменты повзрослели, но это сдвиг количества, а не качества

Чтобы не выглядеть брюзгой, отмечу, что инструменты за год заметно повзрослели технически. Появление GPT-4 Turbo с окном в 128 тысяч токенов сделало разумным то, что раньше было невозможным: скормить модели не один файл, а заметный кусок контекста и получить ответ, который хотя бы видел соседний код. Copilot из автодополнения вырос в чат прямо в редакторе. Появились новые игроки — Cursor пробует строить редактор вокруг модели с самого начала, Google только-только показал Gemini. Движение есть, и оно быстрое.

Но здесь важно не перепутать рост возможностей с переходом границы. Большее окно контекста делает удобнее работу с длинными файлами — это попадает в стопку «полезно». Оно не делает агента надежным и не превращает «напиши приложение» в рабочий сценарий, потому что упирается все в ту же стоимость проверки. Технический прогресс реален, но он пока сдвигает количество, а не меняет качество границы. Это сдвиг, а не перелом.

Перестать ждать чуда и начать мерить руками

Главный вывод первого полного года жизни с AI в редакторе у меня получился неромантичным. 2023-й был годом завышенных ожиданий — и со стороны индустрии, которая продавала чудо, и с моей: я ждал, что чудо вот-вот случится. Ни того ни другого не произошло. Произошло что-то спокойнее и полезнее: в мой рабочий день встроился неплохой ускоритель для скучной, локальной, проверяемой работы. Не больше, но и не меньше.

Поэтому самое здоровое отношение к этим инструментам на входе в 2024 год — не вера и не насмешка, а измерение. Не спрашивать «заменит ли это меня», а спрашивать «на чем конкретно сегодня я сэкономил пятнадцать минут, а где потерял двадцать на отладке сгенерированного». Вести этот внутренний учет честно, без скидок на хайп и без обиды на то, что обещали больше.

Если сформулировать совсем прямо: ценность AI в разработке стоит мерить руками по сэкономленному и потерянному времени, а не верить ни обещаниям из релизов, ни собственному раздражению от невыполненных обещаний. Год показал, что инструмент реальный, польза локальная, цена есть, а чуда нет. И это, как ни странно, хорошая новость — потому что с реальным инструментом, у которого понятны границы, можно спокойно работать дальше.

Автор

Senior Principal JavaScript Developer, Tech Lead. Пишет о React, TypeScript, React Native, архитектуре фронтенда и бэкенда и о том, как AI меняет работу разработчика.

Обновлено

Читайте также