DX Q2 2026: кода больше, доверия меньше (Рубрика #AI4SDLC)

Разбирался со свежим отчётом DX "The State of AI Impact in Engineering: Q2 2026" по данным более 500 инженерных организаций. Главный результат там не в том, что AI наконец «доказал продуктивность». Интереснее возникшее напряжение: объём кода и затраты растут, а доверие к изменениям, опыт разработчиков и доля времени на инновации за ними не успевают.

DX пишет, что проникновение AI уже превысило 90%, поэтому сравнивать пользователей с контрольной группой тех, кто AI не использует, становится практически невозможно. Вместо этого авторы смотрят на четыре квартала данных через DX Core 4 - скорость, эффективность, качество и влияние (про этот фреймворк был выпуск подкаста Research Insights) - и через собственную рамку измерения AI: использование, эффект и стоимость (это фремворк тоже разбирался в другой серии Research Insights)

Авторы отчета видят несколько противоречивых точек, приведенных ниже

1️⃣ Расхождение между количеством кода и потоком поставки DX оценивает долю AI-сгенерированного кода во втором квартале в 52%. Однако в отдельном описании методологии компания уточняет: это самооценка разработчиков, причём её следует читать как долю рабочей нагрузки по кодингу, переданной AI, а не как буквально измеренные строки в репозитории. Более предметный сигнал даёт телеметрия. Медианный TrueThroughput вырос за четыре квартала на 37% - с 1,42 до 1,94 PR на инженера в неделю. Одновременно медианный размер PR увеличился с 44 до 72 строк, то есть примерно на 64%. Результат ожидаемый: через конвейер идёт больше изменений и каждое из них в среднем становится крупнее.

Но дальше система начинает сопротивляться. DX сообщает об ухудшении времени review, локальной скорости итераций и практики incremental delivery. Средний Developer Experience Index снизился с 67 до 65. То есть output вырос, а инженерный поток не стал пропорционально легче.

2️⃣ Расхождение между понятностью кода и доверием к нему С первого квартала показатель Code Maintainability улучшился на 3,8%, а Change Confidence одновременно снизился на 6,1%. На первый взгляд странно: кодовую базу стало проще понимать, но разработчики меньше уверены, что изменение не сломает production. Мне кажется, здесь хорошо видна новая роль AI. Он умеет объяснить код, подсказать рефакторинг и помочь с документацией. Но понимание конкретного diff ещё не создаёт доказательства его корректности. Между «я прочитал изменение» и «я доверяю ему в production» лежат тесты, review, архитектурный контекст, наблюдаемость и ответственность.

3️⃣ Расхождение между сэкономленным временем и ценностью. По оценке DX, пользователи AI экономят 4–6 часов в неделю. Но innovation ratio - доля времени на новые возможности продукта относительно поддержки и накладных расходов - осталась почти неизменной. Высвобождённые часы не превратились в заметно большую долю инновационной работы. При этом медианные квартальные расходы организаций на AI выросли примерно с $1,5 тыс. до $44 тыс. за год. Деньги уже масштабируются, а доказанный downstream-эффект - пока нет. Похоже, сэкономленное время поглощают старые очереди: согласования, review, CI/CD, сопровождение, технический долг и организационная фрагментация.

Это хорошо рифмуется с другими исследованиями, которые я разбирал в «Книжном кубе». - В ""GitLab AI Accountability Report" 79% респондентов согласились, что индивидуальная продуктивность выросла, но общий процесс поставки ускорился заметно слабее; 85% увидели перенос узкого места из написания кода в review и проверку. - Эксперимент METR - дал ещё более неудобный контрпример: 16 опытных open-source-разработчиков на знакомых репозиториях с AI-инструментами начала 2025 года выполняли задачи на 19% дольше. Это странный эксперимент и его любят упоминать, но доверия к нему у меня не очень много. - А вот "DORA ROI" этого года предлагает язык для объяснения происходящего: verification tax, нестабильность, J-curve внедрения и высвобождённая инженерная ёмкость, которую ещё нужно суметь реинвестировать.

Эти результаты не стоит усреднять, так как они задизайнены и проведены по разному, на разную аудиторию и так далее, но общие мысли сходятся. А если говорить про исследование DX, то кажется, что круто мерить AI-метрики не вокруг инструментов, а по процессу, который для нас важен. Условно, можно идти по цепочке использование → throughput → размер изменений и review → deployment → качество и инциденты → продуктовый результат → стоимость И рядом обязательно держал бы опыт разработчиков, переделки и распределение времени. Если AI-кода стало больше, это сигнал использования. Если вырос throughput - сигнал локального ускорения. Но только стабильные релизы, сохранённое доверие и больше времени на ценную работу показывают, что сильнее стала вся инженерная система.

#AI #AI4SDLC #Engineering #Management #Metrics #DevEx