[3/3] Octoverse 2026: агенты, модели и процессы разработки (Рубрика #Engineering)

Заканчивая разборы серию постов (1 и 2) разбора Octoverse 2026 посмотрим, что происходит между постановкой задачи и слиянием PR. Здесь сходятся агенты, выбор моделей и ревью кода.

🤖 Агенты: от вопроса к делегированию задачи

По данным GitHub, в сентябре 2026 года более 40% PR начинались с обнаруженного созданного агентом драфта, в марте — 17%. В сентябре это 110 млн PR на платформе. А среди месячной активной аудитории Copilot агентные функции использовали 55%, против 35% годом ранее. Агентный драфт ещё не означает автономную работу над всем PR. Но начало задачи уже выглядит иначе: разработчик описывает, что нужно сделать, и получает изменение для обсуждения, проверки и доработки.

Есть и эффектная цифра: новые репозитории с конфигурацией агента в среднем получили в восемь раз больше коммитов, чем новые репозитории без неё. Это сравнение групп, которые могли изначально различаться по командам и задачам; отсутствие файла тоже не исключает использование ИИ. Восьмикратный рост продуктивности из него не следует.

🧠 Модели: несколько инструментов в работе

В сентябре среди пользователей Copilot, самостоятельно выбирающих модель, 61% использовали больше одной модели в разных сессиях. Платная аудитория Copilot за месяц использовала 47 различных моделей; ни одна не получила больше 25% запросов. Выборка запросов исключает автоматический выбор, обращения со своим API-ключом и служебный трафик. Это картина использования моделей внутри Copilot, а не доли всего рынка или рейтинг качества. Отдельно GitHub сообщает: 63% платных пользователей Copilot хотя бы раз за сентябрь использовали автоматический выбор модели. Ручной выбор и автоматическая маршрутизация могут сосуществовать даже у одного человека.

Мне здесь интересна возможность подбирать модель под этап работы: для планирования, реализации и проверки требования к качеству, скорости и цене могут различаться.

🔎 Ревью и безопасность: что происходит после генерации

GitHub сообщает, что в сентябре 90% PR с участием агентов сливались в течение двух недель, против примерно 86% PR без обнаруженного участия агентов. В феврале показатели составляли 83% и 86% соответственно. По этим данным нельзя оценить качество изменений после выпуска: задачи могли различаться, а группа без обнаруженных агентов тоже может пользоваться ИИ.

При этом использование AI-assisted code review и GitHub Advanced Security выросло более чем на 90% год к году у каждого из инструментов. Инструменты проверки тоже получают больше внимания, хотя сам рост использования ещё не доказывает снижение числа дефектов.

Для команды хорошо измерять путь изменения от постановки до выпуска: сколько заняли работа агента, ревью и переделки, сколько стоило выполнение и пришлось ли потом откатывать результат. По такой картине уже можно судить, где делегирование помогает и какую часть процесса стоит менять.

#Engineering #AI4SDLC #Agents #DevTools #Metrics #Security