Как AI влияет на продуктивность опытных разработчиков

Александр Поломодов и Артём Арюткин разбирают эксперимент METR об AI и опытных open-source разработчиках. Участники решали реальные задачи в знакомых репозиториях с Cursor и без него; результат показал значимое замедление, хотя инженеры ожидали ускорения и считали инструмент полезным.

До громкого вывода проверяют дизайн: финансирование, набор участников, сравнение и оценки времени. Инженеры знали кодовые базы, но часть почти не пользовалась Cursor. Зрелый репозиторий с накопленным контекстом и неявными связями оказался одним из самых трудных сценариев для ассистента.

Причина проблемы бывает далеко от симптома, а знания живут в голове контрибьютора. Инструмент стоит вводить как сотрудника: сначала чтение и суммаризация архитектуры, затем маленькие задачи и повышение сложности после проверки. Это калибрует доверие и показывает, где модель понимает контекст, а где добавляет review.

Из опыта нельзя выводить универсальное «AI замедляет»: ограничены инструмент, навыки, задачи и выборка. Одна задача может идти дольше, но несколько агентов увеличивают throughput. Продолжение требует обученных пользователей, современных моделей и метрик качества при сохранении экранных записей и наблюдаемого результата.