Claude ускоряет разработку, но не заменяет ревью

Автор протестировала современные ИИ-инструменты на личных проектах и выяснила, где они действительно экономят время, а где создают лишь видимость быстрых результатов. Самый заметный эффект оказался не в «магии генерации кода», а в планировании, проверке и сборке рабочего процесса.

Где ИИ даёт реальную экономию

Сильнее всего инструменты вроде Cursor с Claude, GPT-4o, GigaCode, а также локальных Qwen2.5-Coder и DeepSeek-Coder помогали на подготовительном этапе. Вместо того чтобы сразу писать код, автор сначала формулировала цель, ограничения, спорные случаи и требования к безопасности, а потом просила агента собрать спецификацию, критерии приемки, разбиение задачи, черновик архитектуры и список рисков.

После ручной проверки такой план удавалось собрать за 30–60 минут вместо одного-двух вечеров. Особенно полезно это там, где важно не забыть редкие сценарии и заранее увидеть противоречия: ИИ хорошо помогает именно в структурировании работы, а не только в написании строк кода.

Где скорость есть, но не без доплаты

На простых задачах — CRUD, интеграциях с API, миграциях, тестах и рефакторинге — ускорение доходило примерно до 2,5–4 раз. Если же речь шла о новой бизнес-логике или архитектурных решениях, выигрыш становился скромнее: около 1,3–1,8 раза. В некоторых случаях ИИ даже тормозил процесс, потому что результат всё равно приходилось перепроверять и переделывать.

Главная ловушка здесь — ощущение, что агент уже сделал 70–80% работы. На практике после генерации остаются ревью, исправления, встраивание в проект и оценка качества, так что экономится не столько набор текста, сколько время на повторяемые рутинные действия.

Почему без человека безопасность не работает

Даже в личных pet-проектах модели предлагали опасные решения: SQL-инъекции, XSS, hard-coded секреты и ошибки в обработке данных. К этому добавляются и новые риски, связанные именно с ИИ-инструментами: prompt injection через входные данные, утечки через логи агентов и проблемы в цепочке зависимостей или самих инструментов.

Чтобы снизить количество очевидных ошибок, автор добавила security-checklist в настройки агентов, отдельный security-ревью и стала описывать требования по безопасности ещё на этапе спецификации. Для чувствительного кода она использует локальные модели, но даже это не отменяет ручную проверку — особенно там, где важны архитектура, безопасность и сложная логика.

Что это меняет в работе разработчика

ИИ сдвигает роль разработчика: меньше времени уходит на ручной набор кода, больше — на постановку задачи, контроль результата и управление качеством. По сути, человек становится не столько «пишущим код», сколько оркестратором агентов и владельцем безопасности.

Самый полезный навык сейчас — не просто попросить модель что-то сгенерировать, а правильно сформулировать задачу и строго проверить итог. Автор также отмечает, что open-source-модели уже закрывают многие повседневные сценарии, но на сложных задачах закрытые модели пока часто дают лучшее качество.