Компании внедряют его в разные сегменты: от ускоренного прототипирования и рефакторинга до автоматизации задач, ранее требовавших участия нескольких специалистов. Вместе с этим обостряются и проблемы — высокая стоимость вычислений, риски утечек данных, отсутствие единых стандартов и критериев оценки эффективности. Но, несмотря на ограничения, технология становится частью повседневной инженерной практики. О реальном положении дел, сильных и слабых сторонах вайб-кодинга и его перспективах рассказывает IT-World.
Польза без формул: где технология уже приносит результат
Преимущества вайб-кодинга проявляются сразу на нескольких уровнях. Прежде всего — это ошеломляющая, с точки зрения любого «путешественника из прошлого», скорость прототипирования простых экспериментальных решений. Такая динамика особенно важна в борьбе за выживание на рынке, где даже небольшие компании и отдельные предприниматели вынуждены постоянно искать новые подходы.
Не менее значимым эффектом стало расширение возможностей зрелых команд. Выгоревшие техлиды и директора получают безропотное, но увлекательное «второе дыхание» в борьбе с рутиной. При правильной организации процесса стажеры превращаются в многоруких универсалов, а узкие специалисты получают в помощь мощного ассистента, способного решать задачи, которые раньше требовали второго человека с совершенно иными компетенциями.
Измерить эти изменения в денежном эквиваленте сложно. Тем не менее мало кто сегодня может позволить себе игнорировать поступь столь популярной технологии, поэтому ИИ внедряется повсеместно. Окупаемость пока не является приоритетом для крупных игроков, способных позволить себе своеобразное «вайб-бюджетирование». Однако у скорости и простоты есть цена — и не только вычислительная.
Технологические ограничения и темп развития
С каждым кварталом технические ограничения становятся менее ощутимыми, однако сам их перечень почти не меняется. Высокая стоимость вычислений, сложность постановки задач на существующих кодовых базах и необходимость их подготовки и сжатия перед загрузкой в модель по-прежнему остаются проблемой. К этому добавляются забывчивость и неточность моделей, их слабая восприимчивость к замечаниям, а также неспособность интерпретировать и тем более строго выполнять формальные требования.
Несмотря на добросовестные усилия лидеров отрасли по выработке единых стандартов взаимодействия с системами искусственного интеллекта, темп изменений в «лучших практиках» остается колоссальным. Даже привычный формат «вопрос-ответ» уже оброс множеством дополнений, необходимых для более тонкой настройки поведения таких систем. Компаниям, которые развивают собственные направления исследований и разработок в области ИИ, приходится бежать со всех ног, чтобы просто оставаться на месте: скорость развития технологий не позволяет полностью замкнуться во внутреннем контуре и надеяться на долгосрочную ценность собственных наработок.
При этом высокая динамика изменений почти не сказывается на качестве создаваемого кода. Влияние вайб-кодинга на технический долг, по сути, минимально. Опасения по поводу ухудшения этих показателей возникли еще на заре использования систем автоматизированного программирования, поэтому процессы проверки и внедрения кода, созданного при участии искусственного интеллекта, уже были ужесточены исторически. Культура обеспечения безопасности и внимательная работа с уязвимостями помогли отрасли подготовиться к очередной волне подозрительных изменений. Технический долг экспериментальных прототипов, как и прежде, воспринимается как нечто нормальное и не вызывает особого беспокойства.
Заметные провалы в работе вайб-тулсетов, например, недавний инцидент с удалением production-данных стартапа SaaStr агентом Replit (работает на основе Claude), обязаны своей огласке тому, как долго ИТ-сообщество ждало этой естественной и логичной развязки. Степень недоверия к инструментам разумно высока, индустрии для деконструкции «барьеров для прода от дурака» понадобятся годы беспечности.
Печальней выглядят последствия вмешательства языковых моделей в человеческие коммуникации. Попытки выдавать неотредактированные машинные тексты за документацию к коду или продукту, спам коммитов в проекты с открытым исходным кодом, а также появление неточных описаний и комментариев к запросам на слияние портят репутацию любителям ИИ-инструментария. Сообщества операционных систем Gentoo и NetBSD превентивно объявили о запрете на принятие к рассмотрению изменений в код, конфигурацию и документацию, сгенерированных с помощью LLM. Разумеется, эти сообщества при этом не располагают надежными средствами раннего обнаружения навайбкоженой кодовой массы, что открывает для мирового опенсорс-сообщества совершенно новое пространство риторики, построенной вокруг обвинений автора предлагаемых изменений в том, что он является «жестянкой».
Такие сдвиги в коммуникациях неизбежно отражаются и на профессиональных ролях внутри команд. Изменения происходят не только в том, как пишется код, но и в том, как разработчики взаимодействуют между собой и с ИИ.
Эволюция роли программиста в эпоху вайб-кодинга
Роль программиста в эпоху вайб-кодинга действительно меняется, но не столь радикально, как можно было ожидать. Промпт-инжиниринг остается единственным по-настоящему новым навыком — и при этом с самым низким порогом входа. В повседневной работе изменяются лишь пропорции задач, но не сам набор компетенций, а именно он и составляет сложность профессии программиста.
Тем не менее влияние новых инструментов уже ощущается на уровне структуры команд. Программист постепенно утрачивает статус обязательного участника в небольших рыночных экспериментах и типовых коммерческих проектах. В областях, где критичны архитектура, масштабируемость и безопасность, его роль по-прежнему незаменима, а стоимость подготовки квалифицированного специалиста при этом не снижается.
По мере распространения вайб-кодинга рынок начнет сам определять, какие навыки сохранят ценность, а какие постепенно уйдут в «коллективную деградацию». Куда важнее станет способность компаний адаптировать системы оценки эффективности и производительности нового поколения разработчиков — задача, которую ИТ-индустрия в старой парадигме решала годами и так и не стандартизировала.
Уже сейчас формируются три устойчивые специализации. Первая — инфраструктурные инженеры на стыке с DevOps, работающие с нетипичным аппаратным стеком, применяемым в системах искусственного интеллекта. Вторая — специалисты по обработке запросов, создающие корпоративные платформы для совместного, контролируемого и безопасного использования ИИ. Именно на них ложится ответственность за практическую применимость создаваемых решений. Третья — инженеры по искусственному интеллекту. Некоторые задачи требуют создания или дообучения собственных языковых моделей. Это трудоемкое направление на стыке больших данных и разработки LLM, но кадровый резерв здесь активно растет за счет энтузиастов и выходцев из областей компьютерного зрения и обработки естественного языка.
Помимо этих специализаций, базовый уровень владения промпт-инжинирингом постепенно становится обычным требованием к любому специалисту, связанному с информационными процессами.
Расширение набора ролей и компетенций в разработке закономерно обостряет вопрос ответственности — прежде всего, в области безопасности. Чем глубже ИИ встраивается в инженерные процессы, тем больше рисков связано с конфиденциальностью, контролем и надежностью создаваемых решений.
Небезопасно, но пока под контролем
Использование искусственного интеллекта при генерации кода нельзя назвать безопасным, хотя пока об этом еще помнят. Если типичный результат работы языковой модели в большинстве случаев требует доработки и проходит стандартные этапы проверки и редактирования, то сам процесс ее функционирования несет в себе юридические и этические риски.
Когда ИИ работает на внешних вычислительных мощностях, остро встает вопрос конфиденциальности и недопустимости утечки корпоративных и клиентских данных. Методы цензуры, применяемые при обучении моделей, также не всегда надежны: система может отказываться выполнять запросы, выдавать политизированные ответы, а в худших случаях — формировать откровенно вредоносный контент. Открытым остается и вопрос авторского права: кодовые базы и иные материалы, использованные при обучении моделей, могут невольно становиться источником нарушений. Компании до сих пор не имеют четких механизмов защиты своей интеллектуальной собственности в ситуации, когда она фактически «запоминается» в весах отчуждаемых моделей и может случайным образом появляться в решениях других организаций.
Малые компании, как правило, не задумываются о подобных рисках и загружают чувствительные фрагменты кода напрямую поставщику ИИ, полагаясь на его добросовестность. При этом сама добросовестность во многом сформирована давлением со стороны крупных корпоративных клиентов, требующих прозрачных правил обработки и хранения данных. Все чаще встречаются и варианты локального размещения ИИ-систем — прежде всего в секторах, где действуют строгие требования государственных регуляторов. На вершине этой иерархии безопасности находятся суверенные подразделения искусственного интеллекта и собственная вычислительная инфраструктура — путь, по которому сегодня идут крупнейшие российские ИТ-компании.
Но несмотря на все риски и неопределенности, связанные с безопасностью и правовым статусом языковых моделей, практика показывает: компании продолжают активно экспериментировать с их внедрением. Российский рынок — не исключение.
Российская практика: первые итоги и направления развития
Вайб-кодинг уже применяется в российских компаниях, но результаты этого применения крайне неоднородны. Все известные мне случаи промышленного использования языковых моделей в качестве основного инструмента создания программного кода, который затем вводится в эксплуатацию, связаны в основном с командами, работающими в области OLAP и DWH. В этих задачах языковые модели хорошо проявляют себя как генераторы небольших, легко встраиваемых модулей преобразования и анализа данных.
В более традиционных сегментах разработки языковые модели пока выполняют вспомогательную роль. Их склонность к логическим ошибкам и «забывчивости» ограничивает область применения рамками персональной поддержки отдельных разработчиков. Сейчас сохраняется тенденция использования таких моделей там, где смысловая сложность постановки задачи и контроля результата заметно ниже сложности реализации. Это прототипирование, рефакторинг и трансформация кода, перевод, поиск и адаптация существующих решений по нечетким формулировкам, диагностика инфраструктурных проблем, а также автоматизация код-ревью.
У нас в ITKey для крыла DevOps наиболее продуктивными оказались диагностические и скриптовые функции вайб-кодинг-инструментов: например, отладить или дописать неработающую по неизвестным причинам систему трансформации Docker-образов или Ansible-модуль для выпуска узко-специализированных PKI-сертификатов. Такие задачи объединяет то, что проблематика хорошо освещена в интернете но настолько объемна или скучна что никто не хочет держать ее специфику в голове. Вайб-кодинг помогает замещать соседа-разработчика, делая инженера заметно более автономным и быстрым в некоторых задачах. Разработчики же пока более консервативны и предпочитают пользоваться интеграциями вайб-кодинг-утилит в IDE для ускорения рутинных лексических задач, либо классической формой промпт-ответ.
Многие российские компании уже активно создают внутренние инструменты для системного внедрения данного подхода. Эти усилия сосредоточены в двух направлениях: развитие внутренней инфраструктуры, устойчивой к рискам недоступности и ценовой неопределенности, и стандартизация процессов — постановки задач, разработки и тестирования новых модулей, что позволяет уменьшить вероятность ошибок и «галлюцинаций» модели. Некоторые команды уже проводят эксперименты с комбинациями нейросетевых агентов, предназначенных для взаимного контроля и итеративного решения задач. Это направление прикладных исследований сейчас активно развивается во всем мире.
Накопленный практический опыт уже позволяет делать осторожные прогнозы о том, куда будет двигаться технология в ближайшие годы.
От эксперимента к новой норме: куда движется машинная разработка
Языковые модели и продукты их эволюции уже стали неотъемлемой частью процесса разработки программного обеспечения. Неопределенными остаются лишь сектора и уровни производственной иерархии, на которых их сильные и слабые стороны проявят себя наиболее эффективно. Контентная индустрия — маркетинг, копирайтинг, визуальные решения — уже продемонстрировала кратный рост производительности после внедрения языковых и графических моделей. Похожий эффект ожидает и сферу программирования. Вопрос лишь в том, останутся ли эти системы постоянными помощниками специалистов или со временем превратятся в автономные рабочие группы внутри инфраструктур разработки нового поколения.
Вполне возможно, что текущий экстенсивный путь развития моделей не позволит преодолеть этот барьер и настоящий прорыв произойдет позже. Однако даже в этом случае компании, которые уже сейчас перестраивают процессы под машинную разработку, окажутся впереди.
На горизонте ближайших трех–пяти лет в ИТ-экосистемах крупных компаний, вероятно, будет решена задача уверенной и предсказуемой разработки новых программных модулей по постановкам средней степени детализации. Впрочем, называть это вайб-кодингом будет уже странно — скорее это естественное продолжение концепции. Привычный сегодня формат итеративной работы с ИИ в диалоговом режиме будет развиваться не столько «вглубь», сколько «вширь», привлекая все больше пользователей и снижая порог вхождения в инструментарий нового поколения.
Однако этот этап станет лишь промежуточным. Когда инструменты машинной разработки достигнут предсказуемости и массового применения, следующим вызовом станет качественное изменение самих принципов их работы.
Перспективным направлением развития можно считать создание гибридов современных языковых моделей с классическими формальными системами, более предсказуемыми и лишенными свойственной нейросетям забывчивости и непостоянства. Такие решения способны объединить гибкость ИИ с надежностью строгих вычислительных подходов.
Меняться будет и сам процесс взаимодействия с интеллектуальными агентами. Одним из ожидаемых шагов вперед станет разработка систем, способных подобно «самостоятельного» сотруднику уточнять постановку задачи и запрашивать промежуточную обратную связь.
Технологиям искусственного интеллекта еще есть куда расти, и пока невозможно предсказать, какое из этих направлений первым приведет к настоящему прорыву.
Но если говорить не о будущем, а о текущих реалиях, главная задача компаний сегодня — не угадать направление следующего прорыва, а выстроить практичный подход к использованию уже доступных инструментов. Именно на этом этапе правильная стратегия внедрения становится решающим фактором эффективности.
Я бы предостерег малый и средний бизнес от чрезмерно системного внедрения этой технологии. Лишь немногие задачи действительно требуют собственной автономной ИИ-инфраструктуры, и еще меньшее их количество может быть ею эффективно решено. На столь раннем этапе развития ИИ-разработки важно сохранять гибкость и непредвзятость. Поэтому индивидуальные программы обучения, обмен опытом между сотрудниками и, конечно, корпоративные аккаунты с доступом к вычислительным токенам выглядят гораздо более экономичным и разумным решением, чем попытка выстраивать внутренние ИИ-платформы.
Крупным ИТ-компаниям, напротив, избежать этого процесса не удастся: развитие технологий вынудит их перейти к дорогостоящему внедрению искусственного интеллекта в производственные процессы. Для таких организаций ключевым станет вопрос уровня консолидации экспертизы и выстраивания эффективных отношений с поставщиками ИИ-решений.
Вайб-кодинг как этап эволюции разработки
Вайб-кодинг — безусловный прорыв в ИТ и одновременно предвестник еще более масштабных изменений. Если сегодня трансформации затрагивают сам производственный процесс, то в будущем искусственный интеллект сделает экономически доступным решение задач на принципиально новом уровне.
Можно с уверенностью сказать, что этот инструмент позволит ИТ-индустрии удовлетворять потребности человечества полнее и быстрее. Бизнес-концепты, которые раньше оставались в категории слишком дорогих или трудоемких идей, смогут воплотиться в реальные, работающие продукты. Закостенелые или даже заброшенные легаси-системы получат шанс на предсказуемое и безопасное обновление и развитие. Я верю, что вайб-кодинг позволит тому, что еще недавно казалось нецелесообразным, невообразимым или просто слишком скучным, стать доступным и почти рутинным.