Разработчик ИИ-инструментов замерила реальное ускорение: не в 10, а в 1,3–4 раза

Публикация на Хабре ценна тем, что автор использовала не один инструмент, а целый набор: коммерческие модели Claude и GPT-4o в редакторе Cursor, российский GigaCode, а также открытые модели (модели с доступным исходным кодом) Qwen2.5-Coder и DeepSeek-Coder через Ollama (программу для локального запуска нейросетей на своём компьютере). Это не рекламный кейс одного вендора, а сравнение на живых задачах.

Где ИИ ускоряет, а где создаёт иллюзию?

• Планирование даёт самый стабильный выигрыш. Подготовка спецификации, декомпозиция задачи, поиск противоречий и забытых сценариев: 30-60 минут вместо одного-двух вечеров. Разработчик ИИ-помощнику формулирует цель, ограничения, крайние случаи и требования к безопасности, а агент готовит черновик.

• Типовой код ускоряется в 2,5-4 раза. CRUD-операции (стандартные действия «создать, прочитать, обновить, удалить»), интеграции с API, миграции баз данных, рефакторинг и юнит-тесты (автоматические проверки отдельных функций).

• Новая бизнес-логика ускоряется только в 1,3-1,8 раза. Архитектурные решения и нестандартные задачи, иногда ИИ даже замедлял работу.

• Главная иллюзия: агент «написал 70-80% кода». После ревью, исправлений и интеграции значительная часть времени уходила на понимание и доработку результата. Просто вместо набора кода разработчик ИИ-сгенерированный результат проверяла и исправляла.

• Типичные ошибки нейросетей: несуществующие методы и API, код, не вписывающийся в архитектуру, пропущенные проверки, а также галлюцинации (когда модель уверенно выдумывает то, чего нет) в объяснениях.

Безопасность: главное узкое место, которое чаще всего игнорируют

Даже в личных проектах агенты регулярно предлагали небезопасные решения: SQL-инъекции (способ взломать базу данных через поле ввода), XSS (атака через вредоносный скрипт на странице), захардкоженные секреты (пароли прямо в коде) и некорректную обработку данных.

К этому добавились риски, специфичные именно для ИИ-разработки:

• Промпт-инъекция (prompt injection): злоумышленник подсовывает команды через входные данные, и агент выполняет то, что не должен.
• Утечки через логи агентов: модель может записать чувствительную информацию в журнал.
• Supply-chain риски: зависимости и сами ИИ-инструменты могут содержать уязвимости.

Автор описала свой чек-лист: добавила требования безопасности прямо в спецификацию на этапе планирования, ввела отдельный этап проверки безопасности и для чувствительного кода использует локальные модели, которые не отправляют данные на внешние серверы. Это снизило количество очевидных ошибок, но не заменило ручную проверку.

Как попробовать этот подход на своих задачах?

1. Установите Ollama и запустите локально Qwen2.5-Coder или DeepSeek-Coder. Это бесплатно и не требует подписки, данные не покидают ваш компьютер.

2. Начните с планирования, а не с генерации кода. Сформулируйте цель, ограничения, крайние случаи и требования к безопасности. Попросите агента подготовить спецификацию и найти противоречия.

3. Добавьте чек-лист безопасности в промпт (текстовую команду для нейросети). Пропишите в системном промпте (базовой инструкции модели) правила проекта: запрет на хардкод секретов, обязательную валидацию входных данных, проверку зависимостей.

4. Измеряйте время до рабочего результата, а не скорость генерации. Засекайте от постановки задачи до прохождения тестов и ревью, это честная метрика.

Что делать с этим прямо сейчас, по ролям

Автору Дзена и копирайтеру. Подход «сначала спецификация, потом генерация» работает не только с кодом. Если вы используете нейросеть для текстов, попробуйте сначала описать цель, аудиторию, ограничения и потенциальные проблемы, а потом просить черновик. По опыту автора, именно на этапе планирования ИИ стабильнее всего.

Маркетологу. Цифры 2,5-4 раза на типовых задачах и 1,3-1,8 на сложных полезны для оценки реальной экономики ИИ-проектов. Если подрядчик или разработчик ИИ-решений обещает «ускорение в десять раз», есть повод уточнить, что именно считали.

Предпринимателю в РФ. Из упомянутых инструментов GigaCode доступен в России без ограничений. Qwen2.5-Coder и DeepSeek-Coder запускаются локально через Ollama, это тоже работает без VPN. Закрытые модели Claude и GPT-4o требуют зарубежного доступа.

Российские аналоги: GigaCode и YandexGPT

YandexGPT и GigaChat можно использовать для этапа планирования и спецификации, если генерация кода не нужна: сформулировать требования, найти противоречия, подготовить чек-лист безопасности.

Частые вопросы

Нужна ли мощная видеокарта для локальных моделей?

Qwen2.5-Coder и DeepSeek-Coder через Ollama запускаются на обычном компьютере. Для небольших моделей (7 миллиардов параметров) достаточно 8 гигабайт оперативной памяти. Для моделей покрупнее (33 миллиарда параметров) понадобится видеокарта с 16 и более гигабайтами видеопамяти. Автор не уточняла конфигурацию, но Ollama поддерживает и процессорный режим, просто медленнее.

Правда ли, что открытые модели уже не хуже закрытых?

По данным автора, открытые модели закрывают значительную часть повседневных задач, особенно при хорошем контексте и инструментах. Но на сложных задачах закрытые модели пока часто выигрывают по качеству. Это не приговор: для типовых задач, которые составляют основную массу работы, локальные модели уже достаточны.

Что делать, если я не программист, но хочу использовать ИИ безопаснее?

Главный принцип из разбора: не передавайте нейросети чувствительные данные (пароли, персональные данные клиентов, финансовую информацию) через облачные сервисы. Для работы с такими данными используйте локальные модели. И всегда проверяйте результат, навык постановки задачи и строгой проверки ответа сейчас важнее, чем умение получить ответ от агента.

Самый точный вывод из всего разбора принадлежит автору: главный навык разработчика ИИ-эпохи не в том, чтобы получить код от агента, а в том, чтобы правильно поставить задачу и строго проверить результат, и это касается любой профессии, где нейросеть уже стала рабочим инструментом.