Версия Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# ИИ-агенты для программирования увеличили объём кода в исследовании компаний, но завершённая работа отставала

> Рабочая статья Гарварда связывает внедрение агентов для программирования в 718 компаниях с увеличением объёма кода и более длительной проверкой pull request, но без значимого роста решённой работы.

By BIG CHANGE Editorial

Published: 2026-10-10T00:19:01.727Z
Updated: 2026-10-10T00:19:01.727Z
Canonical: https://bigchange.ai/blog/ai-coding-agents-review-output-study

![Two colleagues discuss a software change beside a monitor turned away from view.](https://bigchange.ai/api/media/file/hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE

Рабочая статья [Гарварда](https://fion.ac/jellyfish.pdf) позволяет проверить распространённое утверждение о производительности: больше кода, написанного с помощью ИИ, должно означать больше поставленного программного обеспечения. По данным 718 компаний, использующих платформу аналитики инженерных процессов Jellyfish, Fiona Chen и James Stratton оценивают, что после внедрения агентов для программирования число строк кода на активного сотрудника выросло на 30%, число коммитов — на 20%, а число pull request — на 23%. Их показатели завершённых задач и эпиков в Jira не показали статистически значимого роста. Текущая версия статьи датирована 4 августа 2026 года; данные о рабочих событиях заканчиваются мартом 2026 года.

Это расхождение важно для руководителей инженерных команд, поскольку pull request попадает в очередь на проверку, тестирование и возможные доработки. В том же исследовании, по оценке авторов, после внедрения агентов время от отправки pull request до его слияния выросло на 49%. Запросы на изменения стали встречаться чаще, а число комментариев на pull request увеличилось. Эти результаты указывают на более высокую нагрузку при проверке, но не показывают, что каждое изменение, написанное агентом, некачественно, и не дают измеренной доли дефектов.

## Главное изменение

- **Что изменилось:** В этом исследовании на уровне компаний внедрение агентов для программирования совпало со значительным ростом активности программирования и более требовательной проверкой pull request, но без статистически значимого роста числа решённых задач или эпиков.
- **Почему это важно:** Строки кода, коммиты и pull request измеряют работу, поступающую в производственный процесс. Решённая работа — более поздний показатель. Команда, оценивающая агентов только по объёму кода, может не заметить нагрузку, возникающую на этапе проверки.
- **За чем следить:** Смогут ли компании увеличить возможности проверки и покажут ли более поздние данные рост завершённой работы. Эта рабочая статья отслеживает раннее внедрение до марта 2026 года и не позволяет сделать выводы о долгосрочных последствиях.

## Для ассистентов и агентов получены разные оценки

Авторы различают *ассистентов*, которые предлагают фрагменты кода, пока разработчик работает, и *агентов*, которые могут принять задачу более высокого уровня и выполнить несколько шагов до того, как разработчик одобрит результат. Внедрение ассистентов они измеряют по активации бизнес-лицензий GitHub Copilot и Cursor. Для агентов они объединяют данные об использовании Claude Code с такими признаками, как учётные записи ботов и сигнатуры инструментов в коммитах или pull request. Некоторые случаи индивидуального использования и неинтегрированные инструменты могут не попасть в эти измерения. Оценка для агентов — это дополнительная связь, наблюдаемая при внедрении агентов по сравнению с более ранним периодом внедрения ассистентов; она не относится к каждому отдельному пользователю агента.

Результаты для ассистентов были скромнее: оценочный рост числа строк составил 12%, коммитов — 9%, pull request — 5%. В основных оценках статьи статистически значимым был только результат по коммитам. При внедрении агентов наблюдался значимый рост по всем трём показателям активности программирования. Коммит фиксирует обновление кода; pull request отправляет изменение на проверку. Ни то ни другое не доказывает, что функция дошла до пользователей. В статье завершённые задачи Jira и более крупные эпики используются как показатели результатов на позднем этапе — на основе отслеживаемого процесса, в котором команды отмечают работу выполненной после проверки, тестирования и развёртывания. Статус Jira служит косвенным показателем поставки, а не независимым измерением того, что получили пользователи.

Для агентов оценочный прирост числа решённых задач составил 0,12 на сотрудника в месяц при базовом уровне 3,67 и стандартной ошибке 0,17. Статистически результат не отличается от нуля. По завершению эпиков значимого изменения также не выявлено. Авторы сообщают, что их доверительный интервал исключает рост числа завершённых задач более чем на 12% от среднего базового уровня за изученный период. Это более узкий вывод, чем утверждение, будто агенты не создают полезное программное обеспечение: умеренный прирост остаётся возможным, а число задач не отражает все изменения ценности или качества. Авторы проверили возможное изменение размера задач с помощью прогнозных показателей их длительности и не нашли признаков такого сдвига в своей выборке.

## До проверяющих доходило больше работы

Показатели проверки дают правдоподобное объяснение разрыва в результатах. После внедрения агентов, по оценке статьи, от отправки pull request до слияния проходило на 3,45 дня больше по сравнению с базовым уровнем 7,03 дня — рост на 49%. Это календарное время процесса проверки, а не хронометраж минут активной работы проверяющего. Доля pull request с формальным запросом на изменения выросла примерно на 12 процентных пунктов от базового уровня 13%; число комментариев на запрос увеличилось на 0,58 относительно базового уровня 1,66, то есть на 35%. Доля сотрудников, проверивших хотя бы один pull request за месяц, выросла примерно на четыре процентных пункта от базового уровня 29%, что соответствует относительному росту на 14%. Сопоставимые оценки для ассистентов не показали значимого увеличения длительности проверки, запросов на изменения или комментариев.

По одним лишь этим метаданным статья не может определить, почему проверяющий запрашивал изменения. Большее число отправок может перегружать очередь проверки фиксированной пропускной способности; более тщательная проверка может быть связана и с изменением качества кода или стандартов проверки. Авторы не обнаружили значимого увеличения среднего размера pull request, что ослабляет одно простое объяснение дополнительных комментариев. Они не изучали содержимое кода и напрямую не подсчитывали дефекты в работе, созданной агентами. Их двухэтапная модель производства объясняет, как более быстрое написание кода и изменение объёма проверки каждого черновика вместе могут ограничивать завершённую работу. Модель интерпретирует наблюдения, а не представляет собой отдельный тест, изолирующий любой из этих механизмов.

Инструменты проверки с ИИ также распространились в выборке: к марту 2026 года ими пользовались почти 80% компаний. Однако статья приписывает ИИ 23,3% комментариев проверки и обнаруживает хотя бы один комментарий ИИ в 10,8% pull request. Следовательно, внедрение инструмента проверки не означает, что в этих компаниях проверка стала автоматической.

## Что позволяет установить дизайн исследования

Исследователи анализируют около 300 миллионов рабочих событий с января 2021 года по март 2026 года в 718 компаниях-клиентах Jellyfish, согласившихся участвовать; всего охвачено 725 938 сотрудников. Они сравнивают результаты до и после внедрения ассистентов или агентов с результатами компаний, которые внедрили их позднее или ещё не внедрили, используя поэтапный дизайн разности разностей. Контроли по компаниям и календарным месяцам учитывают некоторые устойчивые различия и общие временные тенденции. Вывод всё равно зависит от того, насколько сопоставимыми были бы траектории этих компаний без внедрения. Крупные компании внедряли инструменты раньше, а неизмеренные изменения могли повлиять и на внедрение, и на инженерную работу. Исследование является наблюдательным; его оценки нельзя считать рандомизированным испытанием или прогнозом для всех команд разработчиков.

К результату о занятости следует относиться с той же осторожностью. Используя общую занятость, сопоставленную с LinkedIn, и активных сотрудников в Jellyfish как показатель занятости в инженерных подразделениях, авторы не смогли связать значимое изменение с внедрением агентов в наблюдаемый период. Это не показывает, как изменится найм после более длительной адаптации или на рынке труда в целом.

[В более раннем материале BIG CHANGE](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) рассматривался отдельный инженерный рассказ об ИИ-программировании и надёжной поставке. Это исследование добавляет обзор по нескольким компаниям и отдельные показатели активности программирования, проверки и решённой работы. Практический вывод — при оценке агентов отслеживать эти этапы вместе: более быстрый первый черновик меняет объём работы, ожидающей на следующих этапах, а статья пока не показывает соответствующего роста числа завершённых задач или проектов.

## Источники и дополнительная литература

- [Fiona Chen и James Stratton, *Искусственный интеллект в компании: узкие места в производстве программного обеспечения*](https://fion.ac/jellyfish.pdf): основная рабочая статья, текущая версия от 4 августа 2026 года. Методы, рисунки и приложения подтверждают приведённые оценки и их ограничения; исходные данные компаний являются закрытыми и агрегированными.
- [Материал Ars Technica от 9 октября](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/): независимый современный событиям материал, привлёкший внимание к статье. Приведённые выше численные и методологические утверждения сверены с самой статьёй.
- [Более ранняя статья BIG CHANGE об ИИ-программировании и CI](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery): связанный материал об отдельном инженерном рассказе. Он даёт контекст вопросу поставки, но не является продолжением этого исследования.

## Sources

- [Искусственный интеллект в компании: узкие места в производстве программного обеспечения](https://fion.ac/jellyfish.pdf) — Основная 78-страничная рабочая статья Гарварда для академического рынка труда; рабочие события до марта 2026 года, методы и численные оценки. Закрытые данные агрегированы и обезличены.
- [Ars Technica: ИИ-агенты для программирования создают больше кода, но не больше программного обеспечения](https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-code-but-not-more-software/) — Независимый современный событиям материал; сведения и контекст, при этом утверждения исследования проверены по статье.
- [BIG CHANGE: ИИ-программирование делает надёжную поставку следующей инженерной задачей](https://bigchange.ai/blog/ai-coding-ci-bottleneck-dependable-delivery) — Более ранний материал BIG CHANGE об отдельном инженерном рассказе Linear об ИИ-программировании и надёжной поставке.