AI‑ассистенты ускоряют работу джуниоров, но увеличивают нагрузку на сеньоров

Генеративные модели, такие как GitHub Copilot, ChatGPT и их аналоги, уже активно внедряются в процесс разработки. Junior‑инженеры используют их как «помощника», получая готовый код, комментарии и даже тесты по одному запросу. Это позволяет им закрывать задачи в разы быстрее, чем при традиционном написании вручную, и сразу представлять в репозиторий аккуратные pull‑request’ы. По данным недавних опросов, более половины новых программистов в крупных IT‑компаниях уже применяют такие инструменты в ежедневной работе.

Однако внешний вид PR уже не раскрывает проблемные места. Раньше «корявый» код с запутанными JOIN‑ами, временными переменными tmp2, data_new и вложенными if‑ами сразу подсвечивал опытного ревьюера — он видел, где разработчик «плавает», и мог сосредоточиться на этих участках. С AI‑ассистентом такой индикатор исчезает: имена становятся осмысленными, добавляются doc‑строки и обработка ошибок, а потенциальный баг может скрываться в единственной строке, незаметной без детального анализа. Поэтому ревьюеру приходится проверять всё, а не только подозрительные участки.

Ярким примером стал случай с SSE‑эндпоинтом, обслуживаемым через nginx. При отключённой буферизации proxy_read_timeout в 60 секунд разрывал соединение, если бэкенд молчал дольше минуты. Junior, получив запрос от модели, предложил включить proxy_buffering и увеличить таймаут, что решило проблему с разрывом пакетов. Однако изменение конфигурации затронуло и обычные ответы, а вопрос о необходимости keep‑alive‑сообщений каждые полминуты остался открытым, требуя проверки старшего инженера. Кроме того, модель не указала, в каком именно блоке nginx (location или server) следует вносить правку, что добавило дополнительный шаг проверки.

Для сеньоров такие правки означают двойную работу: сначала они проверяют сгенерированный код, потом исследуют, почему модель предложила именно эту настройку, и оценивают её безопасность. Это приводит к росту нагрузки на ревьюеров и к необходимости вводить более строгие требования к PR: обязательные гипотезы, описания тестов, метрики и планы отката, проверяемые без участия ИИ. Маленькие порции изменений — например, PR из тысячи строк автоматически сгенерированных файлов — становятся неприемлемыми без детального разбора.

Запретить AI‑ассистенты нецелесообразно — они действительно ускоряют работу талантливых разработчиков, позволяя быстро проверять ответы и учиться на ошибках. Главное — адаптировать процесс контроля: фиксировать предположения, документировать проверку и обучать старших инженеров оценивать предложения моделей. При таком подходе плюсы от ИИ сохранятся, а риски останутся под контролем, и команда сможет использовать новые возможности без потери качества.