Главное про AI - Вадим Жартун

4: Тесты как контракт. «Сделай функцию, которая проходит эти десять тестов» работает лучше, чем «сделай функцию, которая делает X».

5: Проверка безопасности. AI-код проходит через обзор безопасности (security review), как и человеческий. AI не освобождает от ответственности.

Семь инструментов: пять коммерческих и два с открытым кодом. GitHub Copilot ($10/мес Individual) — глубокая интеграция с VS Code и JetBrains, автодополнение в реальном времени, самый большой охват (по данным Augment Code, около пятнадцати миллионов разработчиков к началу 2025 года). Cursor ($20/мес Pro) — редактор с приоритетом AI, Composer для многофайловых правок, требует миграции из привычной интегрированной среды разработки (IDE). Claude Code ($20/мес Pro) — терминальный агент, длинные автономные задачи, многофайловый рефакторинг. Windsurf ($15/мес) — IDE на базе VS Code с интегрированным AI, локальные варианты с моделью SWE-1.

Cline — расширение VS Code с открытым кодом, агентный режим, поддержка разных больших языковых моделей (LLM) через API, бесплатно плюс стоимость API-ключа. Tabby — размещаемый на своих серверах ассистент с открытым кодом, автодополнение ниже, чем у Copilot, зато код не уходит в облако.

Для команд с требованиями приватности (банк, оборона, медицинские данные) Tabby и Cline с локальной большой языковой моделью вроде Qwen2.5-Coder-32B-Instruct — основные кандидаты. Qwen2.5-Coder-32B показывает 88.4 процента на HumanEval+ (выше DeepSeek-Coder V2 Lite 81.1 и Codestral 22B 81.1), лицензия Apache 2.0, запускается на одном A100/H100. Это означает, что LLM для кода с открытым исходным кодом перестали быть «слабой заменой» и стали «первым выбором для локальной установки».

Пять признаков плохого AI-кода:

– Код работает на примере, но ломается на крайних случаях (edge cases). AI часто обрабатывает «счастливый путь» (happy path) — типичные входные данные — и забывает про null, undefined, пустые массивы.

– Дублирование и копипаста (copy-paste). AI копирует блоки кода вместо того, чтобы вынести общую логику.

– Слишком абстрактный или слишком конкретный. Либо «функция, которая делает всё», либо «тридцать параметров в каждом вызове».

– Нет обработки ошибок. AI любит «идеальный» код, в котором ошибки не случаются.

– Уязвимости безопасности. SQL-инъекции, XSS (межсайтовый скриптинг), отсутствие санитизации ввода — AI часто воспроизводит уязвимости из обучающих данных.

Из этого складывается четвёртый миф этой главы: «AI-код убьёт программистов». Реальность мягче: AI-код вытесняет плохо написанный код и плохо поставленные задачи. Но это и есть то, чего от него ждали.

Если вы не программист, AI-ассистент по коду для вас — скорее прототип, чем рабочий инструмент: вы не можете оценить качество сгенерированного кода и принимаете чужие решения без проверки. Для профессионала AI — рабочий инструмент с оговорками: всё, что сгенерировано, проверяется человеком, и граница ответственности остаётся за разработчиком, а не за моделью. По данным The Register (январь 2025), разрыв между «30-секундным демо» AI-инструмента и реальным пользовательским опытом остаётся вызовом индустрии в 2025–2026 годах. Покупателям стоит тестировать продукт самостоятельно, а не верить маркетинговым роликам. Маркетинг в AI — это сценарий продавца, а не руководство покупателя.

РЕЗЮМЕ

Специальные модели в 2026 году закрывают разные задачи — картинки, речь, видео, код, музыку — и для каждой есть свой лидер, а не один универсальный инструмент. Выбор определяется не «эффектностью» по рейтингу, а задачей, бюджетом и ценой ошибки.

Четыре вопроса отсеивают задачи до выбора инструмента. Какой тип задачи: под него есть конкретный лидер, универсального инструмента нет. Где будет использоваться результат: внутри команды, для клиента или в рабочей среде — разная цена ошибки и разный контроль качества. Сколько единиц в месяц: один-два десятка — подписка, сотня — API, тысяча — своя инфраструктура. Какая цена ошибки: внутренний чат, пост в соцсетях или обложка продукта — разный уровень проверки человеком.

Задача, прошедшая все четыре вопроса, — кандидат на AI. Задача, провалившая хотя бы один, требует сначала разобраться с причиной отказа, и только потом выбирать инструмент.

Юридическая сторона — сдерживающий фактор коммерческого использования номер один, а не техническое качество. Это касается AI-картинок, AI-музыки и AI-видео: права на образ, авторские права, товарные знаки проверяются раньше, чем технические метрики.

Четыре мифа, которые развенчиваются прямо в своих разделах: замена дизайнеров, консистентность персонажей, AI-видео в продакшне, AI-код. Реальность мягче, чем миф: AI вытесняет плохо поставленные задачи и плохо написанный код, и это именно то, чего от него ждали.

До сих пор мы разбирали AI как индивидуальный инструмент: как один человек решает одну задачу — картинку, трек, видео или код. В этой главе специальные модели разложены по полкам, и каждая закрывает свой кусок работы. Но в реальной компании эти куски не лежат по полкам — они складываются в командный процесс, и здесь начинается другая история. Следующая глава разберёт, как распределять задачи между людьми и AI, как провести первую командную встречу про AI и уйти с неё с правилами, а не ссорой, как не ссориться с теми, кто AI не использует, и что делать с психологической ловушкой «AI пишет лучше меня». Отдельный раздел — что AI даёт конкретной офисной роли: менеджеру, бухгалтеру, юристу, дизайнеру, HR, — и где проходит граница между усилением и заменой. Переход от «AI помогает мне одному» к «AI работает внутри команды».

Глава 11. AI в команде: правила для общего пространства

В мае 2025 Microsoft опубликовала «Work Trend Index 2025» — отчёт, построенный на опросе 31 000 работников из 31 страны. Цифра, от которой у руководителя должна закружиться голова: 78% сотрудников, применяющих AI, приносят инструмент на работу сами. То есть прячут использование от руководства и коллег. Это не хулиганство и не саботаж — это ответ на давление, при котором признаться в работе с AI страшнее, чем не работать с ним вовсе. В отчёте этот паттерн назван «AI smuggled in» — провезённый контрабандой AI. McKinsey в «Superagency 2025» добавляет вторую цифру: сотрудники пользуются генеративным AI в три раза чаще, чем думает их руководство. Лидеры оценили долю регулярных пользователей в своих командах в 4%. Сотрудники назвали регулярными пользователями себя в 75–79% случаев. Разрыв между «как вижу я» и «как оно есть» — не семантический, а организационный: пока руководитель планирует трансформацию, команда уже внутри неё. Следующие три раздела главы отвечают на один вопрос — как из этого «параллельного штата» сделать команду, которая зарабатывает на AI, а не прячет его.

ПРИРОДА AI-КОМАНДЫ: ОПРЕДЕЛЕНИЕ ПО СУЩЕСТВУ

Часто слышу на совещаниях