В августе 2025 года экспертами Developer Experience Lab из компании Microsoft были представлены
результаты исследования влияния AI на разработку в разрезе измерений
фреймворка SPACE. Данное исследование показывает, что AI усиливает разработчиков, а не заменяет их, и что эффективная интеграция зависит в равной степени как от культуры команды и поддерживающих структур, так и от самих инструментов. Отчет включает описание методологии исследования, результаты опроса и интервью, анализ трендов внедрения AI, влияние на индивидуальную и командную производительность. Также в отчете даны практические рекомендации для исследователей, команд и организаций, стремящихся эффективно использовать AI.
Методология исследованияЧтобы изучить, как AI влияет на продуктивность разработчиков (Developer Productivity) и их удовлетворенность (Satisfaction) в разрезе измерений фреймворка SPACE, авторы провели исследование с использованием смешанных методов, объединяющее данные опроса с качественными инсайтами, полученными из интервью и фокус-групп.
Опрос включал сочетание вопросов с множественным выбором, оценок по шкале Лайкерта и открытых текстовых ответов. Основные вопросы были направлены на оценку того, как инструменты AI влияют на Developer Experoence в разрезе измерений SPACE, таких как удовлетворенность (Satisfaction), производительность (Performance), активность (Activity), взаимодействие (Collaboration) и эффективность (Efficiency). Дополнительно респондентам задавались вопросы об уровне внедрения AI на уровне команды, доступности обучающих ресурсов по AI и частоте их собственного использования AI. Опрос был оптимизирован по длительности, со средним временем прохождения семь минут.
Опрос был направлен 3500 участникам, из которых было получено 530 ответов, что соответствует уровню отклика 15%, что сопоставимо с аналогичными исследованиями. Более 80% участников исследования представляли компанию Microsoft, однако в выборке также присутствовали разработчики как минимум из 15 других компаний, включая Airbnb, Atlassian, Charles Schwab, DoorDash, JetBrains, Meta, Netflix, Reddit и Yelp. Участники вне Microsoft были привлечены через профессиональные социальные сети, при этом указание компании было необязательным. Выборка Microsoft была сформирована из случайно выбранного пула разработчиков внутри Microsoft с фильтрацией по индивидуальным участникам в США, исключая сотрудников из подразделений финансов, юридического сопровождения и управления персоналом. Также были исключены участники, получавшие приглашения к опросам в течение последних 12 месяцев, или явно отказавшиеся от участия в исследованиях. Внешняя выборка охватывала различные отрасли, размеры компаний и географии, обеспечивая более широкий контекст для сравнения. Опрос проводился в августе 2024 года с использованием Microsoft Forms. Участники приглашались по электронной почте. Для обеспечения конфиденциальности ответы собирались анонимно.
Как и любое исследование на основе опроса, данная работа имеет ограничения. Смещение ответов может влиять на результаты, особенно среди внешних участников, представляющих меньшую выборку. Кроме того, несмотря на то что опрос фиксирует восприятие влияния AI, он не измеряет напрямую улучшения производительности или результаты по удовлетворенности на практике. Наконец, исследование сосредоточено на разработчиках, которые регулярно используют инструменты AI, что может смещать результаты в сторону более позитивной оценки внедрения AI.
Для дополнения результатов опроса качественными данными авторы включили инсайты, полученные из интервью и наблюдательных исследований с разработчиками и инженерными лидерами. В общей сложности авторы провели интервью с 10 профессиональными разработчиками и 20 инженерными лидерами о влиянии больших языковых моделей (Large Language Models, LLMs) на их команды разработки, а также наблюдали за 23 опытными разработчиками на языке Java, выполняющими как типовые задачи, так и нетиповые задачи с использованием GitHub Copilot. В дополнение авторы также провели интервью с рядом инженеров в Microsoft об их опыте использования GitHub Copilot.
Результаты исследованияШирокое внедрение инструментов AI (Widespread Adoption of AI Tools). Внедрение AI инструментов в разработке больше не является нишевым экспериментом, а становится нормой. Хотя разработчики выражают опасения, что AI может быть поверхностным или потенциально ухудшать их навыки, это, по-видимому, не является значительным барьером для внедрения. В опросе 75% разработчиков сообщили, что регулярно используют AI для выполнения своих задач, тогда как 25% указали, что не используют его. 64% разработчиков, использующих AI, сообщают, что используют его как минимум один раз в неделю. Наиболее опытные разработчики (7 и более лет опыта) лишь на 4% реже являются ежедневными пользователями по сравнению с разработчиками с опытом до трех лет. Разработчики, которые отмечают, что их организация активно продвигает внедрение AI, в семь раз чаще являются ежедневными пользователями по сравнению с теми, кто считает, что их компания этого не делает.
Воспринимаемый рост производительности (Perceived Productivity Gains). Однако одно лишь внедрение не отражает полной картины. Действительно ли эти инструменты делают разработчиков более производительными? 90% разработчиков, регулярно использующих AI, которые сообщили, что AI делает их более производительными. При этом 80% из них сообщили, что они были бы расстроены, если бы больше не могли его использовать.
Оценка влияния AI через фреймворк SPACE. Для более глубокого понимания роли AI авторы рассмотрели влияние через фреймворк SPACE, который включает пять ключевых аспектов производительности разработчиков:
- Удовлетворенность (Satisfaction, S) — насколько разработчики удовлетворены и чувствуют реализованность в своей работе;
- Результативность (Performance, P) — способность создавать значимую ценность для бизнеса или пользователей;
- Активность (Activity, A) — объем выполненного кода и задач;
- Взаимодействие (Collaboration, C) — насколько эффективно они работают в команде;
- Эффективность (Efficiency, E) — насколько гладко и эффективно выполняется работа.
Данные показывают, что для разработчиков наблюдается рост производительности по широкому набору измерений:
- Значительное большинство согласны с тем, что AI повышает их пропускную способность по задачам (Task throughput, 88%) и эффективность (Efficiency, 82%);
- Помимо скорости, 71% пользователей AI считают, что эти инструменты помогают им создавать ценность для клиентов (Customer Value), а 62% отмечают, что AI повышает их удовлетворенность работой (Job Satisfaction);
- Влияние на взаимодействие (Collaboration) демонстрирует более сложную картину. В отличие от других измерений производительности, менее половины (48%) согласились с тем, что AI улучшил их способность взаимодействовать с коллегами.
- Качественные результаты показывают более сложную картину. Вместо снижения взаимодействия, AI, по-видимому, изменяет характер взаимодействий внутри команд. Инженерные менеджеры, с которыми мы общались, отмечали снижение количества прерываний (Interruptions) в командах, так как разработчики реже обращаются к коллегам за быстрыми ответами на вопросы по коду.
- Руководитель в сервисе доставки продуктов онлайн отметил, что разработчики стали реже испытывать репутационные потери (Reputational damage) из-за необходимости отвлекать коллег простыми вопросами по коду.
- В то же время многие руководители и разработчики не считают, что AI снижает качество значимых обсуждений. Несколько участников интервью отметили, что качество и глубина обсуждений, особенно между старшими и младшими разработчиками, фактически улучшились.
- VP of IT в глобальной компании пояснил, что благодаря ChatGPT команды теперь тратят больше времени на генерацию идей (Brainstorming) по проектам, идеям и архитектурам и меньше времени на обсуждение избыточных вопросов по коду.
Эти результаты показывают, что, хотя AI пока не воспринимается как сильный прямой фактор улучшения взаимодействия, он изменяет сам способ, которым это взаимодействие происходит. Снижая количество прерываний и смещая обсуждения в сторону более ценных тем, AI может косвенно улучшать командное взаимодействие способами, которые традиционные метрики производительности и даже самооценки разработчиков не полностью отражают. По мере того как команды продолжают развивать использование AI, его роль в улучшении взаимодействия может со временем стать более заметной и более измеримой.
Сложность задач и ограничения AI. Хотя разработчики в подавляющем большинстве считают, что AI повышает производительность по нескольким измерениям, тип выполняемой работы имеет значение. Не все задачи одинаковы, и это различие критично при оценке реального влияния AI. Разработчики, регулярно использующие AI, сообщают, что он хорошо справляется с рутинной, повторяющейся работой (Mundane, Repetitive work), но испытывает трудности с более сложными или новыми задачами (Complex or Novel challenges). Влияние AI определяется не только характером задач, но и тем, как именно он используется. Разработчики, которые чаще включают AI в свои рабочие процессы (Workflows), могут совершенствовать свой подход, понимая, когда и как использовать его наиболее эффективно. Первоначальные взаимодействия с AI могут ограничиваться базовыми предложениями кода (Code suggestions), однако со временем разработчики начинают применять его в более сложных задачах решения проблем (Problem-solving), документирования (Documentation) и отладки (Debugging). По мере роста опыта увеличивается и воспринимаемая ценность AI. Данные это подтверждают: разработчики, которые чаще используют AI, как правило, отмечают более выраженные преимущества с точки зрения производительности.
Частота использования формирует воспринимаемую ценность. Данные указывают на положительную взаимосвязь между частотой использования AI и тем, насколько сильно разработчики считают, что он повышает их производительность. Однако сама по себе эта зависимость не означает причинно-следственной связи (Causation). Из-за относительно небольших выборок для разработчиков, реже использующих AI, различия не являются статистически значимыми (Statistically significant), что означает, что они могли возникнуть случайно. Также остается неясным направление этой взаимосвязи: приводит ли частое использование AI к большей производительности, или разработчики, уже видящие ценность AI, просто чаще его используют.
Наблюдательные исследования (Observational studies) профессиональных разработчиков на языке Java дают дополнительные инсайты. Успешность работы с AI зависела от трех ключевых факторов:
- Сложность задачи (Task complexity);
- Уровень навыков разработчика (Developer skill);
- Знакомство с AI (Familiarity with AI).
Более опытные разработчики эффективнее оценивали сгенерированный AI код (AI-generated code), а те, кто лучше понимал, как работают большие языковые модели (Large Language Models, LLMs), лучше формулировали запросы (Prompts) и интегрировали AI в свои рабочие процессы. Разработчики работают с AI в виде непрерывного цикла: формулирование задачи, определение входных данных, оценка предложений AI и принятие решения о реализации. Сбои на любом этапе — неправильное понимание задачи, нечеткие запросы или недостаток доверия к результатам AI — могут приводить к фрустрации и потере времени. Многие разработчики отмечают, что работа с AI требует новых навыков или заставляет использовать навыки, к которым они обращаются нечасто.
Внедрение на уровне всей команды усиливает эффект. То, как AI внедряется внутри команды, может влиять на то, как отдельные разработчики воспринимают его ценность, будь то через лучшие практики (Best practices), культурные нормы (Cultural norms) или просто наблюдение за тем, как коллеги получают от него пользу. Разработчики, работающие в командах с широким внедрением AI, с большей вероятностью оценивают свою команду как производительную. Это логично следует из того, что разработчики в значительной степени согласны с тем, что AI повышает их собственную производительность. Можно предположить, что чем больше коллег используют инструмент, повышающий производительность, тем выше будет производительность команды. Это поднимает важный вопрос о том, будет ли усиливаться социальное давление на внедрение AI, если его отсутствие будет делать отдельных разработчиков менее производительными в глазах их коллег.
Одна из возможных ситуаций заключается в том, что по мере того как AI становится нормой внутри команды, те, кто его не используют, могут начать ощущать или восприниматься как менее производительные, даже если их работа напрямую не выигрывает от использования AI. Если внедрение AI подкрепляется на социальном уровне, разработчики могут ощущать давление интегрировать его в свои рабочие процессы, независимо от того, видят ли они немедленную ценность. Со временем это может изменить нормы внутри команды, сделав инструменты AI стандартным ожиданием, а не опциональным улучшением. Однако данные также показывают, что преимущества AI могут выходить за рамки индивидуального использования за счет совместного обучения. Разработчики в командах с более высоким уровнем внедрения AI не только оценивают свои команды как более производительные, но и чаще соглашаются с тем, что AI повышает их личную производительность. Это может указывать на то, что по мере того как AI становится стандартным инструментом внутри команды, разработчики получают доступ к лучшим практикам, оптимизациям рабочих процессов и поддержке со стороны коллег, что помогает им извлекать из него большую ценность. Это особенно важно с учетом того, что полезность AI не является универсальной для всех типов задач. Некоторые разработчики могут изначально не видеть преимуществ, особенно если их работа требует глубокого решения проблем, а не автоматизации повторяющихся задач. В среде с высоким уровнем внедрения AI такие разработчики могут учиться у коллег, где AI наиболее эффективен, что позволяет им совершенствовать свои подходы к его использованию и в конечном итоге получать больший эффект. Влияние AI на производительность разработчиков определяется не только самим инструментом, но и тем, как он внедряется, распространяется и закрепляется внутри команд. Хотя индивидуальное использование играет роль, более широкое внедрение на уровне команды может формировать восприятие, стимулировать обучение и даже создавать социальные ожидания относительно эффективности AI. Эти результаты подчеркивают, что для оценки ценности AI необходимо выходить за рамки индивидуальных эффектов: его влияние распространяется через совместную динамику команд и организаций. По мере дальнейшего развития AI понимание этих взаимодействий будет ключевым для максимизации его потенциала в разработке программного обеспечения.
Практические стратегии для влияния AI (Practical Strategies for AI Impact)Ниже представлены ключевые выводы для команд, организаций и исследователей, стремящихся максимально реализовать потенциал AI.
Для команд: формирование лучших практик и стимулирование внедрения на уровне всей командыЭффективность AI определяется не только тем, использует ли его отдельный разработчик; она усиливается, когда внедрение поддерживается на уровне всей команды. Как показывают данные, разработчики в командах, внедряющих AI, сообщают о более выраженных преимуществах с точки зрения производительности, вероятно за счет совместного обучения и коллективных улучшений. Для максимизации ценности AI:
- Документировать лучшие практики (Best Practices documentation), чтобы помочь разработчикам понимать, когда и как эффективно использовать AI;
- Стимулировать обмен знаниями (Knowledge sharing), например через командные обсуждения рабочих процессов с использованием AI или неформальное наставничество (Informal mentorship) по его использованию. Назначение локальных евангелистов (Local champions) также может способствовать внедрению;
- Нормализовать использование AI, встраивая его в ежедневные рабочие процессы, а не рассматривая его как опциональный инструмент;
Команды, которые открыто обсуждают использование AI, делятся успешными практиками и формируют правила ответственного внедрения (Responsible adoption), будут получать более устойчивые и более выраженные преимущества на уровне разработчиков.
Для организаций: инвестиции в обучение и инструменты для достижения эффекта от AIПомимо отдельных команд, организации играют ключевую роль в эффективности AI, формируя политики (Policy), обучение (Training) и инфраструктуру (Infrastructure). Одним из наиболее значимых результатов данного исследования является то, что разработчики, считающие, что их организация активно поддерживает внедрение AI, в семь раз чаще используют его ежедневно. Это указывает на то, что четкая поддержка сверху (Top-Down encouragement), обучение и доступ к инструментам AI могут существенно влиять на уровень использования. Организации могут:
- Обеспечивать структурированное обучение AI, чтобы помочь разработчикам совершенствовать свои паттерны использования (Usage patterns) и эффективно интегрировать AI в рабочие процессы;
- Разрабатывать политики, ориентированные на использование AI (AI-friendly policies), которые поощряют эксперименты, одновременно учитывая вопросы безопасности (Security), надежности (Reliability) и этики (Ethical considerations);
- Обеспечивать доступ к качественным инструментам AI, оценивая внутренние и внешние решения, наилучшим образом соответствующие инженерным потребностям.
Без этих инвестиций внедрение AI может оставаться затруднительным, ограничивая его потенциальные преимущества и создавая дополнительное трение (Friction) в процессах разработки.
Для исследователей: изучение долгосрочного влияния внедрения AIДанное исследование показывает сильные корреляции между использованием AI и воспринимаемым ростом производительности, однако остается множество открытых вопросов. Будущие исследования должны рассмотреть:
- Причинно-следственные связи (Causality): приводит ли частое использование AI к большей производительности, или более производительные разработчики изначально чаще внедряют AI?
- Влияние AI в зависимости от типа задач (Task-specific AI impact): эффективность AI различается в зависимости от задач — где он дает наибольший эффект и где его возможности ограничены?
- Социальную динамику внедрения AI (Social dynamics of AI adoption): как влияние коллег (Peer influence) формирует внедрение AI и какую роль играют социальные ожидания (Social expectation) в стимулировании его использования?
Понимание этих факторов поможет командам и организациям уточнять свои стратегии использования AI, обеспечивая, что рост производительности является реальным, измеримым и устойчивым во времени.