В июле 2026 года был опубликован отчет о влиянии AI —
State of AI Impact in Engineering Q2 2026. Это третье издание ежеквартального отраслевого анализа влияния AI от компании DX. Компания DX разрабатывает платформу инженерной аналитики, чтобы помочь инженерным руководителям и лидерам непрерывно улучшать продуктивность разработки. Формат нового отчета обновлен, чтобы точнее отражать, каким образом AI усиливает различные аспекты жизненного цикла разработки программного обеспечения.
Датасет для отчета представляет собой объединенную выборку разработчиков из более чем 500 инженерных организаций, использующих платформу DX. Размер варьируется от менее 50 до более 10000 сотрудников и включает:
- Малые и средние организации: менее 100 инженеров;
- Организации среднего размера: 100–749 инженеров;
- Крупные организации: 750+ инженеров.
Там, где в отчете представлена более детальная сегментация (например, расходы в расчете на одного разработчика), используются диапазоны 15-99, 100-299, 300-749 и 750+.
Выборка организаций включает широкий географический охват от Европы до Азии и Северной Америки, а также множество отраслей, включая финансы, розничную торговлю, коммерцию и здравоохранение. Данные охватывают период с 1 апреля 2026 года по 30 июня 2026 года. Там, где представлены сравнения трендов, исторические данные охватывают период начиная с третьего квартала 2025 года.
Данный отчет опирается на два взаимодополняющих источника данных:
- Системные метрики (System metrics): количественные метрики, автоматически собираемые из систем контроля версий, CI/CD пайплайнов, AI инструментов для написания кода и других инженерных систем. Включают TrueThroughput, частоту деплоев, размер PR, время до 10-го смерженного PR и количество еженедельно активных пользователей AI инструментов;
- Метрики опросов (Survey metrics): обратная связь от разработчиков и данные об опыте, собранные с помощью основанных на исследованиях опросных инструментов DX. Включают Developer Experience Index (DXI) и его факторы, самостоятельно заявленную экономию времени, субъективно воспринимаемую скорость поставки, субъективно воспринимаемое качество программного обеспечения, уверенность в изменениях, поддерживаемость кода, легкость поставки и доля инноваций.
Все результаты в отчете организованы вокруг двух фреймворков:
- DX Core 4: измеряет продуктивность инженерной деятельности по четырем измерениям: Speed, Effectiveness, Quality и Impact. Методология объединяет ключевые принципы DORA, SPACE и DevEx в единую систему, предназначенную для принятия решений на уровне руководства;
- DX AI Measurement Framework: предоставляет диагностический контекст для телеметрии, специфичной для AI, по трем категориям: Utilization (внедрение и доля кода, сгенерированного AI), Impact (экономия времени и удовлетворенность разработчиков) и Cost (расходы на AI). В сочетании с DX Core 4 этот фреймворк позволяет руководителям напрямую проследить, каким образом индивидуальное использование AI транслируется в общую организационную эффективность.
Что интересного мы отметили в отчете:
- Медианный недельный показатель TrueThroughput вырос на 37% за четыре квартала (с 1,42 до 1,94 PR на инженера в неделю). Частота деплоев (Deployment frequency) выросла на двузначные значения в большинстве сегментов;
- Рост сосредоточен среди небольших организаций (менее 100 инженеров) и команд технологического сектора. Эти команды отрываются от крупных организаций и команд традиционных отраслей, и этот разрыв увеличивается;
- Несмотря на рост пропускной способности (Throughput), субъективно воспринимаемая инженерами скорость поставки остается неизменной на протяжении целого года. Ускорение пайплайна и субъективно воспринимаемая инженерами скорость, судя по всему, перестали быть связаны между собой;
- Качество документации, поддерживаемость кода и отладка все улучшились и представляют собой самые очевидные и наименее спорные положительные результаты в этом отчете;
- Инкрементальная поставка, скорость локальных итераций и время прохождения ревью все снизились. Средний индекс Developer Experience Index (DXI) снизился с 67 до 65 пунктов. Размер PR вырос почти вдвое за тот же период;
- AI ускоряет выполнение отдельных задач. Окружающая система поглощает высвободившийся ресурс, вместо того чтобы конвертировать его в новую ценность. Это тот же AI efficiency paradox, который сейчас фиксируется во всей отрасли: индивидуальная продуктивность резко растет, и человеческие контрольные точки становятся новым узким местом;
- Поддерживаемость кода улучшилась. Уверенность в изменениях (Change confidence) снизилась за тот же период. Исторически эти метрики коррелируют между собой. Сейчас между ними наблюдается напряжение. AI помогает инженерам понимать код и вносить в него изменения. При этом доверие к результату и доверие к коду снижается;
- Волатильность показателя Change failure rate (CFR, доли неудачных изменений) выросла: многие организации сейчас достигают отклонения +/-3 п.п. относительно отраслевого бенчмарка в 4%. AI не является первопричиной этой волатильности. AI ее усиливает;
- Субъективно воспринимаемое качество программного обеспечения демонстрирует контринтуитивную картину: традиционные отрасли и финансовый сектор, самые медленные сегменты по показателю пропускной способности, сообщают о самом высоком уровне воспринимаемого качества. Скорость и воспринимаемое качество движутся независимо друг от друга;
- Медианные квартальные расходы на AI выросли примерно с 1,5 тыс. USD до 44 тыс. USD за год, что составляет примерно 28-кратный рост только в технологическом секторе. Показатель Innovation ratio (доля времени, потраченного на создание новых функций, относительно поддержки) остался практически неизменным за те же четыре квартала;
- Экономия времени реальна и продолжает расти, составляя в среднем более 6 часов в неделю. Сэкономленные часы пока не конвертируются заметным образом в создание новой ценности на уровне портфеля;
- Небольшие организации платят больше за одно место при использовании AI инструментов, поскольку у них меньше переговорных возможностей, которые крупные компании получают за счет объемного лицензирования. При этом они получают больше продуктивности на каждый потраченный доллар, чем крупные компании. Это ставит под сомнение распространенное предположение о том, что увеличение расходов на AI на уровне организации автоматически повышает окупаемость инвестиций (ROI). Данные показывают обратную картину: увеличение бюджета на AI не гарантирует более высокую отдачу и может сопровождаться убывающей отдачей.
Основные инсайты и рекомендации из отчета:
1. Переход от внедрения AI к ROI:- Данные за второй квартал 2026 года указывают на переходную фазу внедрения AI, от базового развертывания к оценке конкретной отдачи от инвестиций (ROI). AI ассистенты экономят разработчикам ориентировочно от 4 до 6 часов в неделю. Эта экономия времени пока не транслируется устойчивым образом в бизнес результаты более высокого уровня;
- В частности, показатель Innovation ratio оставался практически неизменным на протяжении последнего года, стабилизировавшись на уровне около 58%. Финансовые инвестиции в AI выросли значительно: квартальные расходы в технологическом секторе увеличились почти в 29 раз, с 3 млн USD до 87 млн USD;
- Инженерным руководителям следует сосредоточиться на отслеживании того, перенаправляются ли сэкономленные часы на продуктовые инновации, или они поглощаются существующим организационным трением (Organizational friction).
2. Управление объемом и качеством кода:- При доле 52,7% всех вкладов в кодовую базу, созданных AI, характеристики качества программного обеспечения заметно меняются в масштабах всей отрасли. Разработчики сообщают об улучшении общей поддерживаемости кода под влиянием AI. При этом их уверенность в возможности вносить изменения в систему без риска что-то сломать заметно снизилась;
- Это расхождение в ключевых факторах Developer Experience Index (DXI) согласуется с объективными системными метриками, демонстрирующими, что размер Pull request почти удвоился за последний год. Сочетание более крупных изменений кода и все более рассредоточенного происхождения кода означает, что организации сталкиваются с новыми формами технического долга;
- Частота деплоев выросла в большинстве сегментов. Показатель доли неудачных изменений (CFR) остается крайне волатильным, что указывает на то, что некоторые команды поставляют дефекты пропорционально более высокими темпами. Для решения этой проблемы руководителям следует масштабировать инфраструктуру качества, в соответствии со скоростью генерации кода, внедряя тестирование на основе AI, стандартизированные промпты и обновленные форматы ревью кода.
3. Оптимизация потока и поставки:- Несмотря на объективное ускорение показателей TrueThroughput и частоты деплоев, субъективное восприятие разработчиками скорости поставки остается неизменным на уровне примерно 70%. Это плато указывает на то, что нижестоящие этапы жизненного цикла разработки программного обеспечения, такие как время ожидания в CI/CD и задержки при ревью, стали основными ограничениями поставки;
- Масштаб организации также представляет собой точку трения для ROI от AI. Небольшие организации, несмотря на более высокую стоимость AI лицензий в расчете на одного разработчика, в настоящий момент демонстрируют наибольший рост пропускной способности на потраченный доллар. Еnterprise организации продолжают отставать по темпам роста пропускной способности. Это указывает на то, что масштаб и накладные расходы на процессы в конечном счете снижают эффективность AI инструментов. Стратегический фокус инженерных руководителей должен сместиться с простого приобретения AI инструментов на оптимизацию окружающей платформы и пайплайнов разработки, чтобы обеспечить эффективную поставку и поддержку сгенерированного кода.
В конце отчета авторы перечислили ограничения по использованной методологии:
- Самостоятельно заявленная экономия времени и данные об опыте разработчиков подвержены смещению ответов (Response bias). Для снижения этого эффекта авторы сопоставили результаты опросов с системной телеметрией, чтобы подтвердить направление трендов;
- Агрегация на уровне компании означает, что вариативность между отдельными командами внутри организаций не отражается в данных. Там, где это возможно, авторы проводили сегментацию по размеру организации, отрасли и региону, чтобы выявить значимые различия и избежать избыточных обобщений между несопоставимыми контекстами;
- Выборка смещена в сторону организаций, инвестировавших в платформы измерения продуктивности разработчиков. Это означает, что результаты могут быть неприменимы ко всем инженерным организациям в целом.
Основные данные и графики из отчета State of AI Impact in Engineering Q2 2026: