Обзор State of Code 2026

В начале 2026 года вышел отчет State of Code 2026 от компании Sonar, посвященный состоянию разработки и роли разработчиков в эпоху активного применения AI. Компания Sonar известная своим продуктом SonarQube, который анализирует более 750 миллиардов строк кода каждый день, что дает ей уникальное представление о качестве и характеристиках современного кода. Новый отчет продолжает серию исследований State of Code, ранее Sonar выпустила отдельные исследования, посвященные надежности кода, безопасности, сопровождаемости, а также генерации кода различными LLM. В отличие от предыдущих публикаций, которые фокусировались главным образом на самом коде и моделях, новый отчет рассматривает состояние кода с точки зрения разработчиков, создающих программное обеспечение и взаимодействующих с AI при разработке.

Исследование проводилось в формате онлайн опроса профессиональных разработчиков, который проводился в октябре 2025 года и охватил 1149 респондентов из разных стран. В исследовании участвовали специалисты из Software Engineering, а также из смежных областей, таких как IT Operations, Data Science и Product Management. Все участники либо пишут код, либо управляют инженерами и используют хотя бы один язык программирования, а также применяли AI в своей работе в течение последнего года.

Что интересного мы отметили в отчете:

1. Сценарии использования AI с точки зрения эффективности и популярности. Наиболее высокую эффективность AI демонстрирует при написании документации — 74% разработчиков оценивают этот сценарий как эффективный, и столько же используют его на практике. Высокие оценки также получили объяснение и анализ существующего кода (66%) и создание новых проектов с AI -generated кодом (62%). При этом наиболее распространенным сценарием использования является помощь при разработке нового кода — его применяют 90% разработчиков, несмотря на более умеренную оценку эффективности (55%). Генерацию тестов используют 75% разработчиков, а исследование технических решений, API и библиотек — 74%, при этом эффективность этих сценариев оценивается на уровне 59%. В задачах ревью кода, отладки, рефакторинга и добавления новой функциональности эффективность ниже, хотя уровень использования остается относительно высоким;
2. Влияние AI на ключевые метрики. Наибольшее влияние AI оказывает на производительность разработчиков (Developer Productivity) — 89% респондентов отмечают положительный эффект. Существенное влияние также наблюдается на скорость вывода продуктов на рынок (Time to Market) — 70%, а также на частоту выпуска фичей и исправлений (Feature or fix release frequency) — 60%. Более половины респондентов отмечают улучшения качества кода (Code Quality) — 58% и поддерживаемости кода (Code Maintainability) — 56%. Менее выраженный, но все же заметный эффект наблюдается в пользовательском опыте (End-User Experience) и снижении технического долга (Technical Debt) — по 47%. Влияние на снижение затрат на Rework оценивается в 42%, на уровень дефектов (Defect rates) — 39%, на уязвимости безопасности (Vulnerability rates) — 34%. Наименьшее влияние AI пока оказывает на показатели эксплуатационной надежности — частоту и серьезность инцидентов;
3. Навыки разработчиков в эпоху AI. Ключевым навыком для разработчиков становится проверка и валидация AI-generated кода — этот вариант выбрали 47% респондентов. На втором месте находится умение эффективно формулировать запросы к AI инструментам для генерации кода — 42%. Далее следуют навыки перевода доменных знаний в требования к коду (27%) и проектирования сложных систем и интеграций (25%). Также важными считаются выявление и снижение рисков безопасности, связанных с AI-generated кодом , креативное решение задач и инновации, а также обеспечение производительности и надежности систем в эксплуатации. Реже упоминаются формирование стандартов и практик разработки, интеграция результатов работы AI в процессы и инструменты разработки и рефакторинг или отладка AI-generated кода, построение устойчивых систем и менторство других разработчиков;
4. Использование AI инструментов. Наиболее широко используемыми инструментами AI в разработке респонденты отмечают GitHub Copilot и ChatGPT — их используют 75% и 74% соответственно. Далее следуют Claude/Claude Code (48%), Gemini/Duet AI (37%) и Cursor (31%). Реже применяются Perplexity и OpenAI Codex — по 21%, а также решения JetBrains (17%) и Amazon Q Developer (12%). Наименьшее распространение среди перечисленных инструментов имеет Windsurf — 8%. При этом 37% респондентов также отмечают использование других AI инструментов и решений;
5. Использование личных и корпоративных аккаунтов для AI. Значительная часть разработчиков использует AI инструменты через личные аккаунты. Например, Perplexity через личные аккаунты используют 63% разработчиков, а ChatGPT — 52%. Для Google Gemini/Duet AI этот показатель составляет 40%, для Claude/Claude Code — 36%, для OpenAI Codex — 35%. В то же время некоторые инструменты чаще используются через корпоративные аккаунты: GitHub Copilot — 78%, Amazon Q Developer — 72%, Cursor — 64%, JetBrains AI Assistant — 58%. Эти данные показывают, что значительная доля использования AI в разработке происходит вне формально утвержденных корпоративных инструментов;
6. Использование AI агентов в разработке. Большинство разработчиков уже начали работать с AI агентами: 64% респондентов отмечают, что используют их или экспериментировали с ними в задачах разработки. При этом 25% регулярно применяют AI агентов в своем рабочем процессе, а еще 39% уже проводили эксперименты, но пока не используют их на постоянной основе. Среди остальных 21% разработчиков рассматривают возможность внедрения AI агентов и планируют их использовать, тогда как 11% не используют их и не планируют внедрение. Еще 3% респондентов затруднились ответить;
7. Сценарии использования AI агентов. Наиболее распространенным и эффективным сценарием является создание документации к коду — 68% разработчиков используют их для этой задачи, а эффективность оценивается на уровне 70%. Высокие показатели также у генерации и выполнении тестов — 61% использования при эффективности 59%, а также Vibe Coding инструменты, создающие код на основе диалога на естественном языке — 46% использования и 59% эффективности. Для задач планирования проектов, декомпозиции задач и анализа требований AI агенты используют 45% разработчиков, при оценке эффективности 54%. Автоматическое ревью кода применяют 57% разработчиков, а эффективность оценивается на уровне 52%. Генерация кода для фичей или модулей и автоматический рефакторинг используются примерно половиной респондентов. Реже AI агенты применяются для настройки и управления инфраструктурой, устранения уязвимостей и управления пайплайнами;
8. Эффективность AI агентов в компаниях разного размера. Оценка эффективности AI агентов различается в зависимости от размера компании. В малых компаниях (SMB) наиболее высокие показатели наблюдаются при создании документации (69%), использовании инструментов Vibe Coding (67%) и задачах планирования и анализа требований (63%). В компаниях среднего сегмента (Mid-market) выше оценивается автоматизация инфраструктуры (62%), генерация и выполнение тестов (61%), а также автоматическая отладка (54%) и настройка пайплайнов (56%). В Enterprise компаниях оценки эффективности в большинстве сценариев ниже и чаще находятся в диапазоне около 44–60%;
9. Влияние AI на рутинную работу (Toil). Большинство разработчиков отмечают, что использование AI помогает сократить объем рутинной и малопродуктивной работы, которая отвлекает от основной разработки. В общей сложности 75% разработчиков согласны с тем, что AI уменьшает время, которое они тратят на такую работу. При этом 14% занимают нейтральную позицию, а доля тех, кто не согласен с этим утверждением, остается небольшой — около 10%;
10. Время, которое разработчики тратят на рутинную работу. В среднем разработчики тратят около 24% своей рабочей недели на рутинные и малопродуктивные задачи. Наиболее распространенный диапазон составляет 11-25% рабочего времени, однако значительная доля разработчиков тратит на такие задачи до 40% времени. При этом разработчики, которые используют AI несколько раз в день, в среднем тратят на Toil меньше времени, чем те, кто использует AI лишь время от времени;
11. Источники рутинной работы при использовании AI. Использование AI не столько уменьшает общий объем рутинной работы, сколько меняет ее характер. Разработчики, активно использующие AI несколько раз в день, чаще сталкиваются с задачами управления техническим долгом (44%) и исправления или переписывания кода, созданного AI инструментами (25%). В то же время у разработчиков, использующих AI реже, чаще источником Toil становится поиск информации и понимание существующих систем (29%) или отладка устаревшего и плохо документированного кода (34%). Среди других распространенных источников рутинной работы остаются управление устаревшими зависимостями, проблемы с инструментами разработки и задачи оптимизации производительности кода;
12. Основные опасения разработчиков при использовании AI. Наибольшее беспокойство вызывает риск утечки конфиденциальных данных — его отмечают 57% разработчиков. Далее опасения избыточной зависимости от AI, которая может привести к снижению понимания кодовой базы в команде (53%) и деградации собственных навыков программирования (48%). Значительная доля респондентов обеспокоена появлением новых или трудно обнаружимых уязвимостей безопасности (47%) и серьезных уязвимостей (44%). Среди других рисков отмечаются корректность кода, недостаток контекста у AI инструментов о конкретном проекте, архитектурные несоответствия, возможные нарушения лицензий, а также недетерминированность результатов, когда одинаковые запросы могут приводить к разным результатам;
13. Влияние AI на технический долг. Большинство разработчиков отмечают как положительное, так и отрицательное влияние AI на технический долг. 88% респондентов сообщили хотя бы об одном негативном эффекте, среди которых чаще всего отмечаются появление кода, который выглядит корректно, но оказывается ненадежным, создание дублирующего или лишнего кода и появление ошибок или нестабильного поведения. В то же время 93% разработчиков отмечают и положительные эффекты: улучшение документации, повышение покрытия тестами и упрощение отладки, а также рефакторинг и оптимизацию существующего кода;
14. Использование AI в зависимости от опыта разработчиков. Вне зависимости от стажа наиболее распространенным сценарием применения AI остается помощь при разработке нового кода — его используют 86% разработчиков с опытом до 10 лет, 92% с опытом 11-20 лет и 90% с опытом более 20 лет. Также широко применяются объяснение существующего кода , добавление нового функционала, генерация тестов и написание документации. При этом более опытные разработчики немного реже используют AI для задач разработки и тестирования, тогда как для ревью кода уровень использования, наоборот, немного выше среди разработчиков с опытом более 20 лет;
15. Негативные эффекты использования AI в компаниях разного размера. Малые компании (SMB) чаще сообщают о негативных последствиях использования AI-инструментов. В частности, 67% разработчиков отмечают, что AI часто генерирует код, который выглядит корректно, но оказывается ненадежным, а 62% указывают, что получение качественного результата требует значительных усилий при формулировании запросов и исправлении кода. Также 47% считают, что AI генерирует слишком большое количество кода, а 43% отмечают, что AI усложняет решение сложных задач из-за недостатка контекста. В целом разработчики из SMB чаще сообщают о дополнительных затратах времени на ревью, исправление и доработку кода по сравнению с компаниями среднего сегмента и Enterprise.

Основные результаты из отчета State of Code 2026 приведены ниже: