Где обещанный взрыв продуктивности от AI в разработке
Знаете, что меня всегда раздражало? Когда все вокруг кричат о революции, а ты смотришь вокруг и не видишь никаких изменений.
Вот уже пару лет каждый второй доклад на конференции — про AI. Каждый второй стартап — AI-native. В твиттере разработчики показывают, как они «vibecoding» (программирование на одном вдохновении) творят чудеса за часы вместо недель. Компании рапортуют о 10x, 100x приросте продуктивности.
Но вот вопрос: где приложения?
Я не про игрушки и демки. Я про реальный софт, которым люди пользуются каждый день. Где тот поток новых программ, который должен был хлынуть после того, как писать код стало якобы в сто раз быстрее?
Ребята из Answer.AI задали тот же вопрос и пошли дальше — они решили проверить это данными. Не мнением, а цифрами.
Где обещанный взрыв?
Авторы статьи выбрали PyPI — центральный репозиторий Python-пакетов. Это идеальная площадка для такого исследования: огромный публичный архив, данные доступны за много лет, легко мерить активность.
Первое, что они сделали — посчитали общее количество пакетов и количество новых релизов в месяц.
Результат? Ничего особенного.
РОСТ ПАКЕТОВ НА PYPI (2005-2025)
─────────────────────────────────
│
800k │ ████
│ ████████
600k │ ████████████
│ ████████████████
400k │ ████████████████████
│ ████████████████████████
200k │ ██████████████████████████████
│ ██████████████████████████████████
0 └────────────────────────────────────────▶
2005 2010 2015 2020 2023 2025
НОВЫХ РЕЛИЗОВ В МЕСЯЦ (десятки тысяч)
─────────────────────────────────────
│
~15k │ ╲ ╱╲ ╱╲ ╱╲╱╲╱╲╱╲╱╲
│ ╲__╱ ╲____╱ ╲___╱ ╰─── ChatGPT!
~10k │ │
~5k │________________________________________│___
Видите выступ на графике около 2022 года? Это не революция — это спам и вредоносные пакеты хлынули в репозиторий. Настоящего прироста качественного софта нет.
Если бы AI действительно делал разработчиков в два раза продуктивнее (не говоря уже о ста), мы бы увидели явное увеличение количества новых проектов. Но график говорит об обратном: кривая растёт примерно так же плавно, как и до ChatGPT.
Может, проблема в метрике?
Авторы согласились: просто считать пакеты — слишком грубо. Создать «hello world» на PyPI может кто угодно за пять минут. Может быть, настоящий эффект виден в обновлениях существующих пакетов?
Тогда они взяли топ-15 000 самых скачиваемых Python-пакетов по состоянию на декабрь 2025 года. Разбили их по году первого релиза и посмотрели медианную частоту обновлений для каждого «поколения».
Логика такая: если разработчики стали продуктивнее благодаря AI, то пакеты должны обновляться чаще — багфиксы, фичи, улучшения.
Что показали данные?
Пакеты действительно обновляются чуть чаще сейчас, чем десять лет назад. Но этот тренд начался ещё в 2019 году — задолго до современных LLM (Large Language Model — большие языковые модели типа GPT). Авторы предполагают это связано с普及ой CI/CD инструментов типа GitHub Actions.
Другими словами: умеренный рост есть, но он начался слишком рано для того чтобы объяснять его AI.
А теперь интересное
Но авторы пошли дальше. Они разделили пакеты на две группы: те что про AI (содержат ключевые слова связанные с машинным обучением) и все остальные.
И вот тут картина меняется.
Для обычных пакетов картина предсказуемая: небольшой рост частоты обновлений по годам без резких скачков.
Для AI-пакетов другая история:
РЕЛИЗОВ В ПЕРВЫЙ ГОД ЖИЗНИ ПАКЕТА (медиана)
───────────────────────────────────────────
НЕ-AI ПАКЕТЫ AI-ПАКЕТЫ
25 ─┤ ■■■■■■
│ ■■■■■■■■
20 ─┤ ■■■■□■■■
│ ■■■■ ■■
15 ─┤ ■■■■ ■■
│ ■■■■ ■■
10 ─┤ ■■■■ □□□□□□□□□□□□□□□□□□□□□□□□□□(21)
│ □□□ □□□□□□□□□□□□(13)
5 ──┼───────□───────────────────────────────▶ Год создания
└─────┼─────┼─────┼─────┼─────┼─────┼───▶
'14 '17 '20 '22 '23 '24
Условные обозначения:
■ = Не-AI пакеты
□ = AI-пакеты
Цифры = релизов/год для поколения 2024
Пакеты созданные в 2023 году про AI получают около двадцати релизов за первый год жизни. Это почти вдвое больше чем у обычных пакетов того же года!
Более того — эффект ещё сильнее для самых популярныхAI‑пакетов. ТоповыеAI‑библиотеки обновляются со скоростью21–26 релизовв год против ~10 у обычного софта.
Вот он! Реальный двукратный прирост productivity!
Так что происходит?
Давайте подытожим:
— Общее количество нового софта почти не выросло.
— Общая частота обновлений выросла скромно и началась доAI.
— Резкий (>2x) рост есть только для популярных библиотек связанных сAI .
Теперь главный вопрос: почему эффект такой узкий?
Авторы предлагают две гипотезы:
Гипотеза первая — «скилл»: Разработчики которые пишут инструменты дляAI, сами же эти инструменты и используют максимально эффективно. Получается круговая связь: те кто делаетLLM-платформы, тестируют их на своём же коде .
Гипотеза вторая — деньги: ВAI‑индустрию вкачаны миллиарды долларов инвестиций. Команды работают быстрее, потому что им за это платят. Им давно уже не нужно экономитьна каждом релиз; главное быть первым .
Обе гипотезы имеют право на жизнь. Но важнее другой вывод:
Мы незаметили массового повышения продуктивности всех разработчиков. Если где-то есть гении которые пишут кодв сто раз быстрее, их очень мало. Иначе мы бы видели эффект во всей экосистеме .
Что это значит для нас?
Несколько наблюдений:
Во‑первых, расслабьтесь. Вы непропустили вечеринку куда пригласили всех кроме вас. Мир непереполнен суперпродуктивнымиAI‑разработчиками которые пишут миллионы строк кода покрывая всё вокруг .
Во‑вторых, hype (хайп — ажиотаж вокруг технологии) работает избирательно. Он концентрируется там где деньги: вокругLLM, фреймворков машинногообучения, всего что связанос генеративнымAI .
В‑третьих, возможнодля большинства обычных задачAI пока не даёт той самой суперсилы которую обещают. Может быть через год-два; может быть нужно подождать следующего поколения моделей .
Лично мне эта картина кажется более реалистичной чем бесконечные истории успеха изTwitter. Да, LLM полезны. Да, они ускоряют рутину. Но до «революции » ещё далеко .