Скрытые затраты AI-кода: как технический долг увеличивает расходы в 10 раз

Искусственный интеллект в программировании — это парадокс скорости. GitHub сообщает о росте продуктивности разработчиков на 55% при использовании Copilot, McKinsey фиксирует двукратное ускорение. Но исследование MIT показывает обратную сторону: в реальных корпоративных системах быстрое внедрение AI-кода создаёт опасный технический долг, способный обрушить стабильность всего проекта.

Большинство исследований проводились в лабораторных условиях, где программисты решали изолированные задачи. Реальность корпоративной разработки иная: новый код строится поверх сложных существующих систем с многолетней историей. Каждая строчка AI-кода может создать клубок зависимостей, превращая быструю победу сегодня в катастрофу завтра.

Почему долг растёт как снежный ком

Технический долг — это скрытая цена цифровых технологий. Это 60-летний код на языке COBOL в банковских системах без документации. Это двузначное представление года вместо четырёхзначного, породившее кризис 2000 года стоимостью сотни миллиардов долларов глобально.

MIT выявил механизм накопления: когда организация быстро внедряет новое ПО в существующие системы, она непреднамеренно создаёт переплетение зависимостей. Результат предсказуем — замедление разработки, рост сложности, уязвимости безопасности и потенциальные системные отказы.

Новый источник долга: несовместимость между версиями

Команда разработчиков обнаружила неожиданный факт: запросы, написанные для GPT-4o, не работают с GPT-5, даже внутри одной компании. Это создаёт циклический технический долг при каждом обновлении модели — источник затрат, который руководители раньше не закладывали в бюджет.

Каждая новая версия модели приносит улучшения: лучше рассуждает, меньше выдумывает факты, точнее понимает контекст. GPT-5 теперь может «думать», когда это необходимо. Но это меняет эффективные техники написания запросов.

Запросы, которые идеально работали раньше, теперь работают хуже. Например, бот для создания уточняющих вопросов начал выдавать пошаговые решения вместо вопросов. GPT-5 особенно коварен: если запрос случайно активирует режим «размышления», время ответа увеличивается, расходуя дорогие вычислительные ресурсы.

При текущих темпах выхода новых версий организациям нужно закладывать минимум одно обновление модели и переписывание запросов в год для каждого инструмента на базе AI. Инвесторы и руководители должны включить это в планы.

Тонкая настройка: бесконечный долг

Тонкая настройка модели (fine-tuning) создаёт очевидную форму технического долга. Вы берёте готовую модель, добавляете собственные данные компании, получаете кастомную версию. Это делается в высокотехнических отраслях, где много релевантных данных отсутствует в базовой модели.

Вызов в следующем: когда выходит новая модель, нужно снова обучать новую версию для получения преимуществ. Пример: вы используете Llama 3.1, обучение стоит 100 тысяч долларов и занимает 3 месяца. Выходит Llama 3.2 — ещё 100 тысяч и 3 месяца. С тонкой настройкой вы всегда на одну версию позади лучших решений на рынке из-за времени обучения.

Эта динамика — главная причина, почему тонкую настройку не рекомендуют, если нет действительно большой разницы в производительности. Поддержка слишком болезненная.

Деградация качества: данные исследования

Компания GitClear проанализировала 211 миллионов изменённых строк кода между 2020 и 2024 годами в частных репозиториях и крупных открытых проектах. Результаты показывают явные признаки деградации качества кода.

Ключевые находки GitClear:

• Рост в 8 раз кодовых блоков с пятью и более повторяющимися строками по сравнению с двумя годами ранее
• Повторяющийся код стал в 10 раз более распространённым — взрывной рост практики копирования-вставки
• 46% всех изменений кода — полностью новый код, копирование-вставка превысило переиспользование существующего
• Переорганизация кода в переиспользуемые модули падает к нулю к 2025 году
• Нестабильный код (который добавляется и быстро модифицируется или удаляется) вырос до 7% к 2025 — красный флаг нестабильности

Билл Хардинг, директор GitClear: «Переорганизация кода — один из самых ясных сигналов здорового рефакторинга и переиспользования». Падение переорганизации и рост дублирования показывают, что разработчики массово предпочитают копирование-вставку вместо продуманного переиспользования.

Это критично для технического долга, потому что каждый повторяющийся или плохо реорганизованный блок вводит избыточность, усложняет поддержку и увеличивает стоимость будущих изменений.

Когда «легко с AI» становится дорого позже

Разработчик поделился опытом из проекта на Java, где коллега использовал GitHub Copilot для генерации шаблонного кода: геттеры и сеттеры, которые современные практики на Java уже заменили процессорами аннотаций.

AI-код выглядел нормально изначально, но ввёл устаревшие паттерны, которые усложнят поддержку проекта в долгосрочной перспективе. Ирония: AI считается передовой технологией, но часто воспроизводит старые и плохие привычки из-за данных, на которых обучался.

Java страдает от этого больше всего — AI-код на Go, Python или Rust часто выглядит чище и более выровненным с современными стандартами. Командам следует использовать инструменты проверки кода для отлова устаревших практик на ранних стадиях.

Как AI усиливает технический долг: замкнутый круг

Большинство AI-инструментов не имеют глубокого понимания вашей кодовой базы. Они генерируют код без контекста, без понимания архитектуры, бизнес-логики или долгосрочной поддерживаемости.

Замкнутый круг технического долга с AI:

1. AI выдаёт результат, который выглядит нормально при первой проверке
2. Код синтаксически корректен и часто принимается без тщательного анализа
3. Со временем добавляются слои сложности, увеличивая технический долг
4. Код не отражает специфическую архитектуру системы или долгосрочную поддерживаемость
5. Когда проблемы появляются, команды используют AI для исправлений — вводят дополнительные патчи, добавляющие к проблеме
6. Скрытые проблемы накапливаются, зависимость от AI растёт
7. Расширяющийся пул AI-кода с накапливающимся долгом

Последствия реальны: даже если приложение кажется готовым к запуску, скрытая сложность и несоответствия увеличивают затраты на поддержку, замедляют будущую разработку и создают хрупкие системы, которые сложнее масштабировать.

Скрытые уязвимости безопасности

AI-код может выглядеть корректно с первого взгляда, но вводит тонкие уязвимости безопасности, остающиеся незамеченными до серьёзных проблем. Компания CrowdStrike исследовала AI-инструмент DeepSeek: уровень ошибок составил 42.1% для определённых критичных приложений — почти вдвое выше типичного уровня ошибок в коде, написанном вручную (22.8%).

Ошибки включали: небезопасную обработку входных данных, слабые практики шифрования, неправильную проверку. В системе электронной коммерции AI-алгоритм сортировки работал безупречно при нормальных условиях, но падал при крайних случаях (множественные категории, отсутствующие товары), влияя на пользовательский опыт и продажи.

Возврат инвестиций в управление долгом

Обращение с техническим долгом на ранней стадии приносит выгоды, которые накапливаются со временем.

Быстрее на рынок: Уменьшая технический долг на стадии проектирования, команды избегают замедлений от хрупких архитектур, плохо документированных процессов, неотслеживаемых версий моделей. Проекты движутся плавнее от разработки к запуску.

Ниже затраты на поддержку: Ранняя профилактика снижает скрытые «проценты» технического долга — повторяющиеся исправления ошибок, переобучение моделей из-за устаревания данных, дорогие обновления инфраструктуры. Экономия значительная, высвобождая бюджеты для инноваций вместо тушения пожаров в старых системах.

Выше производительность и надёжность моделей: Надёжные процессы, непрерывный мониторинг, чёткое версионирование обеспечивают надёжность моделей в эксплуатации. Улучшает точность и эффективность и усиливает доверие заинтересованных сторон к результатам AI — критично для внедрения и долгосрочного влияния на бизнес.

Лучшее выравнивание со стратегическими целями: Проактивное управление техническим долгом обеспечивает тесную связь AI-инициатив с бизнес-целями. Решения о том, какие модели разрабатывать, какие данные использовать, как масштабировать, принимаются с учётом долгосрочной устойчивости.

Что дальше: сценарии развития

Оптимистичный сценарий (1-2 года): Появляются AI-инструменты нового поколения с глубоким пониманием архитектуры проекта. Они генерируют код с учётом существующих паттернов, автоматически рефакторят дублирование, предупреждают о накоплении технического долга в реальном времени.

Реалистичный сценарий (2-3 года): Рынок разделяется на компании, которые научились управлять техническим долгом от AI, и компании, которые тонут в нём. Появляются стандарты индустрии для AI-кода, аналогичные ISO для систем управления качеством. Страховые компании начинают учитывать технический долг от AI при оценке рисков.

Пессимистичный сценарий (3-5 лет): Несколько громких инцидентов с безопасностью из-за AI-кода приводят к жёсткому регулированию. Компании вынуждены проводить дорогостоящие аудиты всего AI-кода. Некоторые организации отказываются от AI в критичных системах, возвращаясь к традиционной разработке.

Инструменты и решения