От трендов к практике
Термин «вайб-кодинг» в профессиональной среде почти сразу получил репутацию модного, но не слишком точного ярлыка. Он звучит легковесно и слабо отражает реальные процессы в командах, где разработчики ежедневно работают с ИИ. Вместо него все чаще используют более точное определение — «агентоориентированная разработка».
Этот сдвиг в терминологии отражает более широкий тренд: индустрия постепенно уходит от использования языковых моделей как расширенного поиска к системам, способным выполнять действия. Сегодня такие подходы активно обсуждаются в инженерных блогах и исследованиях, где ИИ рассматривается уже не просто как инструмент, а как часть процесса разработки.
Мы поговорили с командой разработчиков Globus о работе с инструментами, которые умеют не только отвечать на вопросы, но и выполнять реальные действия: писать код, запускать тесты, анализировать систему и исправлять ошибки. Разница между классическими языковыми моделями и агентами здесь принципиальна: в первом случае разработчик получает текст, во втором — результат цепочки действий, инициированной через модель.
Этот переход — от ответа к действию — и формирует новую практику разработки.
Когда инструмент начинает действовать сам
Одно из заметных изменений — более «самостоятельное» поведение агентов. В ряде случаев система делает больше, чем от нее ожидают. Иногда это полезно: агент не только выполняет задачу, но и оптимизирует ее, запускает тесты, находит нестабильности и пытается их устранить.
Подобные ситуации уже становятся частью повседневной практики. Например, ребята рассказали, как при работе с мобильным приложением агент не только собрал и опубликовал билд, но и самостоятельно запустил UI-тесты на симуляторе. В другом случае агент, анализируя поведение продакшн-сервиса, перебрал несколько гипотез возникновения ошибки, проверил их и предложил корректное решение.
Но такая «инициативность» создает и напряжение. Разработчик теряет полный контроль над процессом и начинает управлять не только задачей, но и поведением инструмента. Фактически появляется новая роль — управление системой, которая генерирует код.
И здесь становится понятно, что работа с агентами требует не меньшей, а зачастую большей квалификации — просто другой.
Новый профиль сильного разработчика
Если раньше ключевым преимуществом была глубокая экспертиза в конкретном стеке, то теперь все большее значение имеет широта мышления. Специалист, способный формулировать задачи на уровне архитектуры, быстрее получает результат от агентов, чем тот, кто хорошо работает в узкой области.
Появляется и новая компетенция — делегирование. Причем делегирование системе, которая не «понимает» задачу в человеческом смысле и работает на вероятностных моделях. Это требует точных формулировок, умения разбивать задачи на этапы и регулярно проверять результат.
В этом смысле разработчик все чаще выполняет функции техлида или архитектора даже в повседневной работе: он не только пишет код, но и управляет процессом его появления.
Иллюзия ускорения
Со стороны может показаться, что ИИ-агенты радикально ускоряют разработку. Отчасти это так: быстрее пишется код, появляются прототипы, закрываются типовые задачи.
Это подтверждается и исследованиями: эксперименты показывают, что ИИ действительно сокращает время выполнения стандартных задач, особенно в хорошо документированных технологиях.
Но внутри процесса возникает дополнительная нагрузка — контроль. Код, созданный агентом, нужно проверять, понимать и поддерживать. Если этого не происходит, разработчик теряет контроль над системой.
В долгосрочной перспективе это приводит к новому типу технического долга — не из-за плохого кода, а из-за отсутствия понимания того, как он устроен.
Граница ответственности
Один из ключевых вопросов — допустимо ли использовать код, который разработчик сам не смог бы написать. Однозначного ответа здесь нет.
С одной стороны, агент помогает быстрее осваивать новые области и расширять компетенции. С другой — ответственность за результат остается на человеке.
На практике формируется простое правило: использовать ИИ можно практически везде, но только в той мере, в которой разработчик готов разбираться с последствиями. Иначе инструмент становится источником рисков.
Управление вместо доверия
Работа с агентами постепенно смещается от доверия к управлению. Команды, активно использующие такие инструменты, приходят к необходимости строгой настройки: ограничения доступа, контроля команд и фильтрации действий.
Без этого агент может вести себя слишком инициативно — выполнять лишние действия, уходить в циклы или делать то, что явно не запрашивалось.
Настройка становится отдельным процессом, требующим времени и экспертизы. И он не заканчивается: по мере усложнения задач поведение агента приходится корректировать снова.
Почему джунам сложнее, чем кажется
Интуитивно кажется, что ИИ должен упростить вход в профессию, но на практике часто происходит обратное. Новички, сразу работающие через агентов, рискуют не сформировать базового понимания кода и архитектуры.
В результате обучение становится поверхностным. Когда инструмент перестает справляться, у разработчика может не хватить знаний, чтобы исправить ситуацию.
Поэтому многие команды осторожно относятся к идее активного использования ИИ джуниорами. Без базы агент не усиливает специалиста, а маскирует пробелы.
Контекст как главный ресурс
Один из недооцененных факторов — контекст. Агенты работают эффективно только при наличии четкого понимания проекта: структуры, архитектуры и ограничений.
Поэтому практика работы с уже существующим кодом оказывается более надежной. В этом случае агент ориентируется на текущие паттерны и дает более предсказуемый результат.
Контекст выступает как ограничитель, который удерживает систему в рамках.
Где ИИ действительно силен
Несмотря на ограничения, есть задачи, где агенты показывают хорошие результаты: анализ багов, автоматизация рутины, генерация типового кода, работа с распространенными технологиями.
Особенно это заметно в экосистемах с большим объемом открытых данных, например во фронтенде. Там модели обучены на большом количестве примеров, и качество решений выше.
Но при выходе за пределы типовых сценариев — в нестандартной инфраструктуре или редких технологиях — эффективность заметно снижается.
Безопасность и цена скорости
Отдельный вопрос — работа с данными. Использование облачных моделей связано с передачей информации вовне, что создает риски, особенно в корпоративной среде.
Локальные модели частично решают проблему, но уступают по качеству и требуют инфраструктурных затрат. В результате компании выбирают между безопасностью и скоростью — и универсального решения здесь пока нет.
Что в итоге меняется
Главное изменение, которое приносят ИИ-агенты, — не столько ускорение разработки, сколько изменение ее структуры. Разработчик становится не только исполнителем, но и управляющим системой, в которой код появляется как результат взаимодействия человека и модели.
Это требует новых навыков, практик и подхода к ответственности. Возможно, именно поэтому термин «вайб-кодинг» не приживается: современная разработка с ИИ — это уже не про «ощущения», а про дисциплину, архитектуру и контроль.
ИИ не столько упрощает разработку, сколько делает ее другой.