Кратко — да, изменил сильно, но по-разному: много рутинного исчезло/автоматизировалось, время перераспределилось в сторону дизайна, архитектуры, проверки и интеграции. При этом появилось новое — навыки работы с ИИ, валимая ответственность за валидацию и безопасность, и фидбек — «генерация + проверка» вместо «написал и забыл».
Ниже — развёрнутый ответ по ролям, по эффектам на рабочие процессы и по тому, что можно сделать, если вам не хватает «старого» кодинга.
1) Для разработчиков
- Что поменялось:
- БОЕЛРПЛЕЙТ, шаблоны, CRUD, интеграции, простой парсинг и SQL — генерируются за секунды (Claude/Codex/GPT и т.п.).
- Быстрая итерация: прототипы, POC, конвертация между языками, рефакторинг и автоматические PR-дополнения в IDE.
- Тесты — LLM генерирует юнит- и интеграционные тесты, сценарии E2E и моки.
- Документация, changelog, commit messages и PR-описания — часто пишутся автоматически.
- Что добавилось:
- Проверка вывода ИИ: более ответственный code review, тестирование, статический анализ, нагрузочное тестирование.
- Навык написания промптов и создание шаблонов/плейбуков для повторяемых задач («prompt engineering»).
- Нужна экспертиза в безопасности, лицензировании, приватности данных при использовании внешних моделей.
- Время и процессы:
- Да, многие тратят меньше времени на рутинные вещи. Это время обычно уходит на:
- дизайн и архитектуру системы,
- сложную логику и оптимизацию,
- юнит/интеграционные/системные тесты,
- взаимодействие с продуктом и командой,
- менторство и code quality.
- Практики переработки процессов: включение ИИ в CI (генерация тестов, code suggestions), стандартные промпты в шаблонах задач, навыковая переквалификация.
- Минусы:
- Иногда падает удовольствие от рутинного «чистого» кодинга — для некоторых это минус.
- Появляется дополнительная когнитивная нагрузка: надо проверять и верифицировать вывод ИИ.
- Ошибки «на вид правдоподобные, но неправильные» (галлюцинации) — требуют осторожности.
2) Для QA / тестировщиков
- Что поменялось:
- Генерация тест-кейсов, сценариев, фуззинг-скриптов, автогенерация моков.
- Автоматическое описание багов и воспроизводимых шагов.
- Что осталось:
- Всё ещё критична человеческая проверка сложных сценариев, UX-проверки, регрессионные исследования.
3) Для продукт-менеджеров и дизайнеров
- Продукт быстрее прототипируется, можно быстро проверить гипотезы (интерактивные мокапы, тексты, промпты для user flows).
- Принятие решений смещается на качество требований и исследование UX, так как реализация становится быстрее.
4) Для DevOps / SRE
- Runbook'и, скрипты, диагностика и triage инцидентов ускорены ИИ.
- Но риски при автоматическом исполнении команд: требуется строгая авторизация и контроль.
5) Data Scientists / ML-инженеры
- Быстрее экспериментирование, автоподбор фич, генерация baseline-кодов.
- Больше усилий на data governance, объяснимость и валидацию моделей.
6) Менеджеры и HR
- Появились новые критерии при найме: умение работать с ИИ-инструментами, умение писать промпты, верифицировать выводы.
- Пересматриваются метрики продуктивности (не «сколько строк кода», а «сколько ценности»).
Как конкретно реорганизовать рабочие процессы
- Встроить ИИ в привычные этапы: в планирование — для оценки задач; в реализацию — как ассистента в IDE; в PR-ревью — для автопроверки стиля/анализов; в CI — для автогенерации тестов/анализов.
- Создать репозитарий промптов / playbook'ов и шаблонов.
- Ввести правило «генерация + верификация»: всегда писать тесты/проверки на то, что сгенерировал ИИ.
- Разделять задачи: что отдаём ИИ (бумажная работа/шаблоны) и что нет (безопасность, критичная логика).
- Определять SLAs для автономных агентов и правила эскалации для человека.
Когда ИИ делает работу — куда направить освободившееся время?
- Больше архитектуры, рефакторинга, оптимизации, обучения, менторства.
- Больше продуктовой работы: исследование пользователей, экспериментирование.
- Изучение новых стэков и низкоуровневой техники (если хочется «по-старому»).
Если вам стало неинтересно от «кодинга через LLM»
- Советы:
- Устраивайте офлайн-сессии без подсказок ИИ: kata, алгоритмы, open-source проекты.
- Беритесь за низкоуровневые или «математические» задачи, где ИИ пока слабее (системное программирование, языковые реализации, компиляторы, оптимизации).
- Сфокусируйтесь на дизайне систем, где творчество и коммуникация важнее.
- Используйте ИИ как инструмент, а не замену — контролируйте процесс и получайте удовольствие от архитектурных решений.
Ощущение IT в 2026
- Это смешанные чувства: с одной стороны — уровень продуктивности и скорости доставки повысился. С другой — работа стала более разношёрстной: меньше «писать код руками», больше «придумывать, валидировать, интегрировать».
- Для многих профессия стала интереснее (больше творчества), для кого-то — менее, если удовольствие было в ручной детализации.
- В долгосрочной перспективе IT остаётся захватывающей областью: появляются новые проблемы (этика, безопасность, масштабируемые агенты), и те, кто овладеют навыками работы с ИИ, будут в спросе.
Если хотите — могу:
- Показать конкретные шаблоны промптов для разработчиков/ревью/CI.
- Помочь спланировать переход команды на AI-augmented workflow.
- Поделиться инструментами и методами оценки экономии времени и качества.
Хочется ли вам жить в таком IT — зависит от того, что вам больше нравится: ручная инженерия или системное/продуктовое мышление. Оба пути сейчас в цене.