ИИ для программирования: 4 класса инструментов и как выбрать свой

Списки «10 лучших нейросетей» устаревают быстрее, чем индексируются. Полезнее понимать типологию: классы инструментов стабильны, меняются только названия лидеров внутри каждого.

Четыре класса инструментов

1. Чат-модели. ChatGPT, Claude, GigaChat, YandexGPT в окне диалога: вставили кусок кода или описали задачу — получили код, объяснение, исправление. Бесплатный вход в тему и рабочая лошадка для разовых задач: скрипт, формула, регулярка, «почему падает эта ошибка». Ограничение — модель не видит ваш проект: всё нужное приходится вставлять руками.

2. Автодополнение в редакторе. GitHub Copilot и аналоги: ИИ дописывает код прямо во время набора, видя открытые файлы. Даёт стабильные +20–30% скорости на типовом коде и почти не требует менять привычки. Инструмент программиста: тому, кто не пишет код ежедневно, он мало что даст.

3. Агенты в редакторе. Cursor, Claude Code и класс, выросший за последний год: агент получает задачу словами, сам находит нужные файлы, вносит правки в несколько мест, запускает тесты и показывает результат. Это ядро вайб-кодинга — и одновременно серьёзный инструмент профессионалов: разница только в том, читает ли человек то, что агент написал.

4. Облачные агенты. Тот же агент, но работающий без вашего участия: получил задачу — через время принёс готовое изменение на проверку. Формат для команд с настроенными процессами: чтобы принимать работу агента, нужен процесс проверки, как с живым разработчиком.

Как выбрать

Три практических критерия сверх таблицы:

• Доступность из России. Часть сервисов требует зарубежной оплаты. Проверяйте до того, как привяжете рабочий процесс: слезать с инструмента больнее, чем выбирать.
• Приватность кода. Всё, что вы отправляете в облачную модель, покидает вашу машину. Для собственных пет-проектов неважно; для кода под NDA — вопрос номер один: смотрите режимы без обучения на ваших данных или локальные модели.
• Бесплатно — значит для пробы. Бесплатные лимиты у всех классов достаточны, чтобы понять «моё/не моё», и недостаточны для ежедневной работы. Это честная модель, а не ловушка.

Что ИИ делает в коде хорошо

• Типовой код: формы, парсеры, интеграции с известными API — быстрее человека в разы.
• Объяснение чужого кода: вставили непонятный кусок — получили разбор по строкам. Недооценённый сценарий для заказчиков: можно спросить «что делает этот скрипт на моём сайте».
• Поиск ошибки по симптому: текст ошибки + кусок кода — и в большинстве случаев диагноз точный.
• Тесты и документация: скучная работа, которую люди откладывают, а модель делает сразу.
• Перевод между языками и стеками: «перепиши с PHP на Python» работает на удивление прилично.

Что ИИ делает плохо — и не признаётся

Выдумывает. Несуществующие функции библиотек, параметры, которых нет в API. Код выглядит убедительно и не работает. Единственная защита — запуск и проверка; на глаз галлюцинация неотличима от правды.

Ошибается уверенно. Модель не говорит «не знаю» — она говорит правдоподобно. Опасно ровно настолько, насколько вы не можете проверить ответ.

Тянет устаревшее. Обучена на коде прошлых лет — предлагает подходы и версии, от которых сообщество ушло. Для одноразового скрипта неважно, для нового проекта — заложенный долг.

Не знает ваш контекст. Почему в проекте принято так, а не иначе, что нельзя трогать, где болит у бизнеса — этого в модели нет. Чем дальше задача от «типового кода вообще» и ближе к «нашей системе в частности», тем больше нужен человек.

Общее правило из этих четырёх пунктов: ИИ ускоряет того, кто может проверить результат. Разработчик с ИИ быстрее разработчика без ИИ. Человек без экспертизы с ИИ получает скорость без контроля качества — для черновиков это приемлемо, для продакшна нет.

Что меняется в работе разработчика

По нашей практике — код с ИИ мы пишем каждый день — баланс сместился так: набор типового кода подешевел почти до нуля, а три вещи подорожали.

• Постановка задачи. Агент делает ровно то, что сказано. Умение сформулировать «что и в каких границах» стало главным навыком — и оно же отделяет полезный результат от красивого мусора.
• Проверка. Код-ревью из формальности превратилось в основную работу: писать стало быстро, читать — по-прежнему медленно.
• Архитектура. Решения «как устроить систему, чтобы она пережила год изменений» ИИ не принимает — он наследует те, что уже есть в проекте, хорошие и плохие одинаково.

Для заказчика разработки это означает практичное: «мы используем ИИ» у подрядчика — это норма, а не преимущество. Вопрос, который стоит задавать: «кто читает и проверяет то, что написал ИИ». Как ИИ-ускорение встроено в нашу разработку — ИИ-автоматизация.

Коротко

• Инструменты делятся на 4 класса по автономности: чат, автодополнение, агент в редакторе, облачный агент.
• Выбор — по задаче и опыту, а не по рейтингу: рейтинги устаревают за месяц, классы стабильны.
• Критерии: доступность оплаты, приватность кода, честные бесплатные лимиты для пробы.
• ИИ силён в типовом коде, объяснениях, поиске ошибок, тестах; слаб — галлюцинации, уверенные ошибки, устаревшие практики, незнание контекста.
• ИИ ускоряет того, кто может проверить результат; без экспертизы это скорость без контроля.
• Дешевеет набор кода, дорожают постановка задачи, проверка и архитектура.