Введение: год спустя, и мир уже другой

ℹ О чём эта статья
Бен Столовиц — research engineer из Salesforce — опубликовал второй ежегодный отчёт о том, как он использует ИИ в реальной работе. Это честный срез практика: без маркетинга, без хайпа, с реальными цифрами и принципиальными отказами от части инструментов.

Октябрь 2026 года. Это уже второй ежегодный материал: год назад автор сделал первый срез того, как использует AI в жизни. Чем ценен этот отчёт? Не тем, что автор — евангелист или маркетолог ИИ-стартапа. Бен — research engineer в Salesforce, работающий над ИИ, бывший инженер Microsoft в области Windows, AI и доступности. То есть это взгляд практика, который видит технологию изнутри и умеет отделять хайп от реальной пользы.

Спойлер: за год изменилось многое. Агентное кодирование перевернуло рабочий процесс. Поиск стал AI-first по умолчанию. Но кое-что осталось незыблемым — например, нежелание доверять ИИ написание собственных текстов.


Личная AI-политика: зачем инженеру документ о правилах

В этом году автор начал составлять личную AI-политику — документ о том, как именно он хочет использовать ИИ в своей жизни. Это звучит как что-то корпоративное, но идея проста: без чётких правил легко использовать инструменты бездумно — там подсказка, тут генерация — и не замечать, как теряется контроль над результатами.

Параллельно он работает над публичной AI-политикой для своего сайта (ориентируясь на подход Хэнка Грина), а личная политика нужна как фреймворк для повседневной работы с этими инструментами.

💡 Практический совет
Составьте собственный одностраничный документ: какие задачи вы делегируете ИИ, какие никогда не делегируете, и что именно проверяете в результатах. Это дисциплинирует использование и снижает когнитивную нагрузку при принятии решений «доверять ли агенту».

Кодирование: агенты взяли управление

Это самый радикальный раздел отчёта. Год спустя после первого материала автор утверждает: агентное кодирование сделало ручное написание кода практически устаревшим.

Как выглядит рабочий день инженера в 2026 году

Рабочий день теперь — это управление ~5–6 агентами Claude Code (или OpenCode, Codex, Pi). Каждому агенту дают задачу: реализовать фичу, воспроизвести баг или любую другую задачу, которую раньше делали вручную; каждый агент получает свою копию кода (Git worktree) и просто приступает к работе.

Агенты пишут более 90% кода, прототипируя фичи примерно за 20 минут, но автор настаивает: инженерия всё ещё требует человеческого вкуса, чтобы избежать «переусложнённого, нечитаемого слопа».

⚠ Важный нюанс
Агенты пишут код быстро — но не всегда хорошо. Самой большой победой автора стала замена 4000 строк агентного кода несколькими сотнями строк, написанных вручную. Количество ≠ качество.

Git Worktrees: как управлять параллельными агентами

Claude Code worktrees позволяют нескольким агентам работать с одним репозиторием параллельно, каждому в своей ветке и директории. Это решает проблему конфликтов: когда несколько AI-агентов работают над одной кодовой базой параллельно, им нужна изоляция — без worktrees два агента, редактирующие один файл, немедленно создадут конфликты.


graph TD
    A[Задача от инженера] --> B[Claude Code агент 1\nФича A / worktree-1]
    A --> C[Claude Code агент 2\nФича B / worktree-2]
    A --> D[Claude Code агент 3\nБаг-фикс / worktree-3]
    B --> E[Code Review агент]
    C --> E
    D --> E
    E --> F[Инженер проверяет и мёрджит]
    F --> G[Готовый код в main]

Автор описывает такой режим как утомительный и перегружающий по сравнению с ручным написанием кода, несмотря на то что агенты прототипируют фичи примерно за 20 минут каждый. Это важное признание: управление агентами — это отдельный навык, а не просто «нажал кнопку и ждёшь».

Таблица: инструменты агентного кодирования в 2026

ИнструментТипКлючевое применениеОценка
Claude CodeАгентная средаПолная автономная разработка👍👍👍
OpenCodeCLI-агентАльтернатива Claude Code👍👍
CodexOpenAI агентБыстрое прототипирование👍👍
GitHub CopilotАвтодополнениеInline-подсказки в IDE👍
CursorIDE с AIИнтеграция в редактор👍👍

«Смещение происходит от написания кода к проверке, направлению и валидации AI-сгенерированного кода.»


Поиск и исследования: AI-first по умолчанию

Самым большим изменением стало появление AI-сводок Google. Теперь традиционный поиск стал AI-first по умолчанию.

Год назад автор использовал LLM для «pub facts» — вопросов, которые задают партнёру в баре. Он использовал их, чтобы разобраться с консольными инструментами, которые редко применяет, угадать синтаксис при написании плагина и даже найти правильный терминал аэропорта для рейса. Теперь это стало нормой для большинства поисковых запросов.

ℹ Контекст
AI-поиск не заменяет глубокое исследование с первоисточниками, но радикально ускоряет навигацию по знакомым и незнакомым темам. Ключевое умение — знать, когда верить сводке, а когда идти к источнику.

Суммаризация, транскрипция и голос

Голосовые функции автор пока не использует надёжно — за исключением диктовки. Это честное признание: несмотря на весь прогресс голосовых AI-ассистентов, реальная интеграция голоса в рабочий процесс технических специалистов остаётся нишевой.

Зато суммаризация и транскрипция — уже рутина. Длинные встречи, документы, исследовательские материалы — AI-сводки экономят часы работы.


Письмо и арт: где AI не нужен (и почему это важно)

Текст: принципиальный отказ

Автор по-прежнему не использует AI для написания с нуля и не прибегает к нему как к помощнику по структуре для того, что создаёт сам. Это касается как рабочей коммуникации, так и блога.

Почему? По отзывам многих пользователей, AI-редакторы склонны к сикофантству и неохотно критикуют, предлагая банальные, неточные советы без нюансов. Они регрессируют качество письма к среднему: помогают слабым авторам, но обезличивают сильных.

📝 Почему это важно
Если вы хороший автор — AI-редактор, скорее всего, сделает ваш текст хуже. Если слабый — немного улучшит, но до «нормы», не выше. Это не инструмент для роста мастерства, а инструмент для усреднения.

Изображения и видео: скептицизм сохраняется

Автор по-прежнему не нашёл хорошего применения для генерации изображений. При этом теперь он видит AI-рекламу кроссовок, AI-постеры мероприятий, AI-меню ресторанов, AI-логотипы магазинов и киберспортивных команд, AI-картины в HomeSense и AI-футболки в Walmart.

Он отказывается от AI-генерации изображений и видео, считая её преимущественно вредной, но при этом искренне полюбил AI-музыку. Это интересное разграничение: визуальный AI-контент воспринимается как деградация среды, а музыкальный — как что-то более органичное и менее «видимое».


Подписки и расходы: сколько стоит AI-стек 2026

Автор управляет 5–6 агентами Claude Code одновременно, каждый в своём Git worktree, тратя около $3000 в месяц на токены. Claude Pro стоит $17/мес. OpenAI была первой AI-подпиской автора, но большинство личного использования сейчас — это Claude Code, а для случайных вопросов он перешёл с ChatGPT на Claude. GitHub Copilot Pro используется исключительно для автодополнения.

ИнструментСтоимостьОсновное использование
Claude Code (Max)~$3000/мес (токены)Агентное кодирование, рабочий основной инструмент
Claude Pro$17/месВопросы и ответы, случайные задачи
GitHub Copilot Pro~$19/месАвтодополнение в IDE
ChatGPT—Практически не используется

Уровень интеллекта Sonnet-4.6 и Opus-4.8 достаточен для эффективного агентного кодирования. Это важное наблюдение: не всегда нужна самая мощная модель — важна правильная конфигурация агентного процесса.


Два фактора, объясняющих все изменения

За год изменились два ключевых параметра: автор стал более AI-грамотным, и сам AI стал умнее. Это не просто констатация очевидного. Это указание на то, что освоение AI — не одномоментное событие, а накопительный процесс: чем лучше понимаешь инструмент, тем лучше результаты.

💡 Главный вывод
Инвестиции в AI-грамотность окупаются экспоненциально. Научиться правильно формулировать задачи агентам, настраивать CLAUDE.md, понимать ограничения контекстного окна — это навыки, которые в 2026 году ценятся наравне с традиционными инженерными компетенциями.

Заключение: что стоит взять из этого опыта

Опыт Бена Столовица — это не инструкция «сделай как я», а честная карта реального использования AI опытным инженером. Несколько ключевых выводов:

  1. Агентное кодирование — не будущее, а настоящее. Разработка ПО смещается от деятельности, сосредоточенной на написании кода, к деятельности, основанной на оркестрации агентов, которые пишут код.

  2. Человеческий вкус незаменим. Агенты создают «слоп» — переусложнённый, нечитаемый код — если их не направлять. Инженерное мышление и понимание архитектуры остаются критически важными.

  3. Личная AI-политика — это не бюрократия, а инструмент. Осознанное использование лучше стихийного: решите заранее, что делегируете, а что оставляете за собой.

  4. AI не делает всё лучше. Для письма, изображений, видео — у автора принципиальные ограничения. Это не луддизм, а здравый смысл: не каждый инструмент улучшает каждый процесс.

  5. Стоимость реальна. $3000/месяц на токены — это не метафора. Агентное AI — мощный, но дорогой инструмент, требующий экономической оценки.

Лучший способ понять, как использовать AI — начать использовать AI осознанно, фиксировать результаты и возвращаться к ним через год.