Цифры не врут: что график GitHub рассказал об AI-буме в разработке

Саймон Уиллисон — один из самых авторитетных независимых разработчиков и технических блогеров, создатель Datasette — инструмента для анализа данных, которым пользуются investigative-журналисты по всему миру. Он также придумал термин «prompt injection» и популяризировал понятия «AI slop» и «agentic engineering».

13 июля 2026 года он опубликовал короткую, но красноречивую заметку: из любопытства он решил визуально оценить, как coding-агенты (AI-инструменты, самостоятельно пишущие и редактирующие код) повлияли на его собственную продуктивность. Лучшей иллюстрацией оказался стандартный GitHub-график частоты изменений кода (code frequency chart) в репозитории его флагманского проекта.

ℹ Что такое Datasette?
Datasette — open source инструмент для исследования и публикации данных. Он ориентирован на журналистов-расследователей, музейных кураторов, архивистов, местные органы власти, учёных и всех, кто хочет поделиться данными с миром. Проект написан на Python и работает поверх SQLite.

Пик активности совпал с выходом новых моделей

На графике отчётливо виден резкий всплеск активности в конце временного диапазона. Уиллисон прямо указывает, что этот скачок совпадает с выходом сразу нескольких моделей нового поколения:

  • Claude Opus 4.8 от Anthropic
  • Claude Fable 5 (Mythos-класс) от Anthropic
  • GPT-5.5 от OpenAI
  • GPT-5.6 Sol от OpenAI

Это не случайное совпадение. Уиллисон давно и публично фиксирует влияние AI на свой рабочий процесс — и теперь данные GitHub подтверждают то, что он описывал на словах.

«Всплеск активности в конце совпадает с Opus 4.8, GPT-5.5, Fable 5 и GPT-5.6 Sol» — Саймон Уиллисон, 13 июля 2026

Что за модели вызвали этот скачок?

Claude Opus 4.8 и Claude Fable 5

9 июня 2026 года Anthropic представила новый уровень моделей — Mythos-класс во главе с Claude Fable 5. Claude Opus 4.8, до этого момента являвшийся флагманом компании с 28 мая, в одночасье стал серединой линейки из трёх моделей.

Ключевое преимущество Fable 5 — работа с кодом и длинными горизонтами задач: на бенчмарке SWE-Bench Pro он набирает 80,3% против 69,2% у Opus 4.8.

Fable 5 сохраняет концентрацию на протяжении миллионов токенов в долгосрочных задачах и улучшает результаты, опираясь на собственные заметки.

💡 Практическое правило
Используйте Opus 4.8 по умолчанию и переключайтесь на Fable 5 для самых сложных задач. Наиболее очевидное преимущество Fable 5 проявляется в длительной автономной работе — расширенных сессиях кодирования, где модель поддерживает связность на протяжении многих шагов. Именно для этого Anthropic и создавала уровень Mythos.

GPT-5.6: три новые модели от OpenAI

Последний флагман OpenAI вышел в широкий доступ и представлен в трёх размерах: Luna, Terra и Sol (от меньшего к большему).

Линейка GPT-5.6 включает Sol — флагманскую модель, Terra — сбалансированную модель для повседневных задач, и Luna — быструю и доступную модель.

По словам CEO Сэма Альтмана, Sol на 54% эффективнее по токенам для задач AI-кодирования по сравнению с предыдущими моделями.

Сравнение моделей: цены и возможности

МодельВходящие токены (за 1M)Исходящие токены (за 1M)Особенности
GPT-5.6 Sol$5$30Флагман, лучший для сложных задач
GPT-5.6 Terra$2,50$15Баланс цены и качества
GPT-5.6 Luna$1$6Скорость, низкая стоимость
Claude Fable 5$10$50Лучший для долгих агентских сессий
Claude Opus 4.8$5$25Надёжный «ежедневный водитель»

Для сравнения: серия Claude Opus стоит $5/$25, а Claude Fable 5 — $10/$50, однако цена за миллион токенов мало что говорит в эпоху, когда количество reasoning-токенов для одной и той же задачи может кардинально различаться у разных моделей.

Переломный момент в ноябре 2025-го

Чтобы понять, почему скачок произошёл именно сейчас, нужно вернуться на несколько месяцев назад. В ноябре 2025 года вышли Claude Opus 4.5 и GPT-5.1 — они стали той самой переломной точкой, когда coding-агенты по-настоящему заработали.

До этого момента coding-агенты давали непредсказуемые результаты: иногда помогали, иногда нет. Ноябрь 2025-го стал точкой, когда coding-агент превратился в надёжного партнёра.

Многие коллеги Уиллисона говорят, что теперь 70–80% кода, который они создают, пишется за них coding-агентами.

⚠ Важный нюанс
Не стоит воспринимать эти данные как призыв полностью довериться AI. Всё, что связано с безопасностью, Уиллисон проверяет лично. По его словам, полностью отдавать это агентам — безответственно. А умение отличать «безопасно-критичный» код от обычного — это навык, нарабатываемый годами инженерной практики.

Как это выглядит на практике: эволюция процесса


timeline
    title Эволюция AI-кодирования по версии Уиллисона
    Ноябрь 2025 : Claude Opus 4.5 + GPT-5.1
               : Coding-агенты стали надёжными
               : Переломная точка
    Май 2026    : Claude Opus 4.8
               : Новый флагман Anthropic
    Июнь 2026   : Claude Fable 5 (Mythos-класс)
               : Новый уровень выше Opus
               : SWE-Bench Pro 80.3%
    Июль 2026   : GPT-5.6 Sol / Terra / Luna
               : Три модели в одном релизе
               : Резкий всплеск на GitHub

Datasette Agent: когда LLM и данные встречаются

Паралельно со скачком активности в основном репозитории Datasette, Уиллисон запустил принципиально новый проект. Он анонсировал первый релиз Datasette Agent — нового расширяемого AI-ассистента для Datasette. Уиллисон работал над своей Python-библиотекой LLM более трёх лет, и Datasette Agent стал моментом, когда LLM и Datasette наконец объединились.

Datasette Agent предоставляет разговорный интерфейс для работы с данными, хранящимися в Datasette.

Datasette Agent с первого дня поставляется с тремя плагинами (charts, image-gen, sprites), что означает: агентный слой изначально проектировался для сторонних интеграций, а не как закрытый продукт. Три года работы над LLM-библиотекой наконец встретились с SQL-заземлением: запросы поддаются аудиту, плагины — инспекции, а слой данных остаётся стабильным фундаментом.

📝 Пример использования Datasette Agent
Пользователь может задать естественный вопрос о своих данных на русском или английском языке — и агент самостоятельно сформулирует SQL-запрос, выполнит его и вернёт результат в виде текста или графика. Никакого ручного написания SQL не требуется.

Что всё это означает для разработчиков

График Уиллисона — это не просто личная статистика. Это наглядное свидетельство того, как смена поколений AI-моделей буквально меняет кривую продуктивности опытных разработчиков.

Ключевые выводы:

  1. Качество моделей имеет значение — не каждый новый релиз вызывает скачок активности. Только модели, пересекающие определённый порог надёжности, меняют поведение разработчиков.
  2. Открытый исходный код ускоряется — GitHub-статистика публична, и она честнее любого маркетингового заявления.
  3. Нужна стратегия выбора модели — в 2026 году реальный навык заключается не в выборе модели, а в выборе модели под конкретную роль. Дорогие токены должны тратиться там, где важно суждение, а дешёвые — на рутинную работу.
  4. Цена не равна ценности — как показывает таблица выше, разница в стоимости между Luna и Fable 5 достигает 8× по входящим и ~8× по исходящим токенам. Правильный выбор модели для задачи критически важен для бюджета.

То, что делает Уиллисона уникальным — он перешёл от традиционной разработки к AI-нативной более полно и публично, чем почти кто-либо другой, документируя всё, что узнаёт, в реальном времени в своём блоге.

Его график на GitHub — ещё одно живое свидетельство этого перехода. И, судя по тому, как быстро выходят новые модели, кривая ещё не выровнялась.