Мы решили узнать, как разработчики относятся к использованию нейросетей и агентов в программировании. Нас интересовало, можно ли с их помощью создавать приложения без глубоких знаний, подходит ли такой подход для обучения новым языкам, насколько он применим в рабочих проектах, и может ли ИИ заменить стажёра. А главное — как меняется сама парадигма разработки с приходом LLM и агентов.
Мыслями поделились специалисты из Яндекса Вертикалей и 2ГИС.
Миша Левченко
инженер мобильной продуктивности Яндекс Вертикалей
Работающее небольшое приложение-прототип — конечно, можно сделать. Со знанием программирования это будет в разы легче, быстрее и продуктивнее. Сейчас, когда задача типовая, я просто всё сгружаю в нейронку.
Если говорить об изучении новых языков, то просто «вайбовать» и выучить язык не получится. Можно попросить объяснить, что делает код, но если просить нейросеть писать всё за тебя, то ничему не научишься. Обучение — это процесс, а не результат. Если же цель — просто использовать незнакомые языки, то нейронка отлично с этим справляется. Можно даже написать код на знакомом языке и попросить «перевести».
В рабочих проектах я часто использую вайб-кодинг, особенно если задача типовая. На досуге я сейчас редко программирую, больше уделяю времени другим хобби и близким.
Сможет ли нейросеть заменить стажёра? Думаю, нет. Предназначение стажёра — не просто решать несложные задачки, а быстро вырасти: стать хотя бы мидлом и улететь из-под крыла ментора. Пока что нейронки не такие самостоятельные.
В целом, использование ИИ в разработке мне очень помогает. Я знаю, что и как надо сделать, делал это тысячу раз. И когда можно сделать это в 1001-й с какой-то «магией» — я только рад. Но тем, кто только хочет дорасти до сеньорских позиций, будет сложно: надо набираться опыта, который приходит только через практику. При этом не весь опыт пригодится завтра. Единственное, что останется верным, — это гореть своим делом и хотеть в нём разбираться.
Саша Сырков
руководитель продуктов персонализации 2ГИС
Вайб-кодинг — это принципиально новый подход к разработке. Ты не сосредотачиваешься на коде как таковом, а в диалоге с LLM реализуешь идеи, которые раньше казались сложными или невозможными. Его главная сила — в быстром прототипировании. Можно сразу отказаться от нерабочих решений, проверить гипотезу, не тратя недели на ТЗ и макеты.
Для многих инструментов вообще не нужно писать код — например, Lovable или Replit. Но знание основ разработки всё равно помогает: ты быстрее приходишь к результату и реже сталкиваешься с неудачами. А они в вайб-кодинге — норма.
Этот подход работает не только в работе, но и в жизни. Мы с дочкой с помощью Gemini 2.5 Pro сделали симулятор воздушного шара, чтобы она могла управлять его движением в атмосфере. Реализация заняла 7 минут! А ребёнок был в восторге от того, как быстро идея превратилась в игру. В рабочих проектах то же самое: можно потратить недели и ресурсы на прототип, а можно собрать сырую версию за несколько часов и уже на ней отрабатывать ключевые моменты.
Я вижу огромный потенциал в автоматизации рутины: написание юнит-тестов, поиск багов. Это уже не вайб-кодинг, а полноценная работа над продакшен-кодом в паре с LLM. И требования к качеству тут выше. Но модели вроде Claude 4 Opus уже справляются с такими задачами. Если вы ещё не пробовали — обязательно стоит.
Я воспринимаю LLM-агента как очень умного и неутомимого стажёра. Его эффективность зависит от контекста: чем больше исходных данных он получает, тем лучше результат. Как и с людьми, тут важны чёткие задачи, декомпозиция, понятные критерии готовности. Отличие новой парадигмы в том, что теперь мы концентрируемся на формулировке запроса и валидации результата. Мы не «чиним» плохой ответ, а возвращаемся на шаг назад, улучшаем промпт и запускаем процесс заново. Это эффективнее, чем пытаться исправить всё в одном диалоге.
Гоша Беседин
технический менеджер Авто.ру
С помощью ИИ можно написать небольшое приложение. Я видел такие примеры, но это всё на уровне баловства: без необходимых знаний такой проект будет сложно поддерживать и развивать.
Я, например, пишу на Python, хотя не знаю его: просто прошу LLM сделать нужные действия с кодом и принимаю результат, не вчитываясь в детали. Думаю, что так язык не выучишь. Хотя был интересный опыт: я сказал LLM, что знаю такие-то языки и хочу освоить новый. Она давала мне хорошие аналогии с тем, что мне уже знакомо. Получалось неплохо, но я быстро забросил.
Вайб-кодинг в рабочих проектах — абсолютное благо, особенно поначалу. А потом понимаешь, что некоторые вещи всё ещё сделать быстрее самому. В итоге не вайбишь, а применяешь нейросети разумно — там, где надо.
Мне уже LLM напоминает стажёра с дефицитом внимания. У нас в Яндексе есть внутренний проект, где простые задачи поручаются агентам. Один агент пишет код и отправляет Pull Request, другой проверяет и делает замечания, первый вносит правки — и так по кругу, пока задача не будет решена. Это не замена стажёрам, а скорее способ разгрузить их от рутины.
Для меня нейросети — это как второе дыхание. За 10+ лет всё немного приелось — наверное, я не настоящий гик. Но LLM вернул интерес к разработке. Плюс стало сильно проще запускать пет-проекты.
Денис Фёдоров
специалист по тестированию 2ГИС
С помощью ИИ можно сделать приложение. Главное — правильно формулировать мысли и техническое задание. Но качество кода будет под вопросом: ИИ часто генерирует спагетти-код, который нужно рефакторить. Если потратить время и усилия, можно получить рабочий результат.
Для изучения языков всё зависит от подхода. Если просто копировать ответы ИИ и жаловаться, что ничего не работает — не получится. Но если вникать в код, задавать уточняющие вопросы, разбираться — всё возможно. Главное — не доверять слепо: ИИ иногда генерирует ерунду.
В рабочих проектах пока нельзя просто взять код от ИИ и сразу запушить. Нужно всё проверить, отрефакторить, привести в порядок. Но в будущем, возможно, это изменится.
Стажёр — это специалист на вырост. Его не нужно заменять. Но ИИ может стать отличным помощником для новичков: в обучении, адаптации, освоении новых технологий.
Я считаю, что нейросети — это круто. Они экономят часы, а иногда и дни, которые раньше уходили на поиск информации. Теперь задачу можно решить в разы быстрее.
Ярослав Лосев
тимлид группы разработки интерфейсов Яндекс Путешествий
Если задача стандартная или несложная — вполне можно собрать прототип с помощью ИИ. Это быстрее, чем вручную: ты как бы садишься рядом с агентом и подталкиваешь его до результата. Здесь работает метод проб и ошибок — плюс терпеливый ИИ. Но с продакшеном всё сложнее: важна архитектура, нужен подробный контекст, задачи придётся дробить. И тут без опыта тяжело — как понять, какую информацию нужно предоставить ИИ? Агент в этой схеме — как умпа-лумпа или миньон: ты тратишь энергию на постановку задач и контроль результата, а всю «рутинную магию» оставляешь ему.
Каждое поколение выбирает свой формат обучения. Мои родители наверняка бы программировали по книгам, я сам учился по интернету и StackOverflow, а молодые разработчики всё чаще смотрят видеоуроки. Поэтому меня не удивит, если скоро появятся те, кто будет учиться программировать с ИИ. Это может быть даже интереснее и эффективнее, чем изучение сухой теории.
Вайб-кодинг в рабочих проектах — да, и это становится всё более частой практикой. Для рутинных задач и генерации типового кода ИИ — must-have. Например, мне нужно было добавить поле в форму, размазанную по десяткам легаси-файлов. С агентом я справился за час — сам бы потратил пару дней. Но на сложных задачах приходится тратить много времени на объяснение и разбор багов — и это уже неэффективно.
Если цель найма — просто закрыть простые задачи, то нейросеть может с этим справиться. Но любой стажёр — это потенциальный мидл, сеньор, руководитель или даже будущий CTO. В Яндексе много примеров, когда стажёры вырастали до сильных специалистов. Поэтому стажировки — это про развитие и общее благо.
Я обычно скептичен к новым технологиям, но с нейросетями ощущение другое: это действительно смена парадигмы. Раньше мы писали код вручную, потом использовали языки высокого уровня, теперь переходим от кода к формулировке целей. Человек задаёт направление, а агент исполняет задуманное. Думаю, мы постепенно и придём к такому формату совместной работы.
Лёша Салов
руководитель сервиса Social в 2ГИС
С помощью ИИ точно можно сделать приложение. Но результат сильно зависит от собственных знаний и конкретной модели. Например, одна нейросеть предлагала использовать Go версии 1.30 (которой ещё не существует), а при указании на ошибку «исправлялась» на 1.30.1. Бывают проблемы с контекстом: на одном проекте нейросеть забыла, что фронт на TypeScript, а бэкенд на Go, и начала писать бэк заново — на Python. Поэтому нужен постоянный контроль, чёткая сегментация задач и умение общаться с моделью как с подчинённым, который может внезапно забыть, где он и кто ты.
Меня поражает, как нейросети умеют дебажить. Иногда они находят баги, которые я бы искал часами. Я даже стал записывать интересные подходы, которые раньше не использовал. Но без практики руками опыт не появится. Даже если 10 раз увидеть, как ИИ пишет функцию main, не факт, что сам сможешь её написать.
Стажёр — это человек, который учится, растёт, становится мидлом, сеньором, лидом, CTO. А нейросеть без обучения и контекста — нет. Если мы не будем учить джунов, то кто завтра будет писать качественные промпты и проверять результат ИИ?
Я уже не представляю разработку без нейросетей. Простые задачи делать самому — рука не поднимается. Да и сложные тоже. Но иногда приходится поспорить с ИИ, чтобы получить нужный результат!
Саша Митятков
руководитель направления разработки Яндекс Аренды
С помощью ИИ можно написать работающее приложение, но не поддерживаемое. Такой подход — отличный вариант для быстрого прототипирования, временных скриптов и инструментов. Это позволяет быстро получить результат и проверить гипотезу. Но если цель — построить стабильное, развиваемое приложение, то без знания программирования ИИ не поможет.
Для изучения новых языков LLM отлично подходят на старте. Особенно потому, что ИИ не стыдно задавать «глупые» вопросы. Но дальше нужно быть готовым к неточностям и галлюцинациям модели. Тут важно нарабатывать собственный опыт: учиться отлаживать, искать информацию, мыслить критически. Если загрузить в модель пару книг по теме, которые она сама может порекомендовать, получится почти волшебный инструмент для обучения.
В рабочих проектах вайб-кодинг вполне уместен. Я бы условно разделил разработку на два этапа: архитектура и кодирование. Архитектура — это про то, как решать задачу, как её декомпозировать, как должна работать бизнес-логика. Кодирование — это реализация: написание фич, тестов и т.д. Вот этап кодирования отлично подходит для вайб-кодинга. Это снимает рутину, ускоряет работу, уменьшает переключения между контекстами. В архитектуре ИИ может быть полезен как напарник, но ведущую роль всё равно играет человек.
Технически ИИ может заменить стажёра, если дать ему нужную инфраструктуру: память, доступ к документации, контекст проекта. Но важно понимать, что стажёр — это специалист на вырост. Он может стать сеньором, лидом, CTO. А что будет с моделью — пока непонятно. Поэтому я бы не стал отказываться от стажёров.
В целом я очень позитивно смотрю на использование ИИ в разработке. Это естественное развитие индустрии. Раньше мы перешли от ассемблера к языкам высокого уровня, теперь фокус смещается с синтаксиса на более высокоуровневые концепции. Главное — научиться правильно использовать ИИ и применять его там, где он действительно полезен.
А ваше мнение? Что думаете:
Можно ли с помощью ИИ создать работающее приложение — с программированием или без?
Подходит ли такой подход для изучения новых языков?
Насколько уместен «вайб-кодинг» — когда ты просто общаешься с ИИ и получаешь код — в реальных проектах?
Может ли ИИ заменить стажёра?
И как в целом меняется разработка с приходом нейросетей?
Источник: habr.com