В последние годы искусственный интеллект стремительно меняет подходы к программированию, предлагая разработчикам мощные инструменты для быстрого написания и модификации кода. Однако недавнее исследование, проведённое компанией Metr, выявило удивительный парадокс: при использовании ИИ опытные разработчики открытого программного обеспечения, работающие над проектами, хорошо им известными, завершали задачи медленнее, чем без помощи ИИ. Явление это интригующее и противоречивое: сами разработчики ожидают значительного увеличения своей продуктивности с помощью ИИ и продолжают в это верить, даже после того, как результаты показывают обратное. Почему так происходит и какие уроки нам может дать классическая теория программирования Питера Наура? Чтобы ответить на эти вопросы, нужно погрузиться в глубины ментальных моделей разработчиков и понять их роль в создании и сопровождении программных продуктов. Психология и теория программирования давно рассматривают процесс создания программ не просто как механическую работу с кодом, а как формирование сложной, богатой внутренней модели предметной области и системы.
Именно Питер Наур, один из пионеров компьютерной науки, в своей фундаментальной работе «Программирование как построение теории» описал программирование как активность, в ходе которой программисты формируют и совершенствуют теорию — глубокое понимание системы, над которой работают. По сути, ментальная модель становится основным продуктом труда программиста, а код — лишь её внешним выражением. Отличное понимание архитектуры и деталей системы позволяет эффективно решать сложные задачи, избегать ошибок и оперативно вносить изменения. Однако современные ИИ-инструменты, популярные среди разработчиков, не имеют доступа к внутренним ментальным моделям человека. Они основаны на статистическом анализе огромных массивов кода и текста, способных генерировать предложения и решения, но без реально глубокого понимания предмета.
Попытка «переложить» собственную ментальную модель в ИИ-инструмент ограничена форматами передачи информации, как правило, текстовыми фрагментами. Это всегда процесс фрагментарный, частичный и требующий больших усилий, а его результат далёк от полной и точной репрезентации знаний, которые есть у разработчика. Из-за отсутствия интерактивного диалога, вопросов и уточнений со стороны ИИ, а также неспособности адекватно оценивать важность различных частей информации, полноценный перенос понимания становится невозможен. Эта ситуация похожа на делегирование важной задачи, например, укладывания ребёнка спать, другому человеку только на основании письменных инструкций. Несмотря на кажущуюся ясность и однозначность рекомендаций, реальный результат практически всегда отличается от ожиданий.
Так и с программированием: без полного совместного и взаимодействующего понимания, передача задачи ИИ-инструменту часто приводит к дополнительным задержкам и исправлениям, которые не только замедляют работу, но и снижают качество полученного кода. Исследование Metr ясно показывает, что у опытных разработчиков, обладающих богатой ментальной моделью проектов, использование ИИ-инструментов приводит к 19% увеличению времени на решение задач. При этом сами разработчики ошибочно считают, что ИИ помог им ускориться примерно на 20%. Этот разрыв между субъективным восприятием и объективной реальностью отражает более широкую человеческую склонность переоценивать влияние новых технологий на собственную продуктивность, особенно когда они предлагают видимые и быстрые результаты. Однако эти выводы нельзя автоматически переносить на всех программистов и ситуации.
В промышленных условиях, где разработчики часто работают с чужим кодом или унаследованными проектами, ментальная модель системы у них сформирована недостаточно или отсутствует вовсе. В таких условиях ИИ-инструменты могут действительно повысить производительность, помогая быстрее понять незнакомую кодовую базу и предложить практически работающие решения. Ведь одним из преимуществ современных моделей является способность быстро обработать большой объём информации и найти вероятно правильный путь там, где человеку придётся долго разбираться. В таких случаях искусственный интеллект выступает как полезный помощник, экономящий время и снижая когнитивную нагрузку. Но даже в этом сценарии возникает серьёзный вопрос: способствует ли постоянное использование ИИ полноценному формированию ментальных моделей у разработчиков, необходимых для долгосрочного сопровождения и развития программного продукта? Велика вероятность, что быстрая генерация кода и решений, которой способствует ИИ, лишь создаёт иллюзию понимания, не развивая при этом глубоких навыков анализа и проектирования.
В конечном итоге это может привести к снижению качества кода и ухудшению понимания архитектуры системы, особенно если программист привыкает полагаться исключительно на внешнего помощника, без своей прочной базы знаний. Таким образом, выводы, основанные на работе Питера Наура, указывают на необходимость сбалансированного подхода. Опытным разработчикам, которые уже имеют глубокое понимание сложных проектов, рациональнее минимизировать использование ИИ-инструментов, чтобы не мешать формированию и актуализации собственных ментальных моделей и не замедлять процесс работы. Для новичков и разработчиков, работающих с чужим кодом, ИИ может стать эффективным инструментом быстрого обучения и продуктивной работы, однако важно осознавать потенциал зависимости и потери качества долгосрочного понимания. Текущие ИИ-технологии не достигли того уровня, когда можно полностью переложить ответственность за понимание кода и принятие проектных решений на машину.
Возможно, будущее принесёт системы с более развитым интерактивным обучением и возможностью учитывать индивидуальные ментальные модели разработчиков, но на данный момент человеческий опыт и глубокое понимание остаются краеугольным камнем качественной разработки. В итоге каждый специалист и компания должны тщательно оценить нюансы использования искусственного интеллекта, понимая, что универсальных решений не существует. Важно использовать возможности современных технологических достижений, не жертвуя при этом фундаментальными принципами создания программного обеспечения, заложенными ещё Питером Науром. Забота о собственном развитии и формировании качественных ментальных моделей программных систем, а не только о скорости генерации кода, остаётся ключевой задачей в эпоху цифровой трансформации и массового распространения искусственного интеллекта.
