На нью-йоркской конференции AI Dev 25 эксперты индустрии обсудили тектонические сдвиги в разработке программного обеспечения, вызванные внедрением генеративного искусственного интеллекта. В панельной дискуссии приняли участие основатель DeepLearning.AI Эндрю Нг, представитель компании Vercel Мальте (разработчик ИИ-инструмента v0) и сооснователь платформы Lovable Фабиан, модерируемые техническим специалистом Лоуренсом. Участники детально разобрали концепцию «вайб-кодинга», перспективы исчезновения традиционных барьеров в программировании и новые вызовы для управления техническим долгом и продуктовыми решениями.
🌐 Демократизация программирования: от ИТ-специалистов к 99% населения 0:07
Лоуренс открыл дискуссию вопросом к Эндрю Нг о ценности навыков разработчика в современную эпоху. Эндрю Нг категорически не согласен с популярным мнением, что учиться писать код сегодня — это худший карьерный совет из возможных. По его наблюдениям, сотрудники в технологических компаниях Кремниевой долины на смежных ролях, умеющие программировать, уже сейчас значительно опережают коллег без этих навыков.
По наблюдениям Эндрю Нг, сотрудники смежных специальностей, умеющие кодить, превосходят коллег в следующих задачах:
- Рекрутмент: лучшие специалисты пишут автоматизированные скрипты для глубокого скрининга резюме вместо ручного отбора.
- Маркетинг: сотрудники самостоятельно создают и разворачивают интерактивные кампании с помощью ИИ-инструментов, полностью минуя длительное ожидание инженеров.
ИИ снизил порог входа, и Эндрю Нг призывает каждого учиться кодить для повышения личной эффективности.
Фабиан поддержал этот тезис, отметив, что исторически лишь около 1% населения планеты умели программировать, тогда как остальные 99% оставались за бортом цифровой экономики. Философия его платформы Lovable заключается в том, чтобы дать этим 99% возможность создавать ПО, используя их глубокие знания в смежных индустриях. Благодаря абстракциям высокого уровня (чат-интерфейс и предпросмотр без прямого анализа кода), пользователи могут быстро итерировать идеи, не завися от высокой стоимости разработки или поиска программистов.
Впрочем, Мальте добавил, что вертикализация ролей затронула и профессиональную инженерную среду. Инструменты вроде v0 от Vercel позволяют бэкенд-разработчикам расширять навыки в фронтенд, а также вовлекать PM и дизайнеров в цикл разработки.
🚀 «Вайб-кодинг» или ИИ-разработка: эволюция подходов к созданию ПО 8:20
Лоуренс затронул феномен «вайб-кодинга» (vibe coding) — подхода, позволяющего начинать создание продуктов с сырых подспудных идей, а не с жестких технических спецификаций. Эндрю Нг выразил крайне неоднозначное отношение к этому термину, отметив, что словосочетание заставляет людей думать, будто можно просто «плыть по течению» и бездумно принимать все правки в редакторе Cursor. По словам Нг, реальная работа с ИИ на протяжении половины дня ментально истощает, поэтому сам он предпочитает термин «ИИ-разработка» (AI coding).
Тем не менее, он призвал профессиональное сообщество быть максимально открытым к новичкам, создающим код через ИИ, и принимать их как полноценных коллег. Он привел аналогию из истории машинного обучения: на заре индустрии ни один старший специалист не говорил новичку, что его работа не является «настоящим ML», что и помогло сфере победить и вырасти.
Мальте выделил ключевое фундаментальное отличие современных ИИ-инструментов от традиционных low-code и no-code платформ прошлого поколения:
- Потолок возможностей: в старых no-code системах не-разработчик мог продвинуться достаточно далеко, но неизбежно сталкивался с ограничениями платформы, после чего проект приходилось переписывать с нуля.
- Генерация чистого кода: современные же генеративные ИИ-инструменты создают полноценный код. Если платформа перестает удовлетворять потребностям масштабирования, проект можно бесшовно передать традиционной команде инженеров для дальнейшей поддержки.
Это снижает риски для бизнеса и позволяет тестировать гипотезы с минимальными затратами, переходя к классическому циклу разработки (SDLC) только после подтверждения жизнеспособности идеи.
🏗️ Риски технического долга и безопасность корпоративного кода 11:08
Лоуренс обратил внимание на то, что ускорение разработки через вайб-кодинг и бездумное внедрение кода без ревью неизбежно влечет за собой риски накопления огромного технического долга. Мальте согласился, предложив относиться к техдолгу профессионально, как к финансовому кредиту. По его мнению, наличие технического долга в компании — это нормальная практика, сравнимая с контролируемой ипотекой. Если команда шипит продукт вообще без техдолга, то она гарантированно выходит на рынок слишком поздно. Однако долг необходимо системно обслуживать и платить по нему ежемесячно, иначе компании грозит дефолт.
При этом Эндрю Нг высказал оптимистичный прогноз. По его мнению, поскольку возможности ИИ растут, стоимость устранения техдолга и «чистки» кода в будущем будет прогрессивно снижаться, что делает накопление долга на этапе прототипирования еще более оправданным. Он шутливо сравнил это с ипотекой в условиях высокой инфляции, снижающей реальную стоимость выплат.
Другим вызовом является безопасность корпоративных решений, создаваемых не-инженерами. Мальте рассказал о недавнем стратегическом партнерстве Vercel с компанией Snowflake, направленном на создание безопасной среды для «вайб-кодинга» внутри крупных предприятий. Чтобы защитить внутренние приложения, v0 полностью выносит критическую инфраструктуру, такую как авторизация (Auth) и аутентификация бэкенда, за рамки зоны ответственности самого приложения. Это позволяет сотрудникам безопасно деплоить прототипы в продакшн, даже если они сами не способны оценить уязвимости сгенерированного ИИ кода.
🦄 Новые бизнес-модели: цель в 100 единорогов и соло-стартапы 12:38
Фабиан заявил, что генерация кода становится настолько быстрой и дешевой, что себестоимость создания софта стремительно движется к нулю. В связи с этим Lovable ставит перед собой амбициозную цель: к 2030 году на их платформе должно быть построено 100 компаний-единорогов (unicorns). Поскольку барьеры в написании кода исчезают, узким горлышком для бизнеса становятся маркетинг, поддержка, администрирование и операционное управление. Новые технологии позволяют экспертам из различных ниш запускать «соло-стартапы» (команды из одного человека), способные невероятно быстро продвигаться вперед за счет совмещения инженерных навыков и понимания продуктовых болей пользователей. При этом, по оценке Лоуренса, чтобы вырастить 100 успешных единорогов, индустрии придется пережить крах около 10 000 стартапов. ИИ позволяет им ошибаться быстро и дешево, не сжигая огромные бюджеты инвесторов.
Эндрю Нг провел аналогию с эпохой становления интернета. Тогда Google захватил горизонтальный уровень поиска информации, оставив огромный рынок для вертикальных гигантов вроде Expedia в туризме или Amazon и eBay в ритейле. В текущую эпоху генеративного ИИ бренд ChatGPT (и частично Gemini) доминирует на горизонтальном уровне, а кодогенерация стала первой и наиболее очевидной вертикалью из-за колоссального спроса на вычисления (token burn). Эндрю Нг уверен, что крупные провайдеры базовых моделей не смогут поглотить все специализированные ниши, поскольку внимание технологических гигантов ограничено.
Мальте подтвердил это примером из практики: OpenAI анонсировала конструктор агентов около шести недель назад, но практически забросила его маркетинг ради других задач, в то время как специализированный стартап n8n успешно процветает за счет точечной фокусировки на продукте.
Далее Мальте описал будущее автоматизации DevOps и продуктового менеджмента через связывание продакшн-данных с ИИ-агентами. В качестве примера он привел систему обнаружения аномалий Vercel: жестко настроенные алгоритмы вызывают ложные тревоги у инженеров по ночам, однако ИИ-агент может перехватить алерт, провести глубокий анализ логов за минуту и эскалировать проблему человеку только при подтверждении реального инцидента. В будущем агенты смогут полностью автоматизировать сложные релизы ПО:
- Разработчик отправляет промпт на запуск пяти экспериментов по увеличению конверсии корзины.
- ИИ-агент самостоятельно генерирует необходимые фича-флаги.
- Система разворачивает варианты в продакшене.
- Через пять дней агент автоматически собирает и предоставляет аналитику по метрикам.
⚙️ Ограничения ИИ-моделей: проблема смещения данных и адаптация API 27:57
Лоуренс поделился личным негативным опытом использования ИИ в среде Xcode при разработке десктопного приложения для macOS. При попытке создать элементы интерфейса через SwiftUI ИИ регулярно генерировал iOS-компоненты, что приводило к моментальным вылетам приложения, а текстовые извинения ИИ и обещания исправиться повторялись каждые пять минут. По мнению Лоуренса, это классическая проблема смещения данных (data bias) в обучении: подавляющее большинство открытого кода на SwiftUI написано под iOS, и модель статистически выдает самый популярный ответ вопреки контексту промпта.
Для обхода таких ограничений Мальте выделил тренд на создание ИИ-ориентированных (AI-native) технологических стеков. Он вспомнил исторический момент двухлетней давности, когда команда Vercel проектировала v0 на базе модели ChatGPT-3.5. Изначально модель крайне плохо справлялась с генерацией чистого HTML и CSS, распределяя код по разным файлам. Проблема была решена, когда инженеры заставили модель писать инлайновые стили с использованием фреймворков Tailwind и shadcn. Это моментально превратило продукт из нежизнеспособного в коммерчески успешный, доказав влияние архитектуры кода на качество работы ИИ.
С другой стороны, существование ИИ меняет сам подход к дизайну API. По мнению Мальте, если раньше создатели библиотек (таких как Next.js или Vercel AI SDK) старались делать изменения плавными для комфорта программистов, то теперь для моделей выгодно делать ломающие изменения (breaking changes) максимально резкими. Это необходимо, чтобы активировать нужные «нейроны» модели и заставить её обратиться к поиску в интернете за актуальной документацией, вместо того чтобы использовать устаревшие встроенные знания. Фабиан, напротив, считает, что по мере расширения контекстных окон моделей и улучшения их способности следовать инструкциям, жесткая привязка к обучающей выборке уйдет в прошлое, а исторические breaking changes в базах знаний перестанут запутывать ИИ.
🤖 Будущее через 5 лет: Агенты, CS-фундамент и человеческая эмпатия 43:11
В завершение встречи Лоуренс попросил участников спрогнозировать, какие навыки будут наиболее ценными для разработчиков через 4–5 лет. Фабиан выразил мнение, что детальные технические знания (например, особенности трансформации типов в JavaScript) быстро потеряют актуальность, уступив место автоматизации ИИ. Самым устойчивым навыком человека останется интуиция, эмпатия и способность понимать истинные потребности людей, выступая в роли идейных лидеров.
Эндрю Нг согласился, добавив, что современные большие языковые модели (LLM) — это не прямой путь к общему искусственному интеллекту (AGI). Их текущие успехи базируются на огромном массиве очищенных вручную данных и эвристических хаков, а не на подлинном понимании глубокого контекста человеческих задач. Главным навыком будущего Эндрю Нг считает умение собирать контекст и формировать точные продуктовые спецификации для ИИ.
При этом Эндрю Нг подчеркнул важность сохранения фундаментального образования в области компьютерных наук (CS fundamentals). Понимание принципов работы компьютеров и типов баз данных (например, NoSQL) необходимо человеку, чтобы оценивать техническую реализуемость продуктовых идей перед их отправкой в промпт. В свою очередь, Мальте призвал активно инвестировать в разработку ИИ-агентов, способных брать на себя рутинные задачи автоматизации, которые невозможно было запрограммировать классическими условиями if-statement. Он отметил, что в ближайшие годы спектр таких задач будет расти линейно, открывая колоссальные возможности для роста продуктивности бизнеса.
