Рост числа продвинутых LLM (таких как ChatGPT, Claude, Gemini) меняет разработку программного обеспечения. Сегодня один разработчик, вооруженный ИИ, может придумать, закодировать и запустить полнофункциональные приложения или MVP за долю традиционного времени. Например, один основатель-одиночка создал SiteGPT (пользовательский генератор чат-ботов на основе ИИ) за одни выходные, быстро масштабировав его до дохода ≈$15K/месяц. Другой, создатель Writesonic, запустил помощника-писателя на основе ИИ и развил его до многомиллионного ARR с миллионами пользователей, все как основатель-одиночка. Совсем недавно разработчик Сина Фархади использовал такие инструменты, как Claude, Gemini и редактор Cursor AI, чтобы создать Reeli (голосовой помощник на основе ИИ на персидском языке) всего за 15 дней. Эти случаи — среди многих на таких платформах, как Indie Hackers — иллюстрируют, как генеративный ИИ значительно сокращает время выхода на рынок и расширяет сферу проекта для команд из одного человека.

• MVP выходного дня: разработчики-одиночки быстро создают прототипы: Бхану Теджа создал SiteGPT за выходные (позже достигнув ~15 тыс. долларов в месяц).

• SaaS-решение с самообучением на основе ИИ: Саманью Гарг (Writesonic) в одиночку написал платформу для написания текстов на основе ИИ, расширив ее до миллионов пользователей и многомиллионной ARR.

• Быстрое создание прототипов: Сина Фархади создал Reeli, голосового помощника на основе ИИ, с нуля за 15 дней, используя LLM и инструменты ИИ.

• Новые утилиты: разработчики используют LLM для создания специализированных инструментов (например, оптимизаторов резюме ATS, помощников по обучению коду) с минимальным кодированием, часто выпуская рабочие бета-версии в течение нескольких дней.

Эти истории подчеркивают более широкую тенденцию: в 2024 году 36% основателей стартапов являются одиночками (вдвое больше, чем в 2017 году), а доступные инструменты ИИ позволяют быстро превращать идеи в продукты. По сути, многие разработчики-одиночки принимают подход «создать все сразу» — напоминающий модернизированную модель Waterfall, где подробные подсказки определяют функции, а LLM генерируют большие полосы кода. Результатом может быть поразительная производительность и скорость.

Рост производительности (информация на основе данных)

Количественные исследования подтверждают предполагаемый рост эффективности. Многочисленные опросы и эксперименты сообщают о значительном росте производительности разработчиков, использующих помощников ИИ:

• GitHub (2022): Разработчики, использующие GitHub Copilot (помощник по кодированию ИИ), работали на 55% быстрее, чем те, кто этого не делал.

• Nielsen Norman (UX Research): В контролируемом исследовании программисты с инструментами ИИ «могли кодировать на 126% больше проектов в неделю», чем контрольная группа. В среднем по задачам (поддержка клиентов, написание, кодирование) инструменты ИИ увеличили пропускную способность на 66%.

• Bain & Company (2024): В испытании с 4900 кодерами разработчики, использующие ИИ, выполнили на 26% больше задач по кодированию, чем те, кто не пользовался помощью. В целом, компании увидели средний рост производительности на 20% от генеративного ИИ в разработке и других областях.

• Опрос Gartner (апрель 2024 г.): Прогнозы, что к 2028 г. 75% инженеров-программистов будут регулярно использовать помощников по кодированию на основе ИИ (по сравнению с <10% в начале 2023 г.), что отражает быстро растущее внедрение.

• Опрос StackOverflow (2024 г.): Около 61,8% разработчиков теперь сообщают об использовании генеративных инструментов ИИ в своих рабочих процессах. Google отметила, что более четверти ее нового кода сгенерировано ИИ.

Эти цифры подчеркивают, что LLM могут значительно сократить усилия по разработке. В одном исследовании даже сообщалось, что внедрение ИИ «может привести к предполагаемому увеличению количества новых продуктов или функций на 15–20%». На практике команды и отдельные лица сообщают о завершении типичных функций или модулей за часы, а не за дни. Действительно, 80% компаний, опрошенных Bain, обнаружили, что ИИ позволяет им прототипировать решения быстрее, чем при использовании старых технологий.

Еще более детально, разработчики с помощью ИИ тратят пропорционально больше времени на мышление более высокого уровня. Как заметил один рецензент, кодирование с помощью LLM позволяет им «меньше думать о коде и больше об архитектуре» того, что они создают. Это говорит о том, что рутинные шаблонные и рефакторинговые хлопоты становятся менее трудоемкими, освобождая основателя-одиночку для сосредоточения на дизайне и стратегии продукта. Резюмируя, производительность и экономическая эффективность программных проектов значительно растут везде, где используются помощники ИИ.

Cursor: IDE AI-CoPilot для индивидуальных разработчиков

Cursor — это редактор кода с улучшенным ИИ (ответвление VS Code), который интегрирует LLM непосредственно в IDE. Он быстро набрал обороты, достигнув более 1 млн пользователей и $100 млн ARR как самый быстрорастущий программный продукт. Ключевым фактором индивидуальной разработки на основе LLM является такой инструмент, как Cursor (от Anysphere). Cursor встраивает помощь ИИ в повседневное кодирование: вы можете общаться с IDE, запрашивать функции или рефакторинг и получать предлагаемые ИИ дополнения кода. Важно, что он поддерживает генерацию нескольких файлов — например, вы можете сказать ему «Создать страницу регистрации пользователя с подтверждением по электронной почте», и режим агента Cursor создаст или обновит необходимые файлы в вашем проекте.

Пользователи и рецензенты хвалят возможности Cursor. В обзоре 2025 года отмечается, что Cursor использует такие модели, как Claude 3.5 и GPT-4o, для задач от генерации шаблонов до кросс-файлового рефакторинга. Его автодополнение кода на основе ИИ «пугающе точно» и «реально экономит время», пишет рецензент. На практике автодополнение Cursor может выполнять рефакторинг по всему файлу: один разработчик описывает переименование переменной в одном месте, а затем нажатие клавиши Tab автоматически применяет это изменение ко всем вхождениям. Другой пользователь написал, что с помощью Cursor «многие утомительные, подверженные ошибкам задачи можно автоматизировать», и «такое ощущение, будто он читает мои мысли».

Cursor также упрощает периферийные задачи: он генерирует сообщения о коммитах, предлагает исправления ошибок прямо в терминале и позволяет вам определять правила стиля (через файл .cursorrules), чтобы ИИ соответствовал вашим предпочтениям. На практике разработчики-одиночки сообщают, что Cursor значительно ускоряет повседневное кодирование. Например, Сина Фархади называет Cursor своим «резиновым утёнком, отладчиком и партнёром по мозговому штурму» при создании своего приложения за 15 дней. Таким образом, такие инструменты, как Cursor, делают управляемый ИИ процесс разработки одним человеком более плавным и мощным.

Известные проблемы и критика

Хотя самостоятельная разработка с использованием LLM-аугментации дает большие преимущества, она также сопряжена с хорошо документированными подводными камнями. Критики отмечают, что код, сгенерированный LLM, часто не является готовым. Многочисленные исследования показывают нетривиальные ошибки и проблемы безопасности: один анализ Стэнфорда показал, что разработчики с помощниками ИИ писали «значительно менее безопасный» код, чем те, у кого его не было. Другое исследование показало, что 30,5% образцов кода, сгенерированного ИИ, были полностью неверными (и еще 23,2% были лишь частично правильными). Эти ошибки могут проникать в продукт, вызывая опасения: например, один анализ показал, что использование ИИ коррелирует с ростом кода, требующего исправлений, — прогнозируя, что >7% изменений, внесенных с помощью ИИ, будут отменены в течение двух недель.

Более того, ИИ имеет тенденцию создавать шаблонный код, мало заботясь о повторном использовании или краткости. Исследования и комментарии экспертов подчеркивают всплеск дублирующего и многословного кода по мере роста использования ИИ. В отчете за 2025 год отмечено, что частота дублирования кода увеличилась в восемь раз с середины 2022 года, а клонированные блоки связаны с увеличением числа дефектов на 15–50%. На практике это означает, что кодовые базы, управляемые LLM, могут накапливать технический долг: поколения скопированного кода, который позже необходимо рефакторить или очистить. Инженеры также отмечают, что у LLM ограниченные контекстные окна (обычно десятки тысяч токенов). Они не могут «видеть» целые крупные проекты одновременно, поэтому глобальная архитектура и межмодульная согласованность могут пострадать. Таким образом, ИИ отлично справляется с генерацией изолированных фрагментов, но испытывает трудности с целостным дизайном — именно теми решениями по общей картине, которые принимают опытные разработчики.

Эксперты по разработке предупреждают, что чрезмерная зависимость от ИИ может подорвать основные практики. Как предупреждает один автор: «Если вы используете код, сгенерированный LLM, вы можете потратить время на его чтение... хотя вам это не обязательно. Вы можете исправить ошибки... хотя вам это не обязательно». Он продолжает: «Проблема в том, что то, насколько хорошо вы понимаете свой код, больше не напрямую коррелирует с процессом его создания». Другими словами, генерация не гарантирует понимания. Рецензенты кода могут испытывать трудности с рассуждениями о коде, написанном ИИ, а разработчики-одиночки рискуют накопить непрозрачный или сложный для отладки код, если они некритически принимают предложения ИИ.

Другие ограничения включают галлюцинации (ИИ уверенно фабрикует ответы) и устаревшие знания в обучающих данных LLM. Некоторые специалисты наблюдали, как LLM делают странные логические или математические ошибки — например, ChatGPT часто неправильно обрабатывает числовые вычисления или граничные условия. Один эксперт сказал, что LLM «фантастически справляются с некоторыми задачами… но [просто] не способны» принимать сложные архитектурные решения. Безопасность и лицензирование также вызывают опасения: код, созданный LLM, может непреднамеренно дублировать фрагменты данных обучения, защищенные авторским правом или собственностью, что повышает юридические риски (хотя подробные исследования по этому вопросу продолжаются).

Наконец, «риск водопада»: создание большой кодовой базы за один раз может обойти итеративный цикл обратной связи гибкой разработки. Хотя быстрое, монолитное кодирование на основе ИИ может ускорить ранние этапы, оно может пропустить обратную связь с пользователем и фазы тестирования, которые выявляют недостатки дизайна. Таким образом, технические лидеры подчеркивают необходимость держать человека в курсе событий: тщательное планирование, непрерывное тестирование и не слепое выполнение «подсказок и игры». Как резюме-предостережение, LLM следует рассматривать скорее как младших стажеров: полезных помощников, которые все еще требуют надзора и проверки.

Выводы

Для основателей и инженеров в области технологий вывод заключается в том, что LLM повышают производительность труда отдельных лиц, но не являются волшебными серебряными пулями. Данные показывают огромный рост эффективности — разработчики-одиночки создают функции и прототипы на недели быстрее, чем раньше, со статистикой, например, на 55% быстрее кодирование или на 126% больше выполненных еженедельных задач. Такие инструменты, как Cursor, позволяют свободно использовать ИИ в качестве «второго пилота» в IDE. Однако каждый быстрый спринт кода с LLM должен быть сбалансирован усердием: тщательным тестированием, аудитом безопасности и постепенным обзором.

На практике хороший рабочий процесс сочетает помощь ИИ с инженерной дисциплиной. Например, можно подсказывать LLM небольшими, понятными шагами, проверять каждый сгенерированный сегмент и немедленно запускать автоматизированные тесты. Архитектура и требования по-прежнему должны определяться разработчиком-человеком; затем LLM автоматизирует черновую работу. Развитие этого баланса позволяет основателям-одиночкам двигаться в темпе стартапа, избегая ловушек. Как сказал один из руководителей Gartner, использование ИИ не заключается в замене инженеров, а в предоставлении им возможности сосредоточиться на проблемах более высокого уровня.

Подводя итог, самостоятельная разработка на основе LLM может напоминать «Waterfall 2.0», где код быстро собирается из подсказок, но этот современный подход требует мер безопасности. Объединяя инструменты на основе ИИ (например, Cursor) с проверенными методами разработки, основатели могут достичь беспрецедентной скорости вывода на рынок и поддержания качества. Данные свидетельствуют о том, что окупаемость инвестиций существенна, но только если команды сохраняют бдительность в отношении известных рисков.

Благодарности

PS. Спасибо мои друзьям и коллегам подтолкнувшим меня к компиляции в цикл статей наших разговоров на "перекурах". И конечно же ChatGPT "помогший" оформить тезисы в текст, насытив примерами и скорректировавший форматирование.
PPS. Оригинальный текст был размещён на линкед-ин

Waterfall 2.0 серия статей включает:

1. Возвращение эпохи одиночек, усиленных LLM

2. Одиночная разработка с поддержкой LLM: эффективность, инструменты и риски

3. Рабочие процессы, основанные на LLM, в разработке программного обеспечения

4. Программные артефакты и ИИ для современных команд разработчиков

5. Адаптация учебных программ по информатике, программной инженерии и науке о данных для разработки с использованием ИИ