Почему внедрение ИИ в разработку ПО пока не приносит ожидаемой прибыли

По данным ежегодного исследования Ассоциации РУССОФТ, к концу 2026 года использовать генеративный ИИ в разработке ПО планируют не менее 93% российских софтверных компаний, однако явных признаков экономической эффективности внедрения по итогам двух лет наблюдений не зафиксировано.

Метрики внедрения

• 2022: 12,7% компаний использовали генеративный ИИ в разработке.
• 2025: 72,4% внедрили ИИ в производственный процесс.
• Прогноз на конец 2026: ≥93%.
• Доля отказавшихся отвечать — 13,3%.
• 48% опрошенных фиксируют рост эффективности.
• Эквивалентный объем работ без ИИ по итогам 2025 — 41 тыс. человеко-лет, рост более чем в 2 раза за год.
• Кадровый фонд отрасли — порядка 265 тыс. профильных технических специалистов.

Парадокс производительности

• Выручка на сотрудника: 5,13 млн руб. у пользователей ИИ против 5,19 млн руб. у не пользователей.
• Прирост оборота: +14,1% без ИИ против +7,5% с ИИ.
• Вероятная причина разрыва: несистемное применение на уровне отдельных разработчиков, отсутствие формализованного процесса, затраты на токены и пост-верификацию.
• Методологическая погрешность: оценка видимого эффекта без учета ревью, исправлений и дополнительных проверок.
• Прокси-индикатор: рост объема работ по архитектуре, интеграциям, безопасности и работе с требованиями заказчика — туда уходит высвобожденное время.

Архитектурные узкие места

Генеративный ИИ закрывает типовые задачи: код, тесты, документация, поиск дефектов. Без формализованного пайплайна, governance и контроля данных ускорение разработки конвертируется в рост TCO, а не в снижение time-to-market. Vendor lock-in на уровне модели, утечки кода через внешние API, отсутствие аудита безопасности — типовые риски внедрения без архитектурного контура.

Что отслеживать:

• Методология оценки эффекта внутри команд — учитывается ли верификация.
• Структура затрат: лицензии, токены, дополнительный QA.
• Переход от ad-hoc к pipeline с метриками качества.
• Связка velocity с финансовыми показателями, а не только с человеко-часами.
• Контроль данных, аудит безопасности, ownership результата.

Чек-лист для архитектурного комитета:

• Границы применения ИИ в CI/CD определены.
• Назначен владелец результата за каждый этап.
• TCO измеряется с учетом пост-обработки.
• SLA на код, прошедший через модель, зафиксированы.
• Аудит безопасности и регуляторного соответствия проводится.
• Стратегия выхода из vendor lock-in задокументирована.