Спрос, который все недооценили
Предсказание смерти программирования было популярным занятием еще год назад, но наблюдение Сэма Альтмана остается пророческим: люди продолжат нанимать людей, чтобы заставлять компьютеры выполнять задачи. Это не временная передышка; это фундаментальный просчет рыночной эластичности. Первоначальные прогнозы предполагали фиксированный объем программного обеспечения, необходимый миру, поэтому более быстрое производство с помощью ИИ должно было означать сокращение числа разработчиков. Эта предпосылка была в корне неверной.
Это скрытое допущение игнорировало критический вопрос: что произойдет, когда разработка ПО станет значительно дешевле? Внезапно бесчисленные полезные проекты, которые раньше были слишком дорогими, сложными или низкоприоритетными, становятся не просто жизнеспособными, а обязательными. ИИ-ассистенты для программирования, такие как GitHub Copilot и Cursor, обеспечивают прирост производительности от 26% до 55% при выполнении обычных задач, эффективно снижая предельные издержки на разработку.
Эта эффективность не устраняет потребность в человеческом руководстве; она открывает огромный, ранее недоступный бэклог. ИТ-отделы предприятий часто сталкиваются с бэклогами на 12–24 месяца; ИИ-инструменты ускоряют пропускную способность, способствуя более высокой скорости выпуска функций, а не немедленному сокращению штата. На самом деле в мире существовал спрос на гораздо большее количество ПО, чем кто-либо из нас мог себе представить, и ИИ просто делает этот спрос доступным. Общий объем адресуемого рынка программного обеспечения расширяется, когда барьеры для создания падают.
Более дешевое ПО может создавать больше работы
Этот растущий спрос находит полезное объяснение в «Парадоксе Джевонса»: повышение эффективности может парадоксальным образом увеличить общее потребление. Когда снижение затрат делает ресурс более доступным, его использование может резко возрасти. Экономист XIX века Уильям Стэнли Джевонс заметил, что более эффективные паровые двигатели привели к увеличению потребления угля, а не к его снижению, поскольку стали жизнеспособными новые области применения.
Применяя это к программному обеспечению: повышение производительности благодаря ИИ, варьирующееся от 26% до 55% в ускорении выполнения задач с помощью таких инструментов, как GitHub Copilot, значительно снизило предельные издержки на создание новых приложений. Компании теперь заказывают внутренние инструменты, автоматизацию и нишевые приложения, которые раньше не могли оправдать дефицитное инженерное время. ИТ-отделы предприятий, традиционно обремененные бэклогами на 12–24 месяца, теперь устраняют технический долг и ускоряют выпуск функций.
Это не означает, что каждый прирост эффективности создает достаточно рабочих мест, чтобы компенсировать автоматизацию. Скорее, это правдоподобное объяснение растущего спроса, особенно по мере того, как меняется определение «программирования». Инженеры-люди все больше фокусируются на архитектуре систем, управлении ИИ-моделями, проверке логики и обработке граничных случаев, а не на ручном написании синтаксиса. Общий объем адресуемого рынка программного обеспечения просто расширился, когда барьер для входа снизился.
Программирование меняется; инженерия по-прежнему важна
Суть программирования трансформируется, а не исчезает. Инженеры переходят от ручного написания каждой строки синтаксиса к определению поведения и координации ИИ-инструментов. Эта новая парадигма включает в себя проверку кода, созданного ИИ, в сложных системах, обеспечивая согласованность и функциональность.
Человеческое суждение остается критически важным для навигации в неоднозначных требованиях и проектирования надежных решений. Модели ИИ часто дают сбои в следующих аспектах:
- Уязвимости безопасности
- Сложные системные интеграции
- Комплексные протоколы тестирования
- Непредвиденные режимы отказов
Модели превосходно справляются с рутинными задачами, обработкой шаблонного кода и работой, связанной исключительно с синтаксисом. Однако эта эффективность создает новые требования к инженерам, которые могут отвечать за результаты и справляться со сложными проектными задачами. Хотя GitHub сообщает о более чем 100 миллионах разработчиков, инструменты ИИ действуют как множители силы, увеличивая пропускную способность, а не полностью заменяя людей. Эта динамика отражает Парадокс Джевонса - Wikipedia, где повышение эффективности стимулирует большее потребление.
Корпоративные ИТ-отделы традиционно сталкиваются с очередями задач на 12–24 месяца. ИИ ускоряет скорость выпуска функций, но спрос на сложное программное проектирование — где люди «используют компьютеры для выполнения задач» — только растет. Потолок навыков для инженеров-программистов повышается, требуя стратегического мышления, выходящего за рамки простого написания кода.
Нравится статья? Получайте такие каждое утро на почту.
одно письмо в день · отписка в два клика · без сторонних трекеров
Настоящий риск заключается в бездействии
Перевод этого сдвига в плоскость карьерных рисков открывает неприятную правду: ИИ, скорее всего, повысит ожидания по производительности и изменит структуру команд, а не сохранит каждую существующую роль. Компании вполне могут создавать больше с теми же командами, используя прирост продуктивности от 26% до 55%, продемонстрированный такими инструментами, как GitHub Copilot. В то время как некоторые организации увидят рост спроса, который поглотит эту эффективность, другие, несомненно, сократят рабочие места.
Напряженность между растущей продуктивностью и стабильной занятостью реальна. Платформы разработки программного обеспечения сообщают об активности и создании репозиториев на рекордно высоких уровнях, при этом число пользователей GitHub превышает 100 миллионов. Однако этот рост не гарантирует сохранность рабочего места каждого отдельного сотрудника; это просто означает, что пирог расширяется, а не то, что каждый кусок остается неизменным.
Настоящий риск — это не ИИ, а бездействие. Учитесь использовать инструменты ИИ для кодинга, да, но сочетайте это с фундаментальными инженерными навыками. К ним относятся:
- Четкое определение проблемы
- Тщательный аудит кода
- Комплексное тестирование
- Системное мышление в рамках сложных архитектур
Это те устойчивые навыки, которые отличают компетентного оператора ИИ от настоящего инженера-программиста, обеспечивая востребованность в меняющемся ландшафте.
Часто задаваемые вопросы
Почему Сэм Альтман считает, что спрос на программистов будет расти?
Альтман утверждает, что миру нужно гораздо больше программного обеспечения, чем он мог себе позволить или создать, поэтому более дешевая разработка может открыть путь для новых проектов.
Что такое Парадокс Джевонса в разработке программного обеспечения?
Он описывает, как удешевление и упрощение производства программного обеспечения может увеличить общий спрос на него, а не снизить его.
Заменят ли инструменты ИИ для кодинга инженеров-программистов?
ИИ может автоматизировать рутинные задачи по написанию кода, но инженеры остаются важными для определения требований, управления системами, проверки результатов и обработки рисков.
Как меняется роль инженера-программиста?
Работа смещается в сторону архитектуры, интеграции, валидации, безопасности и управления кодом, созданным ИИ, а не просто написания синтаксиса вручную.