Кто лучше всего использует Claude Code? Ответ может быть не программистом

Ключевые открытия

На основе существующих исследований мы предложили рамочную модель для изучения взаимодействия с интеллектуальными агентами при программировании. Эта модель основана на анализе конфиденциальности примерно 400 000 сессий Claude Code, проведённых с октября 2025 по апрель 2026 года, для оценки состава задач, способов сотрудничества человека и ИИ, а также уровня успешности выполнения задач.

В типичной сессии человек отвечает за большинство планировочных решений, то есть определяет «что делать»; Claude — за большинство исполнительных решений, то есть «как выполнить». Чем больше профессиональных знаний пользователя в конкретной области, тем больше работы вызывает команда, инициированная им для Claude. В задачах программирования средний уровень успеха у различных профессиональных групп — то есть выполнение изначальной задачи пользователя и наличие подтверждающих тестов, отправленных кодов и т. п. — почти сравним с уровнем программных инженеров.

Чем выше профессиональный уровень пользователя, тем выше вероятность успешного завершения сессии. Однако разница между средним и экспертом не очень велика. За семь месяцев наблюдений доля сессий, связанных с отладкой, почти сократилась вдвое, а способы использования сместились в сторону более сквозных подходов: развертывание и запуск кода, анализ данных, подготовка немодульных документов.

За эти семь месяцев ценность типичных задач практически выросла во всех сферах деятельности. Мы оценили её, сравнивая с рыночными ценами на аналогичные работы на фриланс-платформах, и получили средний рост примерно на 25%.

Введение

Интеллектуальные агенты в программировании быстро набирают популярность. С конца 2025 года доля проектов на GitHub, связанных с активностью кодирующих агентов, удвоилась, а среднее время использования Claude Code — около 20 часов в неделю. Могут ли люди без формального опыта программирования успешно управлять агентами для выполнения сложных технических задач? Как быстрое внедрение этих инструментов и их развитие повлияют на более широкие сферы знаний? Пока мы не можем дать полный ответ, но по данным использования Claude Code можно выделить некоторые ранние сигналы.

Этот отчёт основан на анализе конфиденциальных данных примерно 235 000 пользователей и около 400 000 интерактивных сессий за период с октября 2025 по апрель 2026 года, что позволяет получить представление о реальных способах использования Claude Code. Он продолжает наши предыдущие исследования автономных показателей сессий Claude Code и того, как эти инструменты меняют внутреннюю работу компании Anthropic. В статье предлагается рамочная модель для описания использования интерактивных помощников ИИ: что делают люди, кто эти люди и насколько успешно. Мы рассматриваем использование Claude Code через командную строку, Claude.ai или настольное приложение. Отслеживая, как меняется способ использования интеллектуальных агентов по мере роста возможностей модели, мы можем лучше понять влияние этих инструментов на профессионалов-программистов и рынок труда знаний.

То, что происходит с Claude Code, возможно, предвещает будущее сферы знаний: агенты постепенно интегрируются в некодирующую работу. Мы обнаружили, что Claude занимается более сложными и ценными задачами. В то же время, в программировании с помощью агентов сохраняется чёткое разделение труда: человек решает, что строить, а агент — как.

Также есть свидетельства того, что истинное усиление эффективности инструментов достигается за счёт профессиональных знаний в области, а не навыков программирования. Особенно это касается экспертов, которые чаще добиваются успеха и легче восстанавливаются после ошибок или недоразумений. Однако разница между экспертами и средним пользователем невелика. Это говорит о том, что при достаточной компетентности в конкретной области человек может эффективно использовать такие инструменты, почти как глубоко специалист.

Эти открытия позволяют сделать предварительные выводы о возможных изменениях на рынке труда. В наших данных успех зависит скорее от понимания человеком решаемой задачи, чем от его программных навыков. Если такие модели подтвердятся в целом экономике, это означает, что, хотя инструменты программирования агентов могут автоматизировать часть задач, ориентированных на реализацию, они также поощряют тех, кто действительно понимает проблему. Создавать код с помощью агентов — не значит заменять профессиональные знания в области. Напротив, чем больше понимания у работника о своей задаче, тем лучше он сможет использовать эти инструменты для получения высококачественной работы.

Распределение труда

Что делают люди с Claude Code

Чтобы понять, как именно используют Claude Code, мы классифицируем каждую сессию по одной из девяти рабочих моделей, которая наиболее точно описывает цель этой сессии. Четыре из них напрямую связаны с написанием или обслуживанием кода: создание новых решений, исправление ошибок, тестирование кода и организация работы других агентов или автоматизированных процессов. Ещё одна категория — управление программным обеспечением: развертывание, настройка, запуск пайплайнов и мониторинг систем. Есть две категории, связанные с пониманием «что делать»: понимание работы существующей системы и планирование изменений перед их реализацией. И две последние — не связаны с кодом или используют код лишь как вспомогательный элемент: анализ данных и коммуникация через презентации и другие текстовые документы.

Около 56% сессий состоят из написания кода (25%), исправления кода (26%) или тестирования и организации работы с кодом (5%). Управление программным обеспечением — 17%, планирование или исследование — 14%, анализ данных и подготовка текстовых материалов — 13% (см. рис. 1).

Сначала мы обучаем модель распознавать сессии и классифицируем их; затем, с помощью нашего инструмента анализа конфиденциальности, сопоставляем результаты классификации с телеметрическими данными каждой сессии, включая добавление или удаление строк кода. Эти два источника показывают очень высокую согласованность. Например, в сессиях, отмеченных как создание или изменение кода, более 90% случаев в телеметрике также показывают изменения в коде. Подробнее — в приложении.

Кто принимает решения

Насколько автономны Claude Code? Оценки показывают, что его потенциал очень высок и продолжает расти. Например, в тестах METR передовые модели уже могут самостоятельно выполнять задачи, ранее требовавшие нескольких часов работы человека, и самостоятельно преодолевать препятствия. Но как обстоят дела на практике? Здесь мы рассматриваем, насколько в реальных сессиях человек и Claude берут на себя руководство.

Изучая этот вопрос, мы используем два подхода. Первый — насколько человек доверяет решениям Claude; второй — сколько действий он поручает агенту. Для понимания распределения решений в сессии мы создали конфиденциальный классификатор, который выделяет все значимые решения и делит их на планировочные и исполнительные. Планировочные — что делать, как, что считать завершением; исполнительные — какие файлы менять, что писать, на каком языке, какие команды запускать. Затем классификатор определяет, кто из участников — человек или агент — принимает каждое решение, и для каждой сессии выводит два числа: долю планировочных решений, порученных человеку, и долю исполнительных решений, порученных человеку.

В среднем человек принимает около 70% планировочных решений, но только 20% исполнительных (см. рис. 2). На практике в программировании с помощью агентов формируется чёткое разделение труда: человек решает, что строить, агент — как.

Чтобы понять, насколько в сессии делегируются действия, мы не смотрим на содержание, а анализируем структуру. Сессия Claude и человеком — это серия обменов: пользователь даёт подсказки, агент выполняет действия; затем пользователь снова даёт подсказку, и так далее. В типичной сессии таких раундов около четырёх. За период с октября по апрель в наших данных каждый раз, когда пользователь посылает подсказку, в среднем Claude выполняет около 10 действий, иногда — более 100. В каждом раунде агент читает файлы, редактирует код, запускает команды и в среднем пишет около 2400 слов.

Объем работы, который Claude выполняет между двумя проверками пользователя, во многом зависит от того, кто принимает решения. Когда пользователь сохраняет контроль над выполнением, то есть принимает более 80% исполнительных решений, количество действий в каждом раунде уменьшается примерно до 8. Когда же агент берёт на себя управление планированием, то есть принимает более 80% планировочных решений, он выполняет максимум — около 16 действий.

Профессиональный уровень

По каждой сессии Claude оценивает профессиональный уровень пользователя по пятибалльной шкале — от новичка до эксперта. Классификатор уровня учитывает три сигнала: точность команд пользователя, что он просит проверить у Claude, и кто чаще исправляет ошибки — пользователь или агент. Важно отметить, что этот уровень не совпадает с должностью или общими навыками, а относится именно к конкретной задаче. Например, опытный инженер, впервые задающий вопрос по Rust, всё равно может быть новичком в этой области; бухгалтер, никогда не использовавший Python, если сможет точно указать, какие правила сверки должны выполняться в скрипте, и заметит ошибки при закрытии месяца, — будет экспертом по этой задаче.

В таблице показано, как мы определяем уровни профессионализма в классификаторе, и приведены примеры запросов из открытого датасета SWE-chat. Диалог, отнесённый к «новичку», содержит общие инструкции без конкретных знаний; диалог, отнесённый к «эксперту», демонстрирует глубокое понимание кода и технической среды.

Мы связали уровень профессионализма с количеством активностей и выводов Claude на каждое подсказку. В типичной сессии новичка каждая подсказка вызывает около 5 действий и примерно 600 слов вывода; у эксперта — длина цепочки действий более чем вдвое больше, около 12 действий, а объём текста — около 3200 слов, что в пять раз больше (см. рис. 3). Разрыв между новичком и экспертом присутствует во всех типах задач и при всех уровнях ценности работы.

Эти показатели дополняют наши предыдущие исследования автономности Claude Code. Тогда мы отслеживали время работы агента и частоту автоматического одобрения его действий. В отличие от этого, наши показатели распределения решений фиксируют, кто принимает ключевые решения в сессии, а количество активностей и выводов — насколько автономен агент при выполнении команд.

Кто использует Claude Code и для чего

Пользователи

Чтобы понять, кто именно использует эти инструменты, мы по записям сессий определяем профессию каждого пользователя и сопоставляем её с 23 основными категориями по системе SOC (Standard Occupational Classification) Бюро статистики труда США. Классификатор основывается только на следующих признаках: контексте, в котором загружены файлы, названиях и структуре файлов, цитируемых источниках (например, юридические документы, клинические данные, финансовые отчёты, учебные материалы), а также используемой лексике. Важно, чтобы в классификации не рассматривалось «написание кода» как признак программной деятельности. Только при наличии явных признаков, что человек занимается программной или аналитической работой, сессия попадает в категорию «компьютеры и математика». Например, если юрист пишет скрипт для автоматической проверки договоров на наличие определённых условий, даже если основная деятельность — написание программ, сессия всё равно классифицируется как юридическая. Если признаков профессии не обнаружено, сессия не классифицируется.

Мы можем определить профессию примерно в 70% случаев. Среди классифицированных — крупнейшая группа — «компьютеры и математика», что неудивительно, так как эта категория включает большинство программных задач. Далее идут бизнес и финансы, искусство и медиа, управление, а также науки о жизни, физика и социальные науки. В нашей выборке наиболее быстро растущие группы — управление, продажи и юриспруденция.

Работа

С октября 2025 по апрель 2026 года структура выполняемых работ заметно изменилась. Самое заметное — доля сессий, связанных с исправлением повреждённого кода, снизилась с 33% до 19% (см. рис. 4). Вместо этого увеличилась доля задач, связанных с работой с кодом. Управление программным обеспечением выросло с 14% до 21%. Написание и анализ данных примерно удвоились — с около 10% до 20%.

Ценность задач также выросла. Мы оценили её, сравнивая с рыночными ценами на аналогичные работы на фриланс-платформах, и откорректировали по реальным открытым вакансиям. По этим оценкам, средняя ценность сессии за период с октября по апрель выросла примерно на 27%. Рост наблюдается во многих типах работ: создание, управление и исправление — примерно на 43%, 34% и 32% соответственно. Эти оценки цен — очень приблизительные, поэтому мы используем их скорее для сравнения трендов во времени, а не для точной оценки долларов. Подробнее о методике оценки — в приложении.

Успех зависит от того, что привносит пользователь

Оценка ценности задач — один из способов понять, как Claude Code помогает выполнять работу. Другой — анализировать, сколько сессий завершились успешно и какие признаки связаны с успехом. Во всех показателях успеха мы видим явную закономерность: чем выше профессиональный уровень пользователя в сессии, тем выше вероятность успеха. Большая часть прироста приходится на переход от новичка к среднему уровню, тогда как разница между средним и экспертом менее заметна.

Перед анализом признаков успешных сессий важно точно определить, что считается успехом. Мы не можем наблюдать реальные результаты в мире, не можем напрямую спрашивать, удалось ли пользователю выполнить свою задачу. Поэтому используем два взаимодополняющих метода оценки на основе записей сессий. Первый — «определение успеха» — после полного анализа сессии классификатор решает, достиг ли пользователь своей цели, с вариантами: успех, частичный успех, неудача, без ясной цели. Затем два вспомогательных классификатора оценивают степень подтверждения этого решения, чтобы определить «подтверждённый успех». Они ищут доказательства успеха, такие как коммиты, pull-запросы, прохождение тестов и явное одобрение пользователем. Оценка ведётся по шкале от «отсутствия сигнала» (1) до «несколько сильных сигналов» (5). Аналогично, есть классификатор признаков неудачи, который оценивает наличие ошибок, провальных тестов, повторных попыток или недовольства пользователя. Подтверждённый успех возможен только при одновременном выполнении двух условий: сессия признана успешной и есть хотя бы один сильный подтверждающий сигнал. В этом анализе мы исключаем сессии, где классификатор отметил «отсутствие цели» — таких примерно 7,7% всего набора.

Вознаграждение за профессионализм

Какие сессии наиболее вероятно завершатся успехом? Результаты показывают, что уровень профессионализма пользователя, оцененный по нашей шкале, существенно влияет на результат.

Некоторые могут опасаться, что профессиональный уровень — не главный фактор. Возможно, эксперты просто выбирают другие задачи или отличаются по другим признакам. В этой части мы сравниваем одинаковые типы работ, одинаковую ценность, одинаковый месяц, тему и профессиональную группу, чтобы проверить, насколько уровень влияет на результат.

Во всех показателях вероятность успеха выше у тех, кто демонстрирует более высокий профессиональный уровень. В сессиях, оценённых как «новички», доля подтверждённого успеха — 15%, частичного — 77%. У сессий с уровнем «средний» и выше — подтверждённый успех достигает 28–33%, частичный — 91–92% (см. рис. 5).

Большая часть прироста достигается при переходе от новичка к среднему уровню; далее прирост замедляется. Подробнее о регрессионном анализе — в приложении.

Даже в сложных случаях наблюдается подобная градация. Когда в сессии фиксируются признаки ошибок или неудач, мы говорим, что сессия «столкнулась с проблемой». Это может включать ошибки, провальные тесты, повторные попытки или недовольство пользователя. В таких случаях, при контроле всех переменных, доля подтверждённого успеха возрастает с 4% у новичков до 15% у экспертов (см. рис. 5). При более мягких критериях успеха — хотя бы частичном — доля достигает 60% у новичков и 80–81% у опытных.

Также мы отслеживаем обратную зависимость: уровень профессионализма и показатели неудач. Важно отметить, что в этом анализе под «неудачей» понимаются сессии, где вообще не достигнуто даже частичное выполнение задачи. Если сессия с проблемой признана неуспешной и в ней не написано ни одной строки кода, её называют «отказанной». У новичков таких случаев — 19%, у остальных — 5–7%. Это говорит о том, что менее опытные пользователи чаще сдаются при трудностях. Навыки профессионала помогают не только достигать целей, но и возвращать агент в правильное русло.

Профессия важнее, чем профессиональный уровень

Успешность в сессиях, связанных с программированием, у пользователей из IT и смежных областей — около 30%, у остальных — около 26%. В сессиях, где создаётся или изменяется хотя бы одна строка кода, эти показатели — 34% и 29% соответственно (см. рис. 6). При более мягких критериях успеха разница сокращается: 89% и 88%. За семь месяцев эти показатели не заметно менялись, несмотря на рост общего уровня успеха. В десяти крупнейших группах по профессиям, включающих программистов, разница в успехе с инженерами — менее 7%. Управленцы показывают чуть более высокий уровень подтверждённого успеха, что, возможно, связано с переносимостью управленческих навыков на управление агентами. Также это может быть связано с нашим методом измерения, основанным на явном подтверждении в сессии, что управленцы привыкли выражать удовлетворение, когда получают желаемый результат.

Перспективы

Эти результаты рисуют картину, которая формируется: программирование с помощью агентов усиливает некоторые знания и навыки, одновременно заменяя другие. В задачах создания кода уровень успеха у всех профессиональных групп близок к уровню IT-специалистов. Кажется, что использование агентов делает наличие программных навыков менее важным для успешного выполнения программных задач.

При этом успешные сессии чаще связаны с профессиональными знаниями в области. Экспертные сессии показывают более чем вдвое выше уровень подтверждённого успеха по сравнению с новичками. В случаях проблем новичкам чаще приходится сдаваться. Такой режим взаимодействия — когда эксперт может управлять каждым шагом, — делает картину более ясной: способность направлять Claude к успеху больше зависит от владения предметной областью, чем от навыков программирования. Чем лучше работник понимает свою задачу, тем больше он может добиться с помощью агентов. Те, кто не обладает этим пониманием, даже при использовании одинаковых инструментов, получат меньший эффект. Основной источник выгоды — умение управлять, а не мастерство в кодировании. Обладание практическим знанием в области уже приносит большую часть выгоды; глубокая специализация — лишь небольшое дополнение.

Эти выводы остаются предварительными. Как и большинство исследований, мы не можем оценить реальные результаты в мире — например, насколько использованный код был применён или заброшен, или какой экономический эффект он принёс. Также в отчёте исключены неинтерактивные сценарии использования, которые составляют значительную часть активности. Создание рамочной модели для оценки таких случаев — одна из задач будущих исследований. Все наши классификации основаны на чтении сессий моделью. В приложении показано, что классификатор согласуется с независимыми телеметрическими данными и в большинстве случаев совпадает с экспертной оценкой. Однако в масштабных сценариях автоматическая классификация остаётся сложной задачей; сессии Claude Code зачастую слишком длинные и сложные для ручной разметки как эталона.

По мере развития моделей, изменения в пользователях и в разделении труда между ними, картина, представленная в этом отчёте, будет обновляться. Надеемся, что эти показатели помогут отслеживать важные перемены: например, если отдача от профессионального уровня начнёт снижаться, это может означать, что модели начинают принимать ключевые решения вместо человека, и выгода от инструментов расширяется с узкоспециализированных профессионалов на более широкие слои. Если доля успешных сессий вне IT-сектора продолжит расти, это может свидетельствовать о том, что программирование с помощью агентов становится частью обычной работы в разных сферах, а не прерогативой узкого круга специалистов. Эти перемены повлияют на то, кто и насколько сможет извлечь пользу из программирования с помощью агентов, а также на важнейшие навыки на рынке труда.