Только Vibe Coding — не станешь экспертом! Anthropic раскрывает правду: профессиональные знания важнее, чем написание кода

Отчет показывает, что при использовании искусственного интеллекта для программирования, ключевыми являются предметные знания и способность к проверке, а не навыки программирования. Обладание профессиональным суждением и умением формулировать задачи значительно повышает вероятность успеха.

16 июня Anthropic опубликовала исследовательский отчет «Agentic coding and persistent returns to expertise» (agentic coding означает «распоряжение программированием», когда вы даете команду, а ИИ сам читает файлы и выполняет инструкции).

В отчете анализируются около 235 тысяч пользователей и около 400 тысяч взаимодействий с Claude Code с октября 2025 по апрель 2026 года, и он пытается ответить на волнующий многих вопрос: действительно ли люди без формальной программной подготовки могут эффективно управлять ИИ для выполнения сложных технических задач?

Ответ в отчете однозначный — да, могут. Но по-настоящему важным является вывод: важнее не то, умеешь ли ты писать код, а то, насколько хорошо ты понимаешь саму задачу, которую решаешь.

«Все могут писать код» — эта фраза лишь наполовину верна

За последний год «vibe coding» (писать код по ощущению, описывая на естественном языке, что нужно, а ИИ сам генерирует рабочий код, не обязательно разбираться в каждой строке) стал очень популярным среди разработчиков. Вслед за этим трендом распространена идея: барьеры для написания кода сняты, и любой — инженер.

Кому выгодна эта идея? Производителям инструментов ИИ и руководителям, которые считают, что больше не нужны инженеры. Но данные отчета показывают более прагматическую картину.

Anthropic оценивает каждого пользователя по пяти уровням — от новичка до эксперта — на основе транскриптов диалогов. Важно понять, что эта профессиональная оценка не связана с должностью или уровнем интеллекта, а зависит от конкретной задачи.

В качестве примера приводится ситуация: бухгалтер, никогда не использовавший Python, если четко объясняет Claude правила сверки и может выявить ошибки, пропущенные ИИ при месячном закрытии, — он в этой задаче — эксперт; наоборот, опытный разработчик, впервые задающий вопрос по Rust, — новичок.

Иными словами, «профессия» здесь — не умение писать код, а понимание самой проблемы. Поэтому ошибочно считать, что «каждый может заменить инженера» — это упрощение. Предметные знания — это профессиональный навык, требующий долгого накопления, он не исчез, а лишь сместился в позицию узкого узла.

Как делится работа: вы формулируете задачу, ИИ отвечает

Самая ясная иллюстрация в отчете — разделение решений между человеком и ИИ. Anthropic разбивает каждое решение на «планирование» (что делать, каким методом, как понять, что задача выполнена) и «исполнение» (какой файл изменить, что написать, на каком языке). В результате: в среднем человек принимает около 70% решений по планированию, а Claude — около 80% по исполнению.

Источник: Anthropic

Проще говоря, человек формулирует задачу и проверяет результат, а ИИ занимается выполнением. И чем более опытен пользователь, тем больше он доверяет «отпустить» часть работы: отчет показывает, что у новичка каждая команда вызывает около 5 действий и генерирует около 600 слов, у эксперта — около 12 действий и примерно 3200 слов. Опытные пользователи умеют давать более крупные задания, потому что знают, как правильно описать и как проверить.

Источник: Anthropic

Это первое удивительное открытие отчета: чем сильнее ИИ, тем больше «рычагов» у опытных пользователей, а не меньше.

Истинные различия в успехе скрыты в показателе «процент успешных диалогов»

Anthropic использует два метода оценки «успешности диалога». Самый мягкий — «частичный успех»; самый строгий — verified success (подтвержденный успех), что означает, что есть не только автоматическая оценка, но и подтверждение: коммиты в git, прохождение тестов или явное подтверждение пользователя.

По самой строгой метрике: у новичков уровень verified success — всего 15%, у среднего и выше — 28-33%. При более мягкой оценке: у новичков — 77%, у среднего и выше — 91-92%.

Источник: Anthropic

Но есть важный нюанс: отчет подчеркивает, что большинство приростов достигается именно на этапе «от новичка к среднему», а дальше — к эксперту — прирост замедляется. По словам отчета, достаточно иметь базовые знания в области, чтобы получить большинство преимуществ; глубокое мастерство дает лишь небольшой дополнительный эффект.

Также различия проявляются в способности «держаться» при возникновении проблем (ошибки, сбои, повторные попытки): у новичков 19% сразу сдаются, не написав ни строки кода; у более опытных — только 5-7%. В отчете делается вывод, что умение вернуть диалог в рабочее состояние — тоже часть профессионализма.

Недооцененное открытие: разница между профессиями — гораздо меньшая, чем кажется

Если бы знание программирования было решающим, инженеры должны были бы значительно опережать других. Но данные показывают обратное.

В диалогах, где генерируется код, успешность у ИТ-специалистов — около 34%, у представителей других профессий — около 29%, разница всего 5%, и за семь месяцев она не увеличилась и не уменьшилась.

В отчете проанализированы топ-10 профессий, и у каждой уровень успешности — в пределах 7 процентных пунктов от уровня инженеров. Более того, у менеджеров уровень успешности даже чуть выше, чем у инженеров.

Авторы предполагают два объяснения: во-первых, навыки «руководства, постановки задач и определения целей» у менеджеров позволяют легко переносить их на управление ИИ; во-вторых, возможна погрешность измерений — успешность во многом зависит от того, насколько пользователь прямо в диалоге подтверждает правильность, а менеджеры, как правило, умеют четко формулировать.

За эти семь месяцев наблюдается еще одна тенденция: доля времени, потраченного на отладку (debugging), снизилась с 33% до 19%, почти вдвое; при этом доля операций по запуску и настройке программного обеспечения выросла с 14% до 21%, а на написание и анализ данных — с около 10% до примерно 20%.

Отчет использует сравнение с рынком фриланс-услуг для оценки стоимости задач (подчеркивая, что это лишь относительная оценка, а не точные суммы), и показывает, что средняя ценность задач за этот период выросла примерно на 27% (по другим данным — около 25%).

Что отчет не говорит, но важно понять

В отчете признаются ограничения: он не показывает реальные результаты в мире — не известно, использовался ли сгенерированный код в реальных проектах; также исключены «неинтерактивные» сценарии (например, интеграция Claude Code в автоматизированные процессы), что составляет значительную часть. Все оценки основаны на анализе транскриптов, а не на реальных кейсах. Поэтому это — «ранний снимок», а не окончательный вывод.

Более важный вопрос, который стоит держать в уме — это тот, что зафиксирован в конце отчета. Anthropic говорит, что они будут продолжать отслеживать ситуацию: если «вознаграждение за предметные знания» начнет снижаться, это будет означать, что модель научилась самостоятельно обеспечивать те суждения, которые раньше требовали человеческого знания.

Вывод из этого: не стоит паниковать и сразу бежать учить программирование, если вы не умеете писать код. Более разумная инвестиция — углублять знания в своей области и четко формулировать, что считать правильным.

Сначала сформулируйте проблему, потом используйте ИИ для ускорения; сначала проверьте результат, и только потом отпускайте контроль.

• Статья опубликована с разрешения: «Цифровая эпоха»
• Оригинальный заголовок: «不能只懂写Code！Anthropic揭Vibe coding真相：比起coding，「本業知識」才是最大槓桿»
• Автор оригинала: 李先泰