Хто найкраще використовує Claude Code? Відповідь може бути не програмістом

Основний заголовок: Агентне кодування та постійні повернення до експертності
Автор оригіналу: Anthropoic
Переклад: Peggy

Автор оригіналу: RhythmBlockBeats

Джерело оригіналу:

Перепублікація: Mars Finance

Редакторський коментар: Цей звіт базується на приблизно 400 000 сесіях Claude Code, що аналізуються з точки зору приватності, і досліджує, як інструменти штучного інтелекту для програмування змінюють стосунки між людиною і кодом.

Найсуттєвіше відкриття полягає в тому, що в програмуванні з використанням агентів людина здебільшого визначає «що робити», а Claude — «як робити». Користувачі беруть на себе більшу частину планування, тоді як Claude відповідає за більшу частину виконання. Тобто, AI вже бере на себе написання коду, зміну файлів, запуск команд, налагодження тощо, але цільові установки і оцінка результатів залишаються залежними від людини.

Ще важливіше, що ефективність використання Claude Code не залежить лише від того, чи є користувач програмістом. Звіт показує, що у задачах генерації коду успіхи користувачів із нефункціональних професій — таких як право, фінанси, управління, наука — вже майже досягають рівня програмістів. Насправді, на результат впливає саме розуміння користувачем проблеми, яку потрібно вирішити.

Це означає, що AI-програмування знижує бар’єр входу для реалізації, але не для суджень. У майбутньому, ті, хто розуміє бізнес, сценарії, чітко формулює вимоги і здатен оцінювати результати, можливо, будуть краще використовувати AI, ніж ті, хто просто вміє писати код. AI не автоматично замінює галузеві знання, навпаки — він підсилює цінність галузевих знань.

Нижче наведено оригінальний текст:

Ключові відкриття

На основі попередніх досліджень ми запропонували рамкову модель для дослідження інтерактивного програмування агентами. Вона базується на аналізі приватності приблизно 400 000 сесій Claude Code, проведених з жовтня 2025 по квітень 2026 року, і оцінює склад задач, спосіб співпраці людини і AI, а також рівень успішності задач.

У типовій сесії людина відповідає за більшу частину планування — тобто визначає «що робити», тоді як Claude — за більшу частину виконання, тобто визначає «як зробити». Чим більше професійних знань має користувач у конкретній галузі, тим більше роботи виконує Claude за командою. У задачах кодування середній рівень успіху для основних професійних груп — тобто чи вдалося зробити те, що спочатку планував користувач, і чи є підтверджуючі докази, наприклад, тестування, подання коду — майже дорівнює рівню програмістів.

Чим сильніші професійні знання користувача, тим більше шансів, що сесія завершиться успіхом. Однак різниця між користувачами середнього рівня і експертами не дуже велика. За сім місяців спостережень частка сесій, що використовують налагодження, майже зменшилася вдвічі, натомість зросла кількість сесій з більшою орієнтацією на цілковите завершення: розгортання і запуск коду, аналіз даних, створення нефункціональної документації.

За цей період цінність типових задач майже скрізь зросла. Ми оцінили цінність задач у порівнянні з ринком фрілансу, використовуючи реальні відкриті дані про вакансії, і отримали середнє зростання приблизно на 25%.

Вступ

Програмування агентами швидко набирає популярності. З кінця 2025 року кількість проектів із застосуванням інтелектуальних агентів на GitHub подвоїлася, а середній час використання Claude Code — 20 годин на тиждень. Чи зможуть люди без формального досвіду програмування успішно керувати агентами для виконання складних технічних завдань? Як швидке впровадження цих інструментів і їх здатність змінювати ширше коло знаннєвої роботи? Відповідь поки що не цілком ясна, але з даних використання Claude Code вже видно перші сигнали.

Цей звіт базується на аналізі приватності приблизно 235 000 користувачів і 400 000 інтерактивних сесій у період з жовтня 2025 по квітень 2026 року, і надає докази реального застосування Claude Code. Він продовжує дослідження автономності Claude Code у сесіях і того, як він змінює внутрішню роботу Anthropic. У статті пропонується рамкова модель для опису використання інтерактивних AI-асистентів: що роблять люди, хто саме виконує ці роботи і чи досягається успіх. Ми зосереджені на тому, як користувачі застосовують Claude Code через командний рядок, Claude.ai або настільний додаток. Відстежуючи, як змінюється спосіб використання агентного програмування із зростанням можливостей моделей, ми краще зрозуміємо вплив цих інструментів на професіоналів і ринок знань.

Події на Claude Code, можливо, передвіщають майбутнє знаннєвої праці: агенти поступово інтегруються у нефункціональні задачі. Ми виявили, що Claude виконує дедалі складніші і цінніші задачі. Водночас, у агентному програмуванні зберігається чіткий розподіл праці: людина визначає, що потрібно побудувати, а агент — як саме.

Ми також бачимо, що справжнє підсилення ефективності інструментів залежить від галузевих знань, а не від рівня програмістської майстерності. Зокрема, галузеві експерти мають більший успіх і швидше відновлюються після помилок. Однак різниця між експертами і користувачами середнього рівня не дуже велика. Це свідчить, що достатньо мати високий рівень знань у конкретній галузі, щоб ефективно використовувати такі інструменти, наче глибокий фахівець.

Ці відкриття дозволяють зробити попередні висновки про можливі зміни на ринку праці. У наших даних успіх залежить не від того, чи має користувач програмну підготовку, а від того, чи розуміє він проблему, яку потрібно вирішити. Якщо ця модель пошириться, то AI-програмування, можливо, почне замінювати частину реалізаційних робіт, але водночас винагороджуватиме тих, хто справді розуміє суть задачі. Створення агентів не замінює галузеві знання. Навпаки, чим більше розуміння має працівник у своїй галузі, тим більше високоякісної роботи може виконати AI. Чим глибше професійне розуміння, тим менше додаткових переваг дає спеціалізація.

Ці висновки поки що є попередніми. Як і більшість досліджень, ми не можемо оцінити реальні результати — наприклад, чи використаний код потім застосовувався, чи був він економічно корисним. Також у звіті виключено нефункціональне застосування, яке становить значну частину активності. Створення рамки для оцінки таких сценаріїв — одна з майбутніх задач. Всі наші класифікації базуються на аналізі сесійних записів, і в додатку показано, що класифікатори узгоджуються з незалежними даними і більшістю референсних оцінок. Однак у масштабних сценаріях підтвердження класифікаторів залишається складним, оскільки сесії Claude Code можуть бути надто довгими і складними для ручної аналітики.

Зі зміною моделей, користувачів і розподілу праці між ними, картина, описана у цьому звіті, буде постійно оновлюватися. Сподіваємося, що ці показники допоможуть відслідковувати важливі трансформації: наприклад, якщо зростання професійних навичок почне знижуватися, це означатиме, що моделі починають самостійно приймати ключові рішення, і переваги інструментів поширюються від галузевих експертів до ширшого кола користувачів. Якщо частка нефункціональних задач, виконаних безпосередньо користувачами, зросте, це може свідчити про те, що виробництво програмного забезпечення стає частиною звичайної роботи у різних сферах, а не лише у вузьких професіях. Такі зміни вплинуть на те, хто і наскільки зможе отримати вигоду від агентного програмування.