Хто найкраще використовує Claude Code? Відповідь може бути не програмістом

Автор: Anthropoic; переклад: Peggy, блокчейн-рух

Цей звіт базується на приблизно 400 000 сесіях Claude Code, що обговорюють, як штучний інтелект у програмуванні змінює стосунки між людиною і кодом.

Найсуттєвіше відкриття полягає в тому, що у програмуванні з використанням агентів людина здебільшого визначає «що робити», а Claude — «як робити». Користувачі беруть на себе більшу частину планування, а Claude — основну роботу з виконання. Тобто, AI вже бере на себе написання коду, зміну файлів, запуск команд, налагодження тощо, але цільові установки і оцінка результату все ще залежать від людини.

Що важливо, ефективність використання Claude Code не залежить лише від того, чи є користувач програмістом. Звіт показує, що у задачах генерації коду успіхи вже мають користувачі з юридичних, фінансових, управлінських, наукових та інших не технічних професій, наближаючись до рівня програмістів. Справжнім чинником, що впливає на результат, є розуміння користувачем проблеми, яку потрібно вирішити.

Це означає, що AI у програмуванні знижує поріг входу для реалізації, але не для прийняття рішень. У майбутньому, ті, хто розуміє бізнес і сценарії, може бути більш ефективним у використанні AI, ніж ті, хто просто вміє писати код. AI не замінює галузеві знання, навпаки — підсилює їх цінність.

Нижче наведено оригінальний текст:

Ключові відкриття

На основі попередніх досліджень ми запропонували рамкову модель для вивчення інтерактивного програмування за допомогою агентів. Вона базується на аналізі конфіденційності приблизно 400 000 сесій Claude Code, що відбулися з жовтня 2025 по квітень 2026 року, і оцінює склад задач, спосіб співпраці людини і AI, а також рівень успішності.

У типовій сесії людина відповідає за більшу частину планування — визначає «що робити», тоді як Claude — за більшу частину виконання — визначає «як зробити». Чим глибше професійне знання користувача у конкретній галузі, тим більше роботи виконує Claude за командою. У задачах програмування середній рівень успіху у різних професійних груп — тобто, чи виконав агент те, що користувач спочатку хотів зробити, і чи є підтверджуючі докази, наприклад, тестування, подання коду — майже співпадає з рівнем програмістів.

Чим сильніше професійна компетентність користувача, тим більша ймовірність успіху сесії. Однак різниця між користувачами середнього рівня і експертами не дуже велика. За сім місяців спостережень частка сесій, що використовувалися для налагодження, майже зменшилася вдвічі, натомість зросла кількість випадків роботи у більш завершених сценаріях: розгортання і запуск коду, аналіз даних, створення нефункціональної документації.

За цей період цінність типових задач майже скрізь зросла. Порівняння з фріланс-платформами показує, що середній приріст — близько 25%.

Вступ

Програмування за допомогою агентів швидко набирає популярності. З кінця 2025 року кількість проектів на GitHub, що використовують кодових агентів, подвоїлася, а середній тижневий час використання Claude Code — 20 годин. Чи зможуть користувачі без формального досвіду програмування успішно керувати агентами для складних технічних задач? Як швидке впровадження цих інструментів і їхні можливості вплинуть на ширше коло знаннєвої праці? Відповіді поки що не маємо, але з даних використання Claude Code можна почати бачити перші сигнали.

Цей звіт базується на аналізі конфіденційності приблизно 235 000 користувачів і 400 000 інтерактивних сесій у період з жовтня 2025 по квітень 2026 року, і надає докази реального використання Claude Code. Він продовжує дослідження автономності агентів у сесіях Claude Code і того, як вони змінюють внутрішню роботу Anthropic. У цій статті пропонується рамкова модель для опису використання інтерактивних AI-асистентів: що роблять люди, хто саме виконує роботу і чи вона успішна. Ми зосереджені на використанні Claude Code через командний рядок, Claude.ai або настільний додаток. Відстежуючи, як змінюється спосіб використання агентів із зростанням можливостей моделей, ми краще зрозуміємо їхній вплив на професіоналів і ринок знань.

Події на Claude Code, можливо, передвіщають майбутнє знаннєвої праці: агенти все більше інтегруються у нефункціональні задачі. Ми бачимо, що Claude виконує складніші і цінніші задачі. Водночас, у програмуванні агентів зберігається чіткий розподіл праці: людина визначає, що створювати, агент — як це зробити.

Ми також маємо дані, що справжнє підсилення ефективності інструментів залежить від галузевих знань, а не від навичок програмування. Зокрема, експерти у галузі мають більший успіх і швидше відновлюються після помилок. Однак різниця між середнім користувачем і експертом не дуже велика. Це свідчить, що достатньо мати високий рівень у конкретній галузі, щоб ефективно використовувати такі інструменти.

Ці відкриття дозволяють зробити перші висновки про можливі зміни на ринку праці. У наших даних успіх залежить від розуміння проблеми, а не від формальної підготовки до програмування. Якщо ці моделі підтвердяться в масштабах економіки, це означатиме, що інструменти програмування агентів, хоча й поглинають частину робіт, орієнтованих на реалізацію, водночас винагороджують тих, хто справді розуміє проблему. Створення агентів — не заміна галузевих знань. Навпаки, чим більше розуміння має працівник, тим якісніше він може керувати агентом.

Ці відкриття — лише початок. Як і в більшості досліджень, ми не можемо оцінити реальні результати — наприклад, чи використаний код потім застосовувався, чи був економічно корисним. Також у звіті виключено неінтерактивне використання, що становить значну частину активності. Створення рамки для вимірювання таких сценаріїв — завдання майбутніх досліджень. Всі класифікації у звіті базуються на аналізі записів сесій моделлю. У додатку показано, що класифікатор і незалежні дані з телеметрії узгоджуються у більшості випадків і співпадають із оцінками сильних референтних моделей. Однак у масштабних сценаріях класифікація залишається складною, оскільки сесії Claude Code часто надто довгі і складні для ручної оцінки.

З розвитком моделей, користувачів і розподілу роботи між ними, картина у цьому звіті буде оновлюватися. Сподіваємося, що ці показники допоможуть відслідковувати важливі трансформації: наприклад, якщо віддача від професійних навичок почне знижуватися, це означатиме, що моделі вже починають самостійно приймати ключові рішення, і їхні переваги поширюються від галузевих експертів до ширшого кола. Якщо частка користувачів без технічної підготовки, що успішно завершують сесії, зросте, це може свідчити про те, що створення програмного забезпечення стає частиною звичайної роботи у різних сферах, а не лише у вузьких професіях. Це змінить, хто і наскільки виграє від програмування агентів, і які навички найбільше цінуються на ринку праці.