Разработчики уже не пишут код руками. Они управляют агентами, которые пишут его за них

Пять месяцев без единой строки кода

В феврале 2026 года OpenAI описала внутренний эксперимент, который ещё недавно выглядел бы как провокация. Небольшая команда создала работающий продукт примерно на миллион строк. В нём были приложение, тесты, CI, документация, наблюдаемость и внутренние инструменты. Люди не написали вручную ни одной строки — весь репозиторий создавал Codex.

Три инженера направляли агента через задачи и обратную связь. За пять месяцев команда влила около 1500 pull request и оценила срок разработки примерно в десятую часть от обычного. Это не лабораторный benchmark: продукт использовали сотни внутренних пользователей и внешние alpha-тестировщики.

Anthropic уже перешла отметку 80%

У Anthropic это не отдельный эксперимент. По данным компании, к маю 2026 года Claude был автором более 80% кода, который команда вливала в основную кодовую базу. До исследовательского запуска Claude Code в феврале 2025 года показатель находился на уровне нескольких процентов.

Это уже не автодополнение

Copilot первого поколения ждал, пока человек откроет файл и начнёт печатать. Coding-агент получает цель, исследует репозиторий, меняет несколько файлов, запускает команды и тесты, анализирует ошибку и повторяет цикл. Claude Code и Codex сделали этот режим массовым; Kimi Code строит продукт вокруг той же модели поведения.

• Автодополнение предлагает фрагмент; агент выполняет законченную задачу.
• Автодополнение видит место ввода; агент исследует связи по всему репозиторию.
• Автодополнение ждёт человека; агент самостоятельно запускает инструменты и реагирует на результат.
• Человек редактировал реализацию; теперь он всё чаще редактирует намерение, ограничения и критерии проверки.

Если не писать код, то что теперь делает программист?

Самая точная аналогия — переход от исполнителя к режиссёру производственной системы. Сильный инженер выбирает проблему, превращает её в проверяемую задачу, даёт агенту доступ к нужным инструментам, задаёт архитектурные границы и строит короткий цикл обратной связи.

• Формулирует намерение и критерии готовности до запуска агента.
• Делает репозиторий понятным: фиксирует команды, правила, архитектуру и ограничения.
• Разбивает большую цель на части, которые можно независимо проверить.
• Проверяет поведение системы, риски и соответствие бизнес-задаче.
• Превращает повторяющуюся обратную связь в тесты, правила и автоматические проверки.
• Решает, что вообще стоит строить, а не только как это реализовать.

Знание языка и архитектуры остаётся критичным: без него человек не отличит удачное решение от правдоподобной ошибки. Но печать синтаксиса становится всё меньшей частью работы.

Код стал дешёвым. Решения — нет

Когда агент может создать десять реализаций за время одной, дефицитом становится не код. Дефицитом становятся внимание человека и контекст: актуальная постановка, история решений, ограничения безопасности, данные клиента и понимание того, как изменение повлияет на остальные процессы.

Поэтому следующий конкурентный разрыв возникнет не между компаниями с агентами и без них. Он возникнет между компаниями, чьи агенты видят целостный рабочий контекст, и компаниями, где они получают случайный набор тикетов, документов и сообщений.

Зачем coding-агентам Laplace

Laplace не заменяет Claude Code, Codex или Kimi Code и не конкурирует с ними за место в редакторе. Coding-агент отвечает за исполнение внутри репозитория. Laplace работает с контекстом команды и процесса: помогает подключать рабочие источники, проводить Context Audit, находить пробелы и создавать специализированные цифровые роли с ограниченным набором инструментов.

Практическая связка выглядит так: Jira хранит задачу, Confluence — требования и решения, GitHub — реализацию; Laplace помогает агенту или человеку собрать связанный контекст и проверить его полноту, а coding-агент выполняет изменение и возвращает результат в процесс.

Не считайте строки. Считайте результат

Восемь раз больше строк может означать ускорение, а может означать восемь раз больше кода для сопровождения. Поэтому внедрение coding-агентов стоит оценивать по тому, что важно пользователю и бизнесу.

• Время от принятого решения до работающего изменения.
• Доля задач, прошедших проверку без повторной разработки.
• Количество дефектов и откатов после релиза.
• Время человеческого внимания на одну завершённую задачу.
• Полнота требований и решений, сохранённых для следующего цикла.

Частые вопросы о coding-агентах

Правда ли, что программисты уже не пишут код руками?

В отдельных передовых командах — да. Anthropic сообщает, что Claude написал более 80% вливаемого кода, а экспериментальная команда OpenAI создала продукт без ручного написания кода. Для всей индустрии такой статистики пока нет.

Чем coding-агент отличается от AI-автодополнения?

Автодополнение предлагает фрагменты рядом с курсором. Coding-агент получает задачу, исследует репозиторий, меняет файлы, запускает команды и тесты, исправляет ошибки и может подготовить pull request.

Заменят ли Claude Code, Codex и Kimi программистов?

Они сокращают объём ручного набора и меняют состав работы. Ответственность за постановку, архитектуру, безопасность, проверку и продуктовые решения остаётся у людей, хотя число задач на одного инженера может заметно вырасти.

Как подготовить компанию к работе с coding-агентами?

Начните с одного репозитория и измеримого класса задач. Зафиксируйте правила и команды, подключите тесты, определите человеческие точки контроля и проверьте качество контекста в Jira, документации и коде.

Как Laplace связан с AI-программированием?

Laplace работает на уровне командного контекста и процессов. Он помогает собрать данные из рабочих систем, выявить пробелы и организовать цифровые роли вокруг coding-агента, не заменяя сам инструмент программирования.